Holo4 是我們新推出的代理模型系列，提供兩種尺寸：27B 密集型和 35B-A3B 專家混合模型。這兩款模型皆可透過 H Models API 取得。我們同時也發布了 Holotron 3 的更新版本：Holotron4 Nano。
Holo4 建立在我們前一代模型的基礎上，能透過任何可用的介面與軟體互動，包括圖形使用者介面（GUI）、程式碼、MCP 和 API。儘管它在學術基準測試中表現出色，但我們開發它的主要目的是為了實際的商業工作流程。Holo4 透過監督式學習和強化學習，在大量環境和任務中進行訓練，其中也包含由我們的「代理任務工廠」（Agentic Task Factory）所生成的任務。
Holo4 能夠在螢幕上點擊和輸入，編寫並執行自己的程式碼，以及呼叫 MCP 或 API 工具。它會根據任務需求選擇最適合的介面。大多數代理模型僅針對單一介面進行訓練：專注於 GUI 的模型在沒有螢幕時會束手無策，而偏好工具呼叫的模型則會受限於沒有 API 的應用程式。然而，實際工作並非如此孤立，單一商業任務可能需要結合這些不同的方法。
Holo4 可以在桌上型電腦、網頁、Android、程式碼沙盒以及商業 API 環境中運行。在每種情況下，它都是相同的模型，並且以相同的方式被呼叫。您無需為每個平台選擇不同的模型。
Holo4 模型相較於其基礎模型 Qwen 有顯著的改進。在處理長流程任務時，Holo4 僅次於最強大的閉源模型：在 OSWorld 2.0 基準測試中，Holo4 27B 獲得 61.7% 的分數，而 Opus 5.5 為 81.8%；Holo4 35B-A3B 則達到 30.9%。
然而，Holo4 在參數數量上少了數個數量級，且成本也低得多。我們公開了所有公開基準測試分數背後的運行軌跡：您可以在 trajectories.hcompany.ai 重播每個步驟，或從 Hugging Face 下載它們。
在桌面控制（OSWorld 2.0）和 API 使用（AutomationBench）最困難的學術基準測試中，Holo4 能以遠低於前沿模型的任務成本與之競爭。
Holo4 模型在我們的「代理任務工廠」所生成的環境和任務中進行訓練，因此在專業軟體應用上表現出色。以下範例展示了 Holo4 27B 與其基礎模型 Qwen3.8 27B 的比較，兩者使用相同的提示詞和測試框架。
3D 建模 · 艾菲爾鐵塔
在 FreeCAD 中建立艾菲爾鐵塔的 3D 模型，比例為 1 毫米對應 1 公尺，以原點為中心並對齊 X 軸和 Y 軸。依照此設計進行。
3D 建模 · H 公司標誌
在 FreeCAD 中建立 H 公司標誌的 3D 模型：一個實心圓盤旁邊是一個塊狀的無襯線大寫字母 H，兩者擠出相同的厚度，形狀高度相似且分開不重疊，圓盤中心與 H 的中間對齊。將兩個形狀都塗成黑色。
遊戲設計 · 小精靈（Pac-Man）
在 Godot 中建立一個小精靈（Pac-Man）風格的遊戲並讓它運行。
我們的內部代理管道集，僅從文件（例如真實網站或開源軟體的截圖）就能建立互動式環境和可驗證的任務。迄今為止，它已在網路應用程式、MCP 伺服器和桌面環境中產生了大約 10,000 個任務，其中包括透過 GUI 和 MCP 暴露相同狀態的混合環境。
在訓練的同時，我們也重建了測試框架（harness），這是一個執行模型動作並在數百個步驟中管理其上下文的循環。我們利用 OSWorld 2.0 上代理性能的回饋來改進它。代理會標記每個任務失敗的原因，工程師則會審查並修正。最大的改變是賦予代理可靠的記憶功能，使其能夠追蹤數百個步驟，並在桌面機器本身提供一個 shell。
我們的後訓練堆疊旨在適應新的基礎模型，並產生能夠跨介面和環境泛化的代理。作為 NVIDIA Nemotron 聯盟的成員，我們將最新的堆疊應用於 Nemotron 3 Nano Omni 模型，作為 Holotron 3 的後續產品。同樣的配方將 Nemotron 3 Nano Omni 轉變為 Holotron4 Nano，這是一個通用型代理模型，在 GUI 工作流程以及暴露 MCP、API 或程式碼沙盒的環境中，相較於基礎模型有顯著改進。
這些改進是相對於 Nemotron 3 Nano Omni 的絕對百分點提升。這些成果表明我們的配方具有良好的可轉移性，能將通用模型轉變為代理專家，且與模型尺寸無關。
這兩種尺寸的模型今天都已在 H Models API 上線。模型權重（weights）可在 Hugging Face 上取得，格式包括 BF16、FP8、NVFP4 和 4 位元 GGUF，與我們的小型模型 Holotron4 Nano 並列。我們將在未來幾天內發布優化的 DSpark drafter 檢查點，以進一步加速推論。
