«Одна модель на все интерфейсы»: H Company выпустила Holo4 — агента, который кликает, пишет код и вызывает MCP

Что выпустила H Company

28 сентября 2026 года H Company представила Holo4 — новую серию агентных моделей, которая выходит сразу в двух размерах: 27B dense и 35B-A3B Mixture of Experts. Обе доступны в день анонса через H Models API, а веса опубликованы на Hugging Face в форматах BF16, FP8, NVFP4 и 4-битном GGUF.

Вместе с флагманской парой вышло обновление Holotron 3 — Holotron4 Nano. Эту модель получили, применив тот же пост-тренировочный стек к Nemotron 3 Nano Omni: H Company входит в NVIDIA Nemotron Coalition, а Holotron4 Nano задумана как продолжение линии Holotron.

Парижская лаборатория описывает себя как исследовательскую организацию и агентную платформу, которая работает с любой системой и интерфейсом без перестройки стека заказчика. Главное обещание новой серии сформулировано коротко: Holo4 взаимодействует с софтом через любой доступный интерфейс — GUI, код, MCP и API.

Одна модель вместо выбора под каждую платформу

Holo4 кликает и печатает на экране, пишет и запускает собственный код, вызывает инструменты MCP или API — и сам выбирает способ, подходящий конкретной задаче.

Разработчики объясняют такой подход устройством рынка: большинство агентных моделей обучены под единственный интерфейс, поэтому модели, заточенные под GUI, слепы без экрана, а модели, предпочитающие вызов инструментов, оказываются беспомощны перед приложением без API. По логике H Company, реальная работа не разделена по интерфейсам, и одна бизнес-задача может требовать их сочетания.

На практике это значит, что одна и та же модель запускается на десктопе, в вебе, на Android, в песочнице для кода и против бизнес-API, причём вызывается везде одинаково — отдельная модель под каждую платформу не нужна.

Что показывают замеры

На академических бенчмарках Holo4 заметно улучшает базовые модели Qwen, от которых отталкивались разработчики. На OSWorld, где агент выполняет задачи в операционной системе, Holo4 27B набирает 85,2% при $0,08 за задачу, а 35B-A3B — 80,8% при $0,05; Qwen3.8 27B в том же харнессе даёт 84,3% при $0,22.

Более строгий тест — длинные сценарии OSWorld 2.0, где считается средний частичный балл. Здесь Holo4 27B получает 61,7% при $1,22 за задачу, 35B-A3B — 30,9% при $0,61, а Qwen3.8 27B — 48,0% при $3,49. Для сравнения: Opus 5.5 в этом же бенчмарке показывает 81,8% при $8,48, GPT-6 Astra — 73,5% при $9,07, Muse Spark 1.3 — 66,9%.

Похожая картина на ALE-CLI — 105-задачном Linux-сплите Agents' Last Exam, где считаются средний балл и доля полностью пройденных задач: 44,1% и 19,4% у Holo4 27B против 43,5% и 19,0% у Qwen3.8 27B, тогда как Opus 5.5 показывает 63,7%, GPT-6 Astra — 61,4%, Muse Spark 1.3 — 57,5%. В бизнес-автоматизации на AutomationBench у Holo4 27B 45,4% при $0,05 за задачу против 40,3% при $0,09 у Qwen3.8 27B.

На мобильных приложениях AndroidWorld у Holo4 27B 85,1% при $0,08 против 81,9% при $0,13 у Qwen3.8 27B, а на внутренних наборах Agentic Task Factory, которые в обучении не участвовали, разрыв шире: 89,4% против 74,2% на 14 MCP-серверах инструментов и 72,0% против 68,9% на 17 десктопных приложениях.

Собственные оценки H Company показывают и обратную сторону: на самой сложной части OSWorld 2.0 модель на 27B отстаёт от Opus 5.5 примерно на 20 процентных пунктов, но обходится почти в семь раз дешевле за задачу — $1,22 против $8,48.

Как обучали Holo4

Обучение началось с supervised fine-tuning на 127 млрд токенов. Примерно три четверти корпуса — успешные агентные траектории из собственной фабрики задач Agentic Task Factory: 45% десктоп, 14% веб, 12% MCP и API, 3% мобильные приложения; остальное закрывают мультимодальные рассуждения, GUI grounding, текстовое использование инструментов и код.

Дальше идёт асинхронное онлайн-обучение с подкреплением на длинных задачах, которое тренирует двух специализированных LoRA-экспертов: один отвечает за десктоп и веб, второй — за терминал, MCP и API. Затем оба эксперта сливаются обратно в дообученную модель с равным весом и без дополнительного обучения, чтобы соединить общие навыки со специализациями.

Отдельная часть работы — сама Agentic Task Factory: набор внутренних пайплайнов, который строит интерактивные среды и проверяемые задачи из одной документации, будь то продуктовые руководства, скриншоты реальных сайтов или открытый софт. К настоящему моменту фабрика собрала около 10 000 задач: порядка 4 000 по веб-приложениям, 3 000 по MCP-серверам и 3 000 по десктопу и операционным системам.

Задача попадает в набор только после прохождения гейтов: верификатор обязан упасть на нетронутом seed, пройти на эталонном состоянии и отвергнуть каждое близкое, но неверное решение, а агент должен решить задачу через реальный интерфейс. Исполняется всё в Docker-образе, где человек подключается через noVNC, а агент — через CDP или MCP.

Параллельно H Company перестроила харнесс — цикл, который выполняет действия модели и управляет её контекстом на протяжении сотен шагов. Крупнейшими изменениями разработчики называют надёжную память, способную отслеживать сотни шагов, и shell прямо на десктопной машине агента; лимиты выросли с 200 до 300 шагов (с 2 до 4 часов), а затем до 500 шагов и 6 часов.

Доступ, лицензии и цены

Обе модели доступны сегодня через H Models API. На Hugging Face выложены веса в BF16, FP8, NVFP4 и 4-битном GGUF, рядом с ними — маленькая Holotron4 Nano, а оптимизированные драфтер-чекпоинты DSpark обещаны в ближайшие дни.

Лицензии у моделей разные. Флагманская Holo4-27B — плотная модель на 27B параметров с архитектурой Qwen3.8 dense, максимальным контекстом 262 144 токена и лицензией cc-by-nc-4.0, не допускающей коммерческого использования; в самом H Models API она помечена как Research only. Быстрая Holo4-35B-A3B собрана на архитектуре Qwen3.5 MoE, активирует 3 млрд параметров из 35 млрд и распространяется под Apache 2.0.

В H Models API версии оцениваются по-разному: Holo4-35B-A3B стоит $0,30 за миллион входных токенов, $0,03 за кэшированные и $2,00 за выходные, а Holo4-27B — $0,40, $0,04 и $3,00 соответственно. Holotron4 Nano, собранная на архитектуре NemotronH Nano Omni, выходит под nvidia-open-model-agreement.

Отдельно компания выложила в открытый доступ все траектории, стоящие за её оценками на публичных бенчмарках: каждый шаг прогона можно переиграть на trajectories.hcompany.ai или скачать с Hugging Face. Это позволяет проверять заявленные результаты не по итоговой цифре, а по последовательности действий агента.

Что остаётся непроверенным

Цифры Holo4 измерены в собственном харнессе компании — как среднее по двум–четырём прогонам, а на OSWorld 2.0 и ALE-CLI — по одному. Оценки передовых моделей H Company сама не прогоняла: они взяты из model cards, официальных лидербордов и графиков провайдеров, при разных наборах задач, харнессах и уровнях усилия.

Публикация на AutomationBench тоже требует оговорки: пока Holo4 не оценена на официальном приватном наборе, компания приводит счёт по 600 публичным задачам версии v1.0.6, из которых 480 входят в тренировочный сплит, а отложенными остаются только 120. Именно на них разрыв скромнее — 49,3% у Holo4 27B и 31,7% у 35B-A3B против 40,3% у Qwen3.8 27B.

В ALE-CLI из 105 задач исключены попытки, где на тестовой машине оставались эталонные ответы: 2 из 105 у модели 27B и одна у 35B-A3B. Главное ограничение признают и сами авторы — длинные рабочие процессы: 61,7% против 81,8% у Opus 5.5 на OSWorld 2.0 означают, что разрыв с сильнейшими закрытыми моделями на самых сложных сценариях сохраняется. Компенсацией H Company считает стоимость: тот же результат достигается при на порядки меньшем числе параметров и заметно меньшей цене за задачу.