‏Holo4: مدل باز ایجنت که به مدل‌های گرون نزدیک شده

شرکت H Company که یه آزمایشگاه پاریسیه، مدل Holo4 رو با وزن‌های باز (open-weight، یعنی فایل مدل رو می‌شه دانلود کرد و خودت اجرا کنی) منتشر کرده. این مدل یه ایجنته که سه جور می‌تونه روی کامپیوتر کار کنه: کلیک کردن روی رابط گرافیکی (GUI)، نوشتن و اجرای کد، و صدا زدن ابزارها از طریق API یا سرورهای MCP. به جای اینکه چند مدل جدا رو به هم وصل کنی، خود Holo4 یاد گرفته برای هر قدم راه بهتر رو انتخاب کنه.

نتایج روی OSWorld سنجیده شده؛ یعنی بنچمارکی که ایجنت باید کارهای واقعی دسکتاپ رو انجام بده، مثل باز کردن برنامه و گشتن تو فایل‌ها، اونم با نگاه کردن به صفحه نه با یه API تمیز. طبق مقایسه‌های H Company، نسخه dense با ۲۷ میلیارد پارامتر از GPT-5.5 (مدلی که اون موقع مطرح بود) جلو زده. Claude Opus و بقیه مدل‌های بسته هنوز امتیاز بالاتری دارن، ولی به گفته H Company هزینه هر تسک باهاشون حدود هفت برابر Holo4 27B درمیاد. نویسنده می‌گه پیام اصلی اینه که یه مدل باز زیر ۳۰ میلیارد پارامتر حالا خیلی نزدیک مدل‌های بزرگ رسیده.

یه نکته جالب، فاصله نسخه dense با نسخه MoE هست. MoE یا mixture-of-experts یعنی مدلی که برای هر توکن فقط بخشی از پارامترهاش فعال می‌شه. نسخه MoE کل ۳۵ میلیارد پارامتر داره ولی فقط ۳ میلیاردش فعاله، و روی OSWorld کمتر از نصف نسخه dense امتیاز گرفته. توضیح احتمالی اینه که خوندن جزئیات اسکرین‌شات، مثل متن ریز یا پیدا کردن یه دکمه بین کلی دکمه، ظرفیت فعال بیشتری می‌خواد. یعنی اگه کارت پر از اسکرین‌شاته، dense انتخاب امن‌تریه؛ اگه بیشتر ابزار و کده، MoE کمتر ضرر می‌کنه.

به نظر نویسنده بخش جالب‌تر، روش آموزشه. H Company یه «agentic task factory» ساخته؛ یعنی پایپ‌لاینی که محیط‌های تعاملی با تسک‌هایی می‌سازه که نتیجه‌شون خودکار چک می‌شه. بعضی محیط‌ها عمداً ترکیبی‌ان: یه کار رو هم با کلیک می‌شه انجام داد هم با ابزار MCP، و reinforcement learning به راهی که سریع‌تر و مطمئن‌تر جواب داده پاداش می‌ده. آموزش دو مرحله داره: fine-tuning روی حدود ۱۲۷ میلیارد توکن، بعد RL که دو expert جدا می‌سازه و آخرش با هم ادغام می‌شن.

تیم harness ایجنت رو هم (یعنی کدی که تصمیم مدل رو واقعاً اجرا می‌کنه) با بررسی خطاها دوباره ساخته و حافظه طولانی‌مدت بهتر شده، تا جایی که مدل وضعیت رو در طول صدها قدم دنبال می‌کنه. همین دستورالعمل روی چند مدل پایه هم اجرا شده: Qwen3-VL، Qwen3 30B-A3B و Nemotron 3 Nano انویدیا با اسم Holotron Nano. نویسنده معتقده این نشون می‌ده دارایی اصلی H Company خود پایپ‌لاین post-training هست.

برای اجرای محلی، نسخه bf16 حدود ۵۴ گیگابایته و روی یه GPU پرحافظه بالا میاد. اینجوری هم هزینه گرون توکن‌های تصویر حذف می‌شه هم فشار روی context window. نویسنده پیشنهاد می‌کنه برای کارهای تکراری مثل ورود داده و پر کردن فرم، فرق دقت ارزش هفت برابر هزینه رو نداره. harness خود شرکت به اسم Hi Agents هم اجازه می‌ده یه مدل بزرگ برنامه‌ریزی کنه و کارهای سنگین GUI رو بده به Holo4.

نکات کلیدی:

• Holo4 کلیک روی GUI، اجرای کد و صدا زدن ابزار MCP رو تو یه مدل جمع کرده.
• نسخه dense با ۲۷ میلیارد پارامتر روی OSWorld از GPT-5.5 بهتر بوده.
• نسخه MoE با ۳۵ میلیارد پارامتر کل و ۳ میلیارد فعال، کمتر از نصف نسخه dense امتیاز گرفته.
• Claude Opus هنوز دقیق‌تره ولی حدود هفت برابر گرون‌تره.
• آموزش شامل fine-tuning روی حدود ۱۲۷ میلیارد توکن و بعد reinforcement learning بوده.
• وزن‌ها روی Hugging Face هست و نسخه bf16 حدود ۵۴ گیگابایته.