‏Holo4: یه مدل باز که هم کلیک می‌کنه، هم کد می‌نویسه، هم ابزار صدا می‌زنه

شرکت پاریسی H Company مدل Holo4 رو منتشر کرده؛ یه مدل agent با وزن‌های باز (open-weight، یعنی فایل‌های مدل رو می‌شه دانلود کرد و خودت اجراش کنی). حرف اصلیش اینه که سه روش انجام کار روی کامپیوتر رو یه‌جا داره: کلیک و تایپ روی رابط گرافیکی (GUI)، نوشتن و اجرای کد، و صدا زدن ابزار از طریق MCP (یعنی پروتکلی که مدل باهاش به سرورهای ابزار وصل می‌شه) یا API. مدل تو هر قدم خودش انتخاب می‌کنه کدوم راه به‌صرفه‌تره.

تو این مقاله اومده که تا الان تیم‌ها معمولاً برای هر طرف یه مدل جدا داشتن. agentی که با اسکرین‌شات کار می‌کنه هر جایی که آدم می‌بینه کار می‌کنه، ولی کنده، با جابه‌جا شدن یه دکمه می‌شکنه و چون هر قدم یه تصویر تو context می‌ره، گرون تموم می‌شه. مدلی که ابزار صدا می‌زنه سریع و دقیقه، ولی اگه API نباشه گیر می‌کنه. راه‌حل رایج این بود که چند مدل رو زنجیر کنن؛ Holo4 می‌خواد این دست‌به‌دست کردن رو حذف کنه.

خود مدل هیچ‌وقت مستقیم کاری نمی‌کنه، فقط تصمیم می‌گیره. یه harness (یعنی کد اطراف مدل که اکشن‌ها رو واقعاً اجرا می‌کنه) کلیک رو می‌زنه، اسکریپت رو اجرا می‌کنه یا ابزار رو صدا می‌زنه و نتیجه رو برمی‌گردونه به مدل. نویسنده می‌گه به همین خاطر امتیاز بنچمارک agentها خیلی به harnessی که باهاش تست شدن بستگی داره. نسخه‌های قبلی Holo بیشتر روی function calling تکیه داشتن.

سه نسخه منتشر شده: Holo4-27B که dense هست و روی Qwen3.8-27B ساخته شده، Holo4 35B-A3B که mixture-of-experts هست (یعنی فقط بخشی از پارامترها برای هر توکن فعال می‌شه، اینجا 3 میلیارد) و روی Qwen3.6 ساخته شده، و یه نسخه‌ی Nemotron Nano. وزن‌ها روی Hugging Face هستن (مدل 27B با لایسنس CC-BY-NC-4.0) و API میزبانی‌شده هم داره. نسخه‌ی کامل bfloat16 مدل 27B حدود 54 گیگ حجم داره و کارت گرافیک جدی می‌خواد.

رو بنچمارک OSWorld نسخه‌ی 27B از مدل‌های پیشرو مثل Claude Opus عقب‌تره، ولی نه خیلی، و طبق مقاله رو بعضی معیارها از GPT-5.5 جلو می‌زنه. برگ برنده‌ش هزینه‌ست. نکته‌ی جالب اینه که مدل MoE با اینکه کل پارامترهاش بیشتره، رو بنچمارک‌های تصویری گاهی کمتر از نصف امتیاز مدل 27B رو می‌گیره. نویسنده معتقده تفسیر اسکرین‌شات به پارامترهای فعال بیشتر (27B در برابر 3B) احتیاج داره.

برای آموزش، یه «agentic task factory» ساختن؛ یعنی محیط‌هایی با تسک‌هایی که نتیجه‌شون خودکار چک می‌شه، از سایت‌های واقعی تا دسکتاپ کامل. بعضی تسک‌ها هم با GUI حل می‌شن هم با ابزار، و reinforcement learning به راهی که بهتر جواب داده پاداش می‌ده. اول fine-tune با حدود 127 میلیارد توکن انجام شده و بعد دو expert جدای RL ساخته و با هم ادغام شدن. تو دموی مقاله، همون تسک بدون MCP قدم‌به‌قدم با UI حل شد و با MCP روشن، مستقیم با یه ابزار و با قدم‌های خیلی کمتر.

نکات کلیدی:

• Holo4 کلیک روی GUI، اجرای کد و صدا زدن ابزار MCP/API رو تو یه مدل و یه حلقه‌ی agent جمع کرده
• دو مدل اصلی: Holo4-27B از نوع dense و Holo4 35B-A3B از نوع MoE با 3B پارامتر فعال
• مدل 27B رو بنچمارک‌های تصویری مثل OSWorld خیلی بهتر از مدل MoE عمل می‌کنه
• نسخه‌ی bfloat16 مدل 27B حدود 54 گیگه و با لایسنس CC-BY-NC-4.0 منتشر شده
• SDK خود شرکت به اسم H agents اجازه می‌ده یه مدل بزرگ‌تر برنامه‌ریزی کنه و کارهای صفحه‌محور رو به Holo4 بسپره