H stellt Holo4 vor, eine neue Serie von agentischen Modellen, die in der Lage sind, autonom auf einem Computer oder in Software zu agieren. Sie gibt es in zwei Größen, 27B dicht und 35B-A3B als Mixture of Experts, und beide sind über die H Models API verfügbar. Der Herausgeber veröffentlicht auch eine aktualisierte Version von Holotron 3 namens Holotron4 Nano.
Ein Modell für alle Schnittstellen
Holo4 baut auf dem vorherigen Modell von H auf und interagiert mit Software über alle verfügbaren Schnittstellen: grafische Benutzeroberflächen, Code, das MCP-Protokoll (das ein Modell mit externen Tools verbindet) und APIs. Es klickt und tippt auf einem Bildschirm, schreibt und führt eigenen Code aus oder ruft Tools über MCP oder APIs auf, je nachdem, was für die Aufgabe geeignet ist. Laut H sind die meisten agentischen Modelle nur für eine einzige Schnittstelle trainiert, sodass GUI-orientierte Modelle ohne Bildschirm hilflos sind und solche, die Tool-Aufrufe bevorzugen, vor einer API-losen Anwendung stecken bleiben.
Holo4 funktioniert auf Computern, im Web, auf Android, in einer Code-Sandbox und gegenüber professionellen APIs. Es handelt sich in jedem Fall um dasselbe Modell, auf dieselbe Weise aufgerufen, sodass kein Modellwechsel zwischen Plattformen nötig ist.
H hat Holo4 durch überwachtes Lernen und Reinforcement Learning auf einer großen Anzahl von Umgebungen und Aufgaben trainiert, von denen einige von seiner Agentic Task Factory generiert wurden. Dieses interne System erstellt interaktive Umgebungen und überprüfbare Aufgaben aus Dokumentation, z.B. Screenshots von echten Websites oder Open-Source-Software. Es hat bisher etwa 10.000 Aufgaben produziert, die Webanwendungen, MCP-Server und Desktop-Umgebungen abdecken.
Angekündigte Leistung gegenüber Spitzenmodellen
Auf OSWorld 2.0, einem Benchmark-Test, der die Computersteuerung misst, erreicht Holo4 27B 61,7 %, verglichen mit 81,8 % für Opus 5.5. Holo4 35B-A3B erreicht 30,9 %. H schätzt, dass Holo4 nur hinter den leistungsfähigsten Closed-Modellen bei langen Workflows liegt, während es laut Herausgeber « Größenordnungen » weniger Parameter verwendet und deutlich geringere Kosten verursacht.
Bei den anspruchsvollsten Tests für Desktop-Steuerung (OSWorld 2.0) und API-Nutzung (AutomationBench) behauptet H, dass Holo4 mit Spitzenmodellen konkurriert, bei deutlich geringeren Kosten pro Aufgabe. Der Herausgeber präzisiert, dass die Kosten auf Basis der Ein- und Ausgabe-Tokens jeder Ausführung geschätzt werden und dass Versionen, Umgebungen und Aufgaben-Subsets zwischen Rankings variieren. H gibt an, alle Trajektorien, die seinen Scores auf öffentlichen Benchmarks zugrunde liegen, auf trajectories.hcompany.ai einzusehen oder auf Hugging Face herunterzuladen.
In Demonstrationen im Vergleich zu Qwen3.8 27B, seinem Basismodell, wurde Holo4 27B bei 3D-Modellierung in FreeCAD, Logo-Erstellung und Entwicklung eines Pac-Man-ähnlichen Spiels in Godot bewertet. Für diese Beispiele gibt der Herausgeber die Anzahl der Aufrufe und verbrauchten Tokens jedes Modells an.
Holotron4 Nano und Verfügbarkeit
H, Mitglied der NVIDIA Nemotron Coalition, hat seine Trainingsmethode auf das Modell Nemotron 3 Nano Omni angewendet, als Nachfolger von Holotron 3. Das Ergebnis, Holotron4 Nano, wird als allgemeiner agentischer Modell präsentiert, das sich deutlich bei grafischen Workflows und in Umgebungen mit MCP, APIs oder Code-Sandboxes verbessert. Die Gewinne werden in absoluten Prozentpunkten gegenüber Nemotron 3 Nano Omni angegeben.
Beide Größen von Holo4 sind ab sofort über die H Models API verfügbar. Die Gewichte sind auf Hugging Face in den Formaten BF16, FP8, NVFP4 und GGUF in 4 Bit verfügbar, zusammen mit Holotron4 Nano. H kündigt außerdem die Veröffentlichung optimierter « Drafter »-Checkpoints von DSpark in den kommenden Tagen an, die die Inferenz beschleunigen sollen.
