Holo4 开源：能操作桌面与网页的通用智能体模型

H Company 于 2026 年 9 月 28 日发布 Holo4 系列智能体模型，含 27B 稠密与 35B-A3B 混合专家两个尺寸，权重开放下载并提供托管 API，面向桌面、网页与移动端软件操作。

这次发布的是什么

法国 AI 实验室 H Company 于 2026 年 9 月 28 日发布 Holo4，一个面向计算机操作的智能体模型系列，包含 27B 稠密与 35B-A3B 混合专家两个尺寸。两个尺寸都可通过 H Models API 调用，权重也已开放下载。

官方对 Holo4 的定义是：能通过任意可用接口与软件交互——图形界面、代码、MCP 与 API。它会点击和键入屏幕、自己写并运行代码、调用 MCP 或 API 工具，按任务需要选其中合适的一种。官方强调同一个模型可以跑在桌面、网页、Android、代码沙箱和企业 API 上，调用方式一致，不需要为不同平台选不同模型。

同批还发布了 Holotron4 Nano，官方称这是对 Holotron 3 的更新版本，基于 NVIDIA Nemotron 3 Nano Omni 做后训练得到。

可用性与限制

• 获取方式：权重开放下载，格式为 BF16、FP8、NVFP4 与 4-bit GGUF；同时提供 H Models API。
• 上下文：官方标注两个尺寸的上下文长度均为 256K。
• 许可差异：两个尺寸的许可并不相同，官方页面对 35B-A3B 标注为 Apache 2.0，27B 则标注为研究用途；商用前请以官方仓库的许可文件为准。
• 基座来源：官方提到 27B 的基座是 Qwen3.8 27B，其余细节以官方模型卡为准。
• 计费：API 按 token 计费，具体价格与每任务成本以官网为准，本稿不抄录数字。
• 分数口径：官方公布的基准分数由官方在自己的 harness 下测得，与其他厂商自行公布的数字并非同一环境，官方自己也做了注明。
• 待发布项：官方称将在近日发布优化过的 DSpark drafter 检查点用于加速推理，当前尚未提供。

主要功能

• 点击与键入图形界面完成操作
• 自行编写并执行代码
• 调用 MCP 工具与外部 API
• 在同一模型下覆盖桌面与网页
• 支持 Android 端应用操作
• 面向企业软件的业务流程自动化

技术原理

官方把训练拆成三段，并公开了任务来源。

任务来自内部的 Agentic Task Factory。它从产品文档、真实网站截图与真实软件出发，自动生成可交互环境、任务与验证器；一个任务只有在验证器对未修改的初始状态失败、对正确状态通过、且能拒绝所有近似错误答案，并被智能体通过真实接口解决之后才会保留。官方称目前已产出约一万个任务，覆盖网页应用、MCP 服务与桌面环境，也包含同一状态同时以图形界面和 MCP 暴露的混合环境。

训练先是监督微调，官方公布用了一千余亿 token，其中约四分之三是来自上述工厂的成功智能体轨迹，按桌面、网页、MCP 与 API、移动端分配，其余覆盖多模态推理、图形界面定位与纯文本工具使用和编码。随后是长周期任务上的异步在线强化学习，训练出两个专用 LoRA 专家——一个面向桌面与网页，一个面向终端、MCP 与 API——最后以等权合并回微调后的模型，官方称合并后不再做进一步训练。

官方还提到同步重建了 harness，让智能体在数百步规模下保持可靠记忆，并把 shell 放到桌面机器本机运行。

实际体验

本稿没有部署这两个模型跑任务，不写未经执行的实测结论。下面是可以自己复现的验证顺序。

第一步，先按用途选尺寸：要放进付费产品，先读仓库的许可文件确认能否商用，两个尺寸的许可不同，这一步最容易踩。第二步，若是本地运行，选与你显存匹配的量化格式，GGUF 那几档可以直接进支持该格式的本地运行时。第三步，挑一个你已经能手工完成、且验收标准明确的桌面或网页任务，让模型从零跑一遍，记录它在第几步偏离。第四步，把官方开放的轨迹数据集拿出来对照——官方把公开基准背后的每一条轨迹都放了出来，可逐步回放，这是这次发布里少见的可以直接查的部分。

判断这类模型能不能用，关键不看总分，看它在你自己的软件环境里能不能稳定跑完完整流程。官方分数只宜用来缩小候选范围。

项目地址与获取方式

权重在 Hugging Face 上提供，两个尺寸分别对应各自的仓库，格式含 BF16、FP8、NVFP4 与 4-bit GGUF；Holotron4 Nano 以 BF16 与 FP8 提供。托管调用走 H Models API，官方另有快速上手文档。官方还公开了基准轨迹数据集，可在官方轨迹站点逐步回放，也可下载。

请通过官方仓库与官方 API 获取，避免从第三方镜像下载权重，以免拿到被篡改的版本。许可条款、上下文配置与当前可用尺寸以官方仓库为准。

适合谁用

• 在做桌面或网页流程自动化、且现有单一接口模型覆盖不全的智能体开发者。
• 想在自有环境部署计算机操作模型、不愿意把每步操作都发到第三方 API 的团队。
• 研究智能体训练方法的从业者，官方公开的任务生成流程与轨迹数据有直接参考价值。
• 需要在网页、桌面与移动端共用同一套调用方式的工程团队，这是官方强调的设计目标。
• 不必急着跟进的情况：只要一个稳定的对话或写作助手，或者没有本地推理资源——这类模型的价值在「替你操作软件」，用不上这个能力时它的复杂度是纯负担。

常见问题

27B 和 35B-A3B 该选哪个？

官方的定位是 27B 稠密模型在网页、桌面与移动端的长程多步任务上准确率更高，35B-A3B 混合专家模型速度更快、成本更低。但两个尺寸的许可不同，选择时先看许可是否允许你的用途，再看性能与成本，这个顺序不要倒过来。

可以商用吗？

请先看官方仓库中的许可文件再决定。官方页面对 35B-A3B 标注为 Apache 2.0，27B 标注为研究用途，也就是说能直接放进商业产品的很可能是后者。许可条款以仓库文件为准，不要只看发布公告的概述。

官方公布的基准分数可信吗？

官方自己注明了口径：Holo4 的分数来自官方 harness，多轮取平均，对比项来自各家的模型卡、官方榜单与厂商图表，harness 与 effort 档位并不统一，且尚无独立第三方复现。这次发布的一个可取之处是轨迹全部公开，可以逐条回放核对，比只看总分靠谱。

本地部署需要什么条件？

官方提供了 BF16、FP8、NVFP4 与 4-bit GGUF 多种格式，量化档位可以直接进支持 GGUF 的本地运行时。但官方标注的 256K 上下文是配置上限，不是某台具体机器的实测要求，实际能跑多长取决于你的硬件与并发。显存与吞吐请以自己的环境实测为准。

和通用大模型相比差别在哪？

差别在训练目标。通用模型主要优化「说得好」，Holo4 这类模型优化的是「把软件操作做完」，训练数据本身就是大量带验证器的真实软件任务。如果你的需求是写文案或做分析，通用模型更合适；如果是让模型替你点完一整套流程，这类模型才对得上。

相关工具与内容

想搭自己的智能体流程，站内 AI智能体 分类下收录了 扣子、Dify 与 n8n 等可编排方案。编码与终端类场景可以看 AI编程 里的 Claude Code、Cursor 与 CodeBuddy；WorkBuddy 也归在同类。选型时怎么在功能与成本之间取舍，2026 年第四季度 AI 工具怎么选 里有更完整的对照。