9 月 28 日，法国 AI 实验室 H Company 发布了 Holo4，一套专用于“操作电脑”的开源权重智能体模型。它能看屏幕点击输入、自己写代码并运行、调用 MCP 或 API，且同一个模型在桌面、网页、Android、代码沙箱和企业 API 上的调用方式完全一致。真正需要留意的不是分数，而是许可证：成绩更好的那个版本不能商用。
发布了什么
Holo4 有两个尺寸，架构并不相同：
- Holo4-27B：270 亿参数稠密模型，基于 Qwen3.8 构建；
- Holo4-35B-A3B：350 亿总参数的 MoE 模型，基于 Qwen3.5 MoE 构建。
两者上下文上限都是 262,144 tokens。权重以 BF16、FP8、NVFP4 和 4-bit GGUF 四种格式发布，GGUF 文件可以直接拉进本地运行时。同场还发布了 Holotron4 Nano，一个基于 NVIDIA Nemotron 3 Nano Omni 的小尺寸智能体模型，仅提供 BF16 与 FP8，遵循 NVIDIA 开放模型协议。
H Company 强调的一点是接口统一：多数智能体模型只为单一交互面训练，Holo4 则按任务自动选择走 GUI 还是走代码、MCP 或 API，不需要按平台换模型。
基准成绩与单任务成本
以下均为厂商自测数据，来自 H Company 自己的 harness。
在标准桌面操作基准 OSWorld 上，Holo4-27B 拿到 85.2%、单任务成本 0.08 美元，35B-A3B 为 80.8%、0.05 美元；对照来看，同基座的 Qwen3.8-27B 是 84.3%、0.22 美元。
任务拉长到长流程场景（OSWorld 2.0）后差距立刻显现：27B 得 61.7 分、单任务 1.22 美元，MoE 版只有 30.9 分、0.61 美元。同一组对照里，Opus 5.5 为 81.8%、8.48 美元，GPT-6 Astra 为 73.5%、9.07 美元。换句话说，Holo4-27B 用不到七分之一的单任务成本，拿到了接近前沿闭源模型七到八成的表现。
在面向 API 的业务自动化基准 AutomationBench 上，27B 为 45.4%、MoE 版 34.5%；移动端 AndroidWorld 上两者分别为 85.1% 与 77.6%。
成本是这次最亮的一项：在桌面操作任务上，Holo4-27B 的单任务成本约为 0.08 美元，而同场对照的闭源前沿模型要 8 到 9 美元。H Company 同时公开了全部评测轨迹，可在 Hugging Face 上回放逐条核对。
官方也主动提示了口径问题：AutomationBench 公开集 600 个任务中有 480 个落在其训练数据划分内，在留出 120 题上 27B 版本为 49.3%；且各对比模型的任务子集、harness 与推理 effort 并不一致，目前还没有独立第三方复现。
许可证才是这次的关键
两个尺寸的授权完全不同，这构成了这次发布最现实的一个取舍：
- Holo4-27B：CC BY-NC 4.0，禁止商用，定位研究用途；
- Holo4-35B-A3B：Apache 2.0，允许商用。
问题在于，按厂商自己的数据，能直接放进付费产品的 Apache 版本，在长流程桌面任务 OSWorld 2.0 上的分数（30.9%）只有非商用版本（61.7%）的一半左右。要商用就得接受能力折损，要性能就得谈授权——这是眼下选型时绕不开的一步。
API 定价上，27B 为输入 0.40 美元、缓存 0.04 美元、输出 3.00 美元每百万 tokens；35B-A3B 为输入 0.30 美元、缓存 0.03 美元、输出 2.00 美元每百万 tokens。
模型是怎么练出来的
训练分两步。监督微调用了 1270 亿 tokens，其中约四分之三是成功的智能体轨迹，按桌面 45%、网页 14%、MCP 与 API 12%、移动端 3% 分配，其余覆盖多模态推理、GUI 定位与纯文本工具调用。
随后是长时程任务上的异步在线强化学习，分别训出一个桌面与网页专家、一个终端与 MCP/API 专家，两个 LoRA 专家按等权重合并回原模型，不再额外训练。支撑这一流程的是内部的 Agentic Task Factory——一套从文档直接生成可交互环境与可验证任务的流水线，目前已产出约 1 万个任务。
怎么看这次发布
对开发者而言，Holo4 的意义在于把“电脑操作智能体”的成本压到了一个可以随手试错的量级：GGUF 权重可本地跑，API 单任务几分钱，评测轨迹全部可查。对产品方而言，则要先把许可证这道坎算清楚再动手。
同样要保留分寸：以上所有分数来自厂商自测，跨模型的 harness 与 effort 并不统一，尚无独立复现，选型前建议用自己的真实流程跑一遍。
