Французская H представила модели Holo 4 для компьютерного управления: они должны работать не только с командной строкой и API, но и с обычными графическими интерфейсами — кнопками, полями ввода, прокруткой и окнами. Для разработчиков и бизнеса это важная деталь: многие корпоративные процессы до сих пор живут в приложениях, где нет удобного API, зато есть форма, чекбокс и кнопка «Сохранить».
О релизе сообщает The Register. В семейство вошли модели, дообученные для задач computer use: они опираются на базовые модели Alibaba Qwen 3.8 27B и Qwen 3.6 35B-A3B. H также обновила Holotron — модель на базе Nvidia Nemotron 3 — добавив ей похожие возможности для работы с интерфейсами.
Идея H проста: ИИ-агенту мало хорошо отвечать в чате. Если он должен выполнить реальную задачу на компьютере, ему нужно понимать экран, выбирать элементы интерфейса, печатать текст, запускать команды и при необходимости обращаться к API. С CLI и API у моделей обычно меньше проблем: там структура формальнее, данные проще читать, а действия легче описать. GUI сложнее: интерфейсы часто проектируют для людей, а не для машин, и далеко не всегда «красивая кнопка» означает предсказуемую семантику.
H продвигает модели Holo 4 как более универсальный вариант: они обучались на сочетании задач для CLI, API и GUI. Компания использовала supervised fine-tuning и reinforcement learning, чтобы модель не просто рассуждала о действии, а выполняла последовательность шагов: найти нужное место на экране, кликнуть, прокрутить, ввести данные, проверить результат.
В одном из демонстрационных сценариев Holo 4 27B работала с FreeCAD. Вместо того чтобы собирать модель Эйфелевой башни вручную из примитивов, агент использовал макросы FreeCAD и программно построил 3D-объект. В другом примере модель пошла обратным путем: создала логотип H через набор вытянутых геометрических форм. Это хороший тест именно на гибкость: агент должен понимать, когда удобнее писать код или макрос, а когда проще манипулировать объектами через интерфейс.
Бенчмарки производителя, как обычно, лучше читать без религиозного восторга. H утверждает, что ее сравнительно компактные модели обходят более крупные frontier-модели в ряде задач компьютерного управления, включая OSWorld 2.0. Но есть нюанс: лучший результат не всегда означает меньшую стоимость задачи. По данным из материала, Holo 4 в некоторых сценариях тратит больше вычислений из-за большого числа «thinking tokens» — промежуточных токенов рассуждения перед финальным действием.
Зато размер играет на руку тем, кто хочет запускать такие модели локально или в собственной инфраструктуре. H публикует веса в BF16, FP8 и NVFP4, а также GGUF-версию, совместимую с Llama.cpp, LM Studio и Ollama. Для энтузиастов и исследовательских команд это снижает порог входа: модель класса 27B при 4-битной квантизации теоретически можно запустить на видеокарте уровня Nvidia RTX 3090 с 24 ГБ памяти. Это не «поставил на ноутбук и забыл», но уже не только территория гиперскейлеров.
Компания также обещает выпустить draft-веса DSpark для ускорения инференса через speculative decoding. Суть подхода: небольшая модель заранее предлагает продолжение, большая проверяет и принимает его, если прогноз оказался хорошим. При удачном сценарии генерация ускоряется, при неудачном система возвращается к базовой модели без потери качества ответа. Для GUI-агентов это может быть особенно важно: пользователь не хочет ждать полминуты между каждым кликом.
Отдельный слой — агентная обвязка. Сама модель не заменяет среду выполнения: нужен harness, который умеет получать состояние экрана, передавать его модели и выполнять действия в ОС или приложении. H развивает собственный open source-инструментарий HAI-Agents, но заявляет, что модели должны работать и с внешними фреймворками для computer use.
Рынок явно движется в ту же сторону. AWS уже показывала собственные computer-use модели, а OpenAI, Google и Anthropic вкладываются в агентов, которые могут действовать за пределами диалогового окна. Причина прозаичная: большая часть офисной автоматизации упирается не в отсутствие «интеллекта», а в старые интерфейсы, внутренние панели, ERP, CRM и веб-приложения, где интеграция через API либо дорогая, либо недоступна.
Для разработчиков это означает новый класс задач: тестирование GUI-агентов, контроль прав доступа, песочницы, запись действий, аудит и защита от неожиданных кликов. Для бизнеса — шанс автоматизировать процессы, которые раньше требовали RPA-скриптов или ручной работы операторов. Но чем лучше агент умеет нажимать кнопки, тем строже придется отвечать на вопрос, кто разрешил ему нажать именно эту кнопку и почему система решила, что действие безопасно. Подробности релиза приводит .
