В мире, где ИИ-агенты становятся всё более распространёнными, ключевым вызовом остаётся их способность адаптироваться к разнообразным рабочим средам. H Company представила Holo4 — новую серию моделей-агентов, которая обещает решить эту проблему, предлагая универсальный подход к взаимодействию с любыми интерфейсами. Это не просто очередная модель, а заявка на переосмысление того, как ИИ будет интегрироваться в повседневные бизнес-процессы.
Что произошло
28 сентября 2026 года H Company анонсировала Holo4, новую серию своих агентных моделей. Модели доступны в двух размерах: плотная 27B и 35B-A3B Mixture of Experts, обе через H Models API. Одновременно выпущена обновлённая версия Holotron 3 — Holotron4 Nano. Holo4 взаимодействует с программным обеспечением через любой доступный интерфейс: графические пользовательские интерфейсы (GUI), код, Model Context Protocol (MCP) и API. Модели обучены с использованием контролируемого обучения и обучения с подкреплением на обширном наборе сред и задач, включая сгенерированные их фабрикой агентных задач.
Holo4 умеет кликать и печатать на экране, писать и запускать собственный код, а также вызывать инструменты MCP или API, выбирая наиболее подходящий для задачи. В отличие от большинства агентных моделей, которые обычно ориентированы на один тип интерфейса (например, только GUI или только API), Holo4 способен комбинировать эти подходы. Модель работает на десктопах, в вебе, на Android, в песочнице кода и с бизнес-API, при этом это одна и та же модель во всех случаях. Holo4 значительно превосходит свою базовую модель Qwen и показывает конкурентные результаты на бенчмарках, таких как OSWorld 2.0, где Holo4 27B набирает 61.7% против 81.8% у Opus 5.5, а Holo4 35B-A3B достигает 30.9%, но при этом с гораздо меньшим количеством параметров и значительно меньшей стоимостью. H Company открывает все траектории своих результатов на публичных бенчмарках для воспроизведения и скачивания.
Почему это важно
Значимость Holo4 заключается в его универсальности. Большинство существующих агентных моделей страдают от ограниченности: GUI-ориентированные модели бесполезны без экрана, а модели, предпочитающие вызовы инструментов, застревают перед приложениями без API. Реальные бизнес-задачи редко бывают настолько изолированными и часто требуют комбинирования различных подходов. Holo4 решает эту проблему, предлагая единую модель, способную работать в любой среде. Это открывает новые горизонты для автоматизации сложных, многоэтапных рабочих процессов, которые ранее были недоступны для ИИ-агентов.
Кроме того, H Company значительно улучшила свой механизм выполнения действий агента, внедрив надёжную память, способную отслеживать сотни шагов, и предоставив агенту доступ к командной оболочке на десктопной машине. Это позволяет агенту лучше понимать контекст и выполнять более сложные операции. Открытость траекторий обучения и результатов бенчмарков способствует прозрачности и позволяет разработчикам и исследователям лучше понимать возможности и ограничения модели, а также воспроизводить результаты. Это важный шаг к созданию более надёжных и предсказуемых ИИ-систем.
Что это значит на практике
Для разработчиков и предпринимателей, строящих продукты с ИИ, Holo4 открывает ряд новых возможностей и меняет подходы к проектированию систем:
- Универсальная автоматизация: Теперь можно создавать агентов, которые не привязаны к конкретному типу интерфейса. Это означает, что один агент может выполнять задачи, требующие взаимодействия с десктопными приложениями, веб-сервисами, мобильными устройствами и внутренними API одновременно.
- Снижение сложности интеграции: Вместо разработки специализированных агентов для каждой среды, можно использовать Holo4 как единое решение, что упрощает архитектуру и снижает затраты на разработку и поддержку.
- Новые возможности для бизнес-процессов: Сложные бизнес-процессы, включающие ручные операции в GUI, работу с базами данных через API и выполнение скриптов, теперь могут быть полностью автоматизированы одним агентом.
- Экономия ресурсов: Несмотря на то, что Holo4 уступает топовым закрытым моделям на некоторых бенчмарках, он делает это с гораздо меньшим количеством параметров и по более низкой цене, что делает его привлекательным для компаний, стремящихся к оптимизации затрат.
- Прозрачность и воспроизводимость: Доступ к траекториям обучения позволяет глубже анализировать поведение агента, отлаживать его и улучшать производительность, а также использовать эти данные для обучения собственных моделей.