Holo4: powering generalist computer-use agents
H company released Holo4, a family of open-weight agentic models for computer use across GUIs, code, MCP and APIs: Holo4-27B (dense), Holo4-35B-A3B (MoE) and Holotron4 Nano (30B-A3B). Holo4-27B scores 61.7% on OSWorld 2.0.
Marked important, but published more than 30 days ago, so it moved down to this band.
On this page11 sections
The full write-up and the editors' notes are in Chinese; the summary above is from the original announcement.
Record
The signal
#电脑操作智能体（computer-use agent）一直是前沿闭源模型的地盘。Holo4 是这条线上第一份分数离前沿不远、权重又公开的答卷——但「开源」两个字在这里要拆开读。
发布了什么
法国 H 公司（H company）9 月 28 日发布 Holo4 系列，权重 9 月 24 日起陆续上传到 Hugging Face，提供 BF16、FP8、NVFP4 和 4-bit GGUF 几种格式，也可以走 H 自己的 Models API。
- Holo4-27B：270 亿参数的稠密模型。
- Holo4-35B-A3B：混合专家（MoE）模型，总参数 350 亿、每个 token 激活约 30 亿。
- Holotron4 Nano：30B-A3B，基于 NVIDIA 的 Nemotron 3 Nano Omni 继续训练。
它们面向的不只是点屏幕：同一个模型要在图形界面、代码、MCP 服务器和 API 之间切换着完成任务。
分数：27B 接近上一代前沿
OSWorld 2.0（在真实桌面系统里完成任务的基准）上，H 公布的对比是：
- Opus 5.5：81.8%
- Opus 5：70.2%
- GPT-5.6 Sol：66.2%
- Holo4-27B：61.7%
- Holo4-35B-A3B：30.9%
一个 27B、可以自己部署的模型，离 GPT-5.6 Sol 只差 4.5 个点，离当前最强的 Opus 5.5 还差 20 个点。这些数字全部来自厂商自己的博客，没有第三方复现。
开源要拆开读：强的不能商用
Hugging Face 上的许可证标签（2026-09-30 核对）：
- Holo4-27B 全部格式：CC BY-NC 4.0——非商业许可。
- Holo4-35B-A3B 全部格式：Apache 2.0——可以商用。
- Holotron4：other——自定义许可，另需阅读。
于是这份发布里，能拿去做产品的那个模型，OSWorld 分数只有另一个的一半（30.9% 对 61.7%）。想在商业场景里用 61.7% 那档能力，要么接 H 的 API，要么另谈授权。这不是瑕疵，是商业模式——但把「开源电脑操作模型追到前沿附近」当成结论之前，先看清楚你能用哪一个。
怎么训出来的
- Agentic Task Factory 生成了约 1 万个任务，覆盖网页应用、MCP 服务器、桌面环境和混合环境。
- 监督微调用了 1270 亿 token；之后分别训了两个强化学习专家模型，再合并成一个。
- 配套的 harness 负责在数百步里可靠地记住进度，桌面环境里还能直接用 shell。
边界
作者自己写明，在最长的那类工作流上仍有差距；训练成本和单任务成本的具体数字没有公开（文中只有相对位置的图表）。Holotron4 Nano 相对 Nemotron 3 Nano Omni 的提升只给了「绝对百分点」的说法，没有列具体数。
Why now
Why it matters
#电脑操作智能体第一次有了分数离前沿不远、又能自己部署的开放权重选项：27B 在 OSWorld 2.0 上离 GPT-5.6 Sol 只差 4.5 个点。它同时是一次许可证的提醒——分数高的那个不能商用，能商用的那个分数只有一半。选型时要先看清自己能用的是哪一个。
Background
Technical context
#Holo4 系列包含稠密的 Holo4-27B、MoE 的 Holo4-35B-A3B（总参数 35B、激活约 3B），以及基于 Nemotron 3 Nano Omni 的 Holotron4 Nano（30B-A3B）。模型面向图形界面、代码、MCP 与 API 多种接口，配套 harness 在数百步中跟踪进度并支持桌面 shell。训练数据来自 Agentic Task Factory 生成的约 1 万个任务，监督微调 1270 亿 token，之后两个强化学习专家模型合并为一。权重提供 BF16、FP8、NVFP4 与 4-bit GGUF；许可证分别为 CC BY-NC 4.0（27B）、Apache 2.0（35B-A3B）与自定义（Holotron4）。
Audience
Who should care
#Next
Learning path
#- 先读「开源要拆开读」一节，把三个模型的许可证和分数并排写下来，再决定哪个进入候选
- 用《混合专家模型（MoE）架构》理解为什么 35B-A3B 推理便宜、却在 OSWorld 上只有 27B 的一半
- 对照 GPT-6 Astra 那条信号，把闭源 API 与自有部署在成本、数据外发和分数上的差距列成一张表
- 在自己的一小组桌面任务上复测，而不是直接采信厂商的 OSWorld 数字
Network
Where it sits in the network
#How this signal connects to neighbouring technologies, skills and background knowledge. Follow any link to keep exploring.
Further thought
Follow-up questions
#- 你的场景能接受 CC BY-NC 吗？如果不能，30.9% 的 35B-A3B 够不够用，还是只能走 API？
- 在你自己的十个桌面任务上，Holo4-27B 和你现在用的闭源模型差多少？
- 屏幕截图不出内网，这件事对你的价值有多大，值不值得付那 20 个点的分数差？
- Holotron4 的自定义许可具体限制了什么？
Publication record
Featured in
#The briefings that carried this signal, newest first; the last row is the weekly review of its week. The tag is the section it ran in.
技术简报 - 2026-10-01
Immediate attentionWeekly review · Sep 28 – Oct 4
Worth tracking
Sources