H Company 在 9 月 28 日放出 Holo4，一组”计算机操作智能体”（computer-use agent）模型，权重直接开源到 Hugging Face。最抓人的数字是：27B 的密集版在桌面操作评测 OSWorld 上拿到 85.2%，跑分压过 GPT-5.5 的 78.7%，单任务成本只有 0.08 美元。
但这份公告里藏着一个大部分人不会注意到的分歧：分数最好那版的权重标着非商用许可，能商用的那版在长流程任务上只有它一半的水平。
事实梳理：Holo4 发了什么
Holo4 一次放出一个家族，不是单个模型：
- Holo4-27B：密集（dense）模型，基于 Qwen3.8-27B 架构改造，视觉语言模型，上下文 262,144 token（官方对外说 256K）。
- Holo4-35B-A3B：混合专家（MoE）模型，总参数 35B，每步只激活约 3B。
- Holotron4 Nano：30B-A3B，基于英伟达 Nemotron 3 Nano Omni 训练，属于 NVIDIA Nemotron Coalition 的合作产出。
和大多数”只会点屏幕”或者”只会调接口”的智能体不同，Holo4 主打一个模型横跨所有界面：看截图点击打字、自己写代码并运行、调 MCP 服务器和 REST 接口。同一套模型跑在桌面、网页、安卓、代码沙箱和业务接口上，不用按平台换模型。
权重以 BF16、FP8、NVFP4 和 4-bit GGUF 四种格式发布，可以用 Transformers、vLLM、SGLang 或 Docker 起服务，本地机器也能挂 llama.cpp；同时提供托管接口，地址在 hub.hcompany.ai。
跑分要看两个榜：OSWorld 和 OSWorld 2.0 不是一回事
官方给的表格里有两组容易看混的数字，得分开读。
短任务（OSWorld，考”能不能点对地方”）：
- Holo4-27B：85.2%，单任务 0.08 美元
- Holo4-35B-A3B：80.8%，单任务 0.05 美元
- 底座 Qwen3.8-27B：84.3%，单任务 0.22 美元
- 同榜对照：Qwen3.8 Max 86.1%、Fable 5 86.0%、GPT-5.5 78.7%
长流程（OSWorld 2.0，考”一串步骤能不能走完”）：
- Holo4-27B：61.7% 部分分，单任务 1.22 美元（严格成功率 41.5%）
- Holo4-35B-A3B：30.9%，单任务 0.61 美元
- Opus 5.5：81.8%，单任务 8.48 美元
- GPT-6 Astra：73.5%，单任务 9.07 美元
- Qwen3.8-27B：48.0%，单任务 3.49 美元
这里有个必须说清的坑：OSWorld 2.0 只有 108 个长任务，官方说明其中位任务让熟练的人手工做要约 1.6 小时，而且这个榜单同时记录”部分分”和”严格完成”。61.7% 是部分分，不等于六成任务跑通——严格完成率是 41.5%，差了整整 20 个百分点。把它当”完成度”读会严重高估。
另外还有几个榜单：AndroidWorld 分别 85.1% 和 77.6%；AutomationBench v1.0.6 是 45.4% 和 34.5%；Agents’ Last Exam 的 Linux 分卷（ALE-CLI，105 题）是 44.1% 和 30.9%。在公司内部用 Agentic Task Factory 生成、没进过训练的题目上，27B 在网页任务上 80.2%、MCP 任务 89.4%、桌面任务 72.0%。
还有一个口径问题：AutomationBench 公开集 600 道题里有 480 道落在它收集训练数据的范围内，真正留出的 120 道题上，27B 是 49.3%、MoE 版是 31.7%。公开集分数和留出集分数不是一回事。
同时，官方自己标注了对照口径的差异：Holo4 的分数跑在自家 harness 上（部分榜单为单次运行），而 Opus 5.5、GPT-6 Astra 这些对照点是各厂商模型卡、官方榜单和图表上的数字，测试环境与 effort 档位都不同。
开源是真的，但许可要看清
这是这篇文章我最想说的一点。
Holo4 被宣传成”开放权重”。翻模型卡会看到更具体的说法：
- Holo4-35B-A3B 是 Apache 2.0，可以放进产品里商用。
- Holo4-27B 是 CC BY-NC 4.0，也就是非商用许可，只能用于研究。
问题在于，27B 才是分数好的那版：长流程 61.7% 对 30.9%，是 MoE 版的两倍。如果你要做一个商用产品，你能合法用的那版，水平只有一半。公告本身没有把这个分歧说得很重。
接口定价也是按这个分的：35B-A3B 是每百万输入 0.30 美元、缓存 0.03 美元、输出 2.00 美元；27B 是输入 0.40 美元、缓存 0.04 美元、输出 3.00 美元——27B 在官方口径里标着 research-only。
所以选型时的动作很简单：看具体那个仓库的 LICENSE 文件，而不是看”某家族是开源的”这个说法。
它是怎么练出来的
官方披露的训练流程里有几个值得记的点：
- 监督微调用了 127B token，其中约四分之三是成功的智能体轨迹，按环境分：桌面 45%、网页 14%、MCP 与接口 12%、移动端 3%，剩下的是多模态推理、界面定位和纯文本的工具调用与写代码。
- 之后做长任务的异步在线强化学习，训出两个专项 LoRA 专家（一个管桌面和网页，一个管终端、MCP 与接口），再等权合并回去，合并后不再训练。
- 训练数据来自内部的 Agentic Task Factory，官方说目前生成约一万道任务：网页应用约 4000 道、MCP 服务器与桌面环境各约 3000 道，还包括”同一状态既能点界面又能调接口”的混合环境。
- harness 也重做过：支持跨几百步的持久记忆，以及直接在桌面机上开 shell。
还有一点挺实在：它把公开榜单上的每一条轨迹都放出来了，可以在线回放，也能从 Hugging Face 下数据集。这比只发一个分数强——你可以自己看它在哪一步开始跑偏。
上手：先本地跑还是先调接口
想动手的话，顺序建议这样：
- 先确认你要哪一版。 只是研究、内部工具、自己玩玩，选 27B（分数高）；要做产品，从 35B-A3B 起步（Apache 2.0）。
- 拉权重，选一个推理后端。 BF16 或 FP8 走 vLLM / SGLang；显存紧就上 4-bit GGUF + llama.cpp；只想快速验证就先别装环境，直接用托管接口。
- 接上外层 harness。 模型本身只输出”点哪里、敲什么、调哪个工具”，真正执行的是外层 harness（官方用的是 hai-agents）。自己搭也可以，但这部分直接决定长任务的稳定性。
- 按你的真实任务建一小组测试题。 别只看公开榜。挑十个你日常真在做的流程，比如跨系统录单、对账、工单分派，记录成功率、平均步数和单任务成本，再和闭源模型比。
- 算”每件完成的活”的成本，不是每百万 token 的价格。 长任务的 token 消耗会成倍放大：官方在搭一个吃豆人小游戏的任务上用了 240 万 token，底座 Qwen3.8-27B 在同一任务上是 1140 万 token。这类差异会直接决定账单。
如果你还在挑”用哪个智能体干活”，可以先看 AI 智能体与自动化专题页 和 AI 工具评测专题页 里已经整理过的工具与场景，再决定要不要自建。
优缺点
优点：
- 一个模型同时吃下界面、代码、MCP 和接口四类操作，混合型流程不用再串两个模型
- 27B 在短任务榜单上确实是一线水平，成本极低（单任务 0.08 美元）
- 权重真放出来了，四种量化格式齐全，本地可跑
- 公开榜单的轨迹全部公开可回放，这在开源模型里很少见
- 有 Apache 2.0 的商用版本，不是只有一个”研究专用”的摆设
缺点：
- 分数最好的 27B 是非商用许可，商用只能用分数腰斩的 MoE 版
- 长流程能力和顶级闭源模型差距明显（61.7% 对 81.8%）
- 部分分与严格完成率容易混淆，宣传口径偏乐观
- 公开集与留出集分数差异不小，部分榜单存在训练数据重叠
- 长任务成本优势会被 token 消耗吃掉一部分，而且对照组跑的是自家 harness
- 本地部署对硬件仍有要求，官方没给自托管硬件指引
适合谁用、谁先别急
适合： 有自己服务器、要自动化桌面软件的内部工具团队，比如订单录入、工单分派、跨老系统对账；预算敏感、愿意用工程投入换模型成本的小团队；做智能体研究、需要可回放轨迹的人。
先别急： 要商用又要最高分的人（许可不满足）；一步错就出大事故的流程（41.5% 的严格完成率还撑不起）；想”装上就自动干活”的人（harness 和执行层仍要自己搭）。
替代方案
- 等闭源模型降价。 长流程这条线上 Opus 5.5 仍是 81.8%，如果本地跑不动、许可又卡着，按量付费反而更划算，参考我们此前记录的 同日降价那一轮。
- 走”沙盒基础设施”路线。 如果难点在”让智能体安全地乱试”，DeepSeek 那套一天造三百万个沙盒的 DSec 平台思路 更值得抄。
- 用能力强但会越界的模型时，先把边界定好。 上个月 OpenAI 自家智能体靠 DNS 溜出沙盒那件事就是提醒，那次的处置时间线 值得读一遍。
- 纯编程场景不必上计算机操作模型。 只写代码、跑命令的话，中端编程模型已经够用且更便宜，见 Claude Sonnet 5.5 的成本口径。
老达点评
第一，这次真正值钱的不是分数，是”一个模型横跨界面”。 现在多数智能体模型只擅长一种入口：只会看屏幕的，在没有界面的地方寸步难行；只会调工具的，碰上没有接口的老系统就卡死。真实业务恰恰是两头混着的。Holo4 把这件事做进同一个模型里，方向是对的。
第二，开源公告要配着模型卡读。 “开放权重”不等于”你能拿去商用”。这次分数最好的那版是非商用许可，能商用的那版只有一半水平，公告不会主动把这个矛盾摆进标题。国内团队如果打算基于它做产品，第一件事是点开对应仓库的 LICENSE，而不是看新闻稿。
第三，便宜要按”每件完成的活”算。 短任务上 0.08 美元确实便宜得离谱，但长流程上 1.22 美元对 Opus 5.5 的 8.48 美元，换来的是 20 个百分点的能力差距。这笔账划不划算，取决于你的任务错了能不能重来——能重来的活，便宜就有意义。
第四，部分分这个坑，值得所有看跑分的人记住。 61.7% 和 41.5% 是同一次运行的两个口径。厂商选对自己有利的那个讲，是常规操作；读的人自己分清楚，才是本事。
一句话总结：Holo4 把”计算机操作智能体”往正确方向推了一步，但现阶段它更像”预算有限、能容忍失败率的内部自动化”的选择，而不是”替代顶级闭源模型”的答案。
