Holo4: Ekran, kod ve araç kullanan açık ağırlıklı ajanlar

H Company, 28 Eylül’de Holo4’ü tanıttı: ekrandaki işlemleri, kodu ve araç çağrılarını birleştirerek bilgisayarda görev tamamlamayı hedefleyen bir model ailesi. Duyuruda 27 milyar parametreli yoğun model ve her belirteçte yaklaşık 3 milyar parametresi etkin olan 35 milyar parametreli uzmanlar karışımı modeli yer alıyor. İkisinin de ağırlıkları indirilebiliyor ve H Models API üzerinden erişimi var. Şirket ayrıca küçük model serisinin güncellenmiş üyesi Holotron4 Nano’yu duyurdu.

Öne çıkarılan sayı, Holo4 27B’nin OSWorld’de %85,2 puanı. Bu, H Company’nin kendi değerlendirme düzeninde bildirdiği sonuç; bizim bağımsız testimiz değil. Daha uzun ve zor iş akışlarına ilişkin rakamlar farklı bir tablo çizdiği için bu başlığı, iş yerindeki görevlerin güvenilir biçimde otomatikleşeceği vaadi olarak okumamak gerekiyor.

Tek ajan, birden çok çalışma yolu

Holo4 ekran görüntülerini inceleyip arayüzde tıklama ve yazma işlemleri yapabiliyor; kod çalıştırabiliyor, MCP ve diğer API araçlarını çağırabiliyor. H, aynı modelin masaüstünde, web’de, Android’de ve kod çalışma ortamında kullanılabildiğini söylüyor. Amaç, bir web uygulamasında başlayıp komut satırında devam eden, ardından API’si olmayan başka bir yazılımda biten görevi tek ajanla yönetebilmek. Modeli besleyen ve istediği eylemleri uygulayan harness adlı yürütme döngüsü burada belirleyici. Sonuç yalnız model ağırlıklarına bağlı değil.

27B model kartı, mimariyi yoğun Qwen3.8 olarak tanımlıyor. 35B-A3B kartı ise Qwen3.5 uzmanlar karışımı mimarisini belirtiyor. Duyuruda Qwen3.6 35B-A3B de karşılaştırma modeli olarak geçiyor; bu karşılaştırma adı, Holo4 35B-A3B’nin ince ayar için kullanılan kesin başlangıç sürümünü kanıtlamıyor. H, eğitimin denetimli ajan izleri ile pekiştirmeli öğrenmeyi birleştirdiğini, görev üretim sisteminin web, masaüstü ve MCP ortamlarında yaklaşık 10 bin görev oluşturduğunu bildiriyor. Bunlar şirketin geliştirme sürecine ilişkin açıklamaları; rastgele seçilen bir iş uygulamasının hazırlıksız çalışacağına dair kanıt değil.

OSWorld ile OSWorld 2.0 aynı sonuç değil

H, Holo4 27B için OSWorld’de %85,2 ve API ücretlerine göre görev başına tahmini 0,08 dolar bildiriyor. Aynı modelin OSWorld 2.0 sonucu ise %61,7 ortalama kısmi puan, %41,5 görev başarısı ve görev başına 1,22 dolar. Kısmi puan, tamamlanmamış görevdeki ilerlemeye de değer veriyor; başarı oranı tamamlanan görevleri sayıyor. %61,7 ile %41,5 aynı sonucun iki tahmini değil. Bu rakamların hiçbiri ilk OSWorld puanının yerine konmamalı. Holo4 35B-A3B’nin OSWorld 2.0 sonuçları %30,9 kısmi puan ve %12,3 başarı; tahmini maliyeti görev başına 0,61 dolar.

H’nin tablosunda kapalı rakip modeller de bulunuyor. Ancak dipnotlara göre rakiplerin açık sonuçları farklı yürütme düzenlerinden, çalışma yoğunluğu ayarlarından ve bazen farklı görev alt kümelerinden geliyor. Örneğin H’nin OSWorld 2.0 ölçümü tek çalıştırmaya dayanırken alıntılanan GPT-6 Astra rakamı çevrimdışı 82 görevlik alt kümeden. Bu satırlar yön gösterir; kontrollü, bire bir yarışma oluşturmaz. H, açık benchmark sonuçlarının eylem izlerini incelemeye açtığını da söylüyor; okur tek tek çalıştırmaları denetleyebilir.

AutomationBench’te eğitim ayrımını görün

AutomationBench için H, 600 açık v1.0.6 görevin tamamında Holo4 27B ile %45,4, Holo4 35B-A3B ile %34,5 bildiriyor. Şirket, bu görevlerin 480’inin eğitim verisi topladığı bir bölüme ait olduğunu açıkça belirtiyor. Kalan 120 görev eğitimden ayrı tutulmuş. Yalnız bu 120 görevde bildirilen puanlar 27B için %49,3, 35B-A3B için %31,7. Eğitim verisi toplanan bölümdeki her görev mutlaka eğitimde kullanılan örneğin aynısı değildir; buna rağmen 600 görevin tamamına ait puan, tamamen eğitimden ayrı bir test olarak sunulmamalı. H, resmî gizli küme değerlendirmesi yapıldığında o sonucu açıklayacağını söylüyor.

Duyuruda şirketin Agentic Task Factory sistemiyle oluşturulmuş web, MCP ve masaüstü testleri de var. H, bu test görevlerinin eğitimde kullanılmadığını belirtiyor. Sonuçlar arayüz çeşitliliğini gösteriyor, fakat şirketin kendi ürettiği değerlendirme ile açık benchmark farklı soruları yanıtlıyor. İkisi de tek başına okurun kurumundaki özel iş akışının başarısını kanıtlamıyor.

Demolar neyi gösteriyor?

Tanıtım sayfası profesyonel yazılımlardaki işlemlerin tekrar oynatılabilen kayıtlarını sunuyor. Bir örnekte Holo4 27B’den, FreeCAD içinde ölçüleri ayrıntılı biçimde tarif edilmiş bir Eyfel Kulesi modeli yapması isteniyor. Aynı istem ve yürütme düzeniyle Qwen temel modeliyle karşılaştırma da var. H, Holo4 örneğini 84 çağrı ve 1,3 milyon belirteç olarak etiketliyor. Başka seçilebilir örnekler 3B modelleme ve oyun tasarımına uzanıyor. Bunlar uzun, çok adımlı etkileşimi gösterir; seçilmiş bir demo temsili başarı oranı değildir. FreeCAD örneği kaynak tüketimini de görünür kılıyor: başarılı görev dahi ciddi bağlam ve zaman kullanabilir.

H, OSWorld 2.0 için yürütme döngüsünü de önemli ölçüde değiştirdiğini aktarıyor: yüzlerce adım boyunca tutarlı bellek, masaüstü makinesinde kabuk erişimi, eylem ve süre sınırlarında düzenlemeler. Bu nedenle ağırlıkları yerelde yüklemek yayımlanan sonuçları kendiliğinden üretmez. Uyumlu yürütme döngüsü, erişim kontrolü ve hatalardan dönebilen bir ortam gerekir. Bunlar bilgisayar kullanan ajanların gerçek maliyetinin parçasıdır.

Ağırlıklar, lisanslar ve fiyat

35B-A3B ağırlıkları Apache 2.0 lisanslı. 27B model kartı ise ağırlıkları CC BY-NC 4.0 olarak etiketliyor; amiral gemisi modelin ağırlıklarında ticari olmayan kullanım sınırı var. API’den erişim, ağırlıkların lisansını değiştirmiyor. H iki boyut için BF16, FP8, NVFP4 ve 4-bit GGUF sürümleri listeliyor; kartlarda azami bağlam yapılandırması 262.144 belirteç. Holotron4 Nano ayrı bir sürüm; duyurudaki kendi Nemotron temel modeline karşı kazanımları, Holo4 27B’nin puanı değil.

Barındırılan kullanım için H, 27B’de milyon belirteç başına 0,40 dolar giriş, 3 dolar çıkış; 35B-A3B’de 0,30 dolar giriş, 2 dolar çıkış listeliyor. Önbellekten giriş fiyatları sırasıyla 0,04 ve 0,03 dolar. Benchmark’teki görev başı tutarlar, H’nin çalıştırmalarındaki belirteçler ile bu API tarifesinden hesaplanıyor. Her iş akışı için sabit ücret değiller: uzun görevler, yeniden denemeler, altyapı ve insan denetimi toplamı değiştirir. Holo4 dikkate değer bir açık ağırlıklı sürüm; üretim kararı için asıl sınama, kurumun eğitimden ayrı tutulan kendi görevlerinde tamamlanma, gecikme ve toplam maliyeti birlikte ölçmektir.