Holo4: un agente generalista para flujos de trabajo en escritorio, web y móvil

H Company lanzó Holo4 el 28 de septiembre de 2026, presentando una nueva serie de modelos agénticos diseñados para operar en entornos de escritorio, web y móviles. La versión incluye dos tamaños principales de modelo: una variante densa de 27B y una variante Mixture of Experts de 35B-A3B, ambas disponibles a través de la API de H Models.

Qué ha ocurrido

El lanzamiento marca un cambio hacia agentes informáticos generalistas que no se limitan a una única interfaz. Mientras que muchos modelos agénticos existentes están entrenados exclusivamente para interfaces gráficas de usuario o estrictamente para llamadas a herramientas mediante APIs, Holo4 está diseñado para alternar entre estos modos según sea necesario. Puede hacer clic y escribir en una pantalla, escribir y ejecutar código, y llamar a herramientas del Model Context Protocol (MCP) o APIs dentro del mismo flujo de trabajo. Esta flexibilidad le permite gestionar tareas empresariales que requieren combinar diferentes métodos de interacción, como navegar por una aplicación de escritorio heredada mientras simultáneamente consulta una API web moderna.

Junto con los modelos principales Holo4, H Company lanzó Holotron4 Nano, una versión actualizada de su stack de post-entrenamiento aplicada al modelo Nemotron 3 Nano Omni. Este modelo más pequeño demuestra que la receta de entrenamiento utilizada para Holo4 puede transferirse eficazmente a otros modelos base, mejorando significativamente su rendimiento en flujos de trabajo de GUI y sandboxes de codificación. La empresa también ha publicado en código abierto cada trayectoria detrás de sus puntuaciones de benchmark, permitiendo a los desarrolladores reproducir cada paso del proceso de toma de decisiones del agente.

Cómo funciona

Holo4 fue entrenado utilizando una combinación de ajuste fino supervisado y aprendizaje por refuerzo sobre un vasto conjunto de datos generado por la Agentic Task Factory interna de H Company. Esta fábrica construye automáticamente entornos interactivos y tareas verificables a partir de documentación, capturas de pantalla y software real. Ha producido aproximadamente 10.000 tareas que cubren aplicaciones web, servidores MCP y entornos de escritorio. El proceso de entrenamiento garantiza que las tareas solo se conserven si superan estrictas puertas de verificación, incluyendo fallar en semillas intocadas y pasar en estados dorados.

La tubería de entrenamiento implica tres etapas clave. Primero, el modelo pasa por un ajuste fino supervisado sobre 127 mil millones de tokens, donde alrededor del 75% consiste en trayectorias agénticas exitosas desde la task factory. Segundo, se entrenan dos expertos LoRA especializados utilizando aprendizaje por refuerzo online asíncrono en tareas de horizonte largo: un experto se enfoca en interacciones de escritorio y web, mientras que el otro maneja el uso de terminal, MCP y API. Finalmente, estos expertos se fusionan de nuevo en el modelo ajustado finamente con igual peso, creando un único modelo que combina habilidades generales con capacidades especializadas.

Detalles clave

• Holo4 27B logra una puntuación del 85,2% en OSWorld con un coste de $0,08 por tarea.
• El modelo Mixture of Experts 35B-A3B obtiene una puntuación del 80,8% en OSWorld por $0,05 por tarea.
• En OSWorld 2.0, que prueba flujos de trabajo informáticos largos, Holo4 27B puntúa un 61,7% con una tasa de éxito del 41,5%.
• El modelo admite una ventana de contexto de 256K tokens de entrada y 1M tokens de salida.
• Los pesos están disponibles en Hugging Face en formatos BF16, FP8, NVFP4 y GGUF de 4 bits.
• Holotron4 Nano mejora la puntuación CUA GUI de OSWorld de Nemotron 3 Nano Omni del 21,0% al 76,3%.

Por qué es importante

Para los ingenieros que construyen automatización impulsada por IA, la capacidad de interactuar con cualquier interfaz es crítica. Los flujos de trabajo empresariales del mundo real rara vez están aislados solo en APIs o solo en GUIs. Una tarea podría requerir extraer datos de un visor de PDF, introducirlos en un formulario web y luego activar un proceso backend mediante una API. El enfoque generalista de Holo4 significa que los desarrolladores no necesitan mantener modelos separados ni lógica de enrutamiento compleja para diferentes plataformas. Esto simplifica la arquitectura de los sistemas agénticos y reduce la fricción de integrar IA en sistemas heredados que carecen de APIs robustas.

La eficiencia en costes es otro factor significativo. Holo4 compite con modelos cerrados de frontera en muchos benchmarks pero a una fracción del coste. Por ejemplo, aunque Opus 5.5 obtiene una puntuación más alta en OSWorld 2.0, cuesta $8,48 por tarea en comparación con los $1,22 de Holo4 27B. Esta diferencia de costes hace factible realizar evaluaciones más extensas y desplegar agentes en entornos de producción donde las restricciones de margen son ajustadas. La naturaleza open-weight de los modelos también permite el despliegue local y la personalización, abordando preocupaciones de privacidad de datos que a menudo obstaculizan la adopción empresarial de servicios de IA basados en la nube.

Qué puedes hacer

• Accede a los modelos Holo4 27B y 35B-A3B a través de la API de H Models para probar su rendimiento en tus flujos de trabajo específicos.
• Descarga los pesos del modelo desde Hugging Face en tu formato de precisión preferido para inferencia local o ajuste fino.
• Revisa las trayectorias publicadas en código abierto en trajectories.hcompany.ai para entender cómo el modelo aborda tareas complejas de múltiples pasos.
• Experimenta con Holotron4 Nano si estás trabajando con modelos más pequeños.