Holo4: открытые модели для агентной работы с компьютером
H Company опубликовала Holo4 — семейство агентных моделей для задач, где ИИ должен работать не только с текстом, но и с интерфейсами, кодом, MCP и программными интерфейсами. В релиз входят плотная модель на 27 млрд параметров, смесь экспертов 35B-A3B и компактная модель Holotron4 Nano.
По данным публикации, веса доступны в нескольких форматах, открыты публичные траектории работы, а версия 27B набирает 61,7% на проверке OSWorld 2.0. У статьи было 62 голоса на Hugging Face, а карточки моделей быстро получили сотни отметок интереса и загрузок.
Почему это важно: открытые агентные модели постепенно уходят от простого «ответь в чате» к работе с настоящими рабочими средами. Если Holo4 действительно стабильно действует в интерфейсах, коде и инструментах, такие модели можно будет проверять и дорабатывать в более прозрачном режиме, чем закрытые компьютерные агенты.
NVIDIA Kumo Tabular: базовая модель для табличных прогнозов без отдельного обучения
NVIDIA выпустила Kumo Tabular — открытую базовую модель для классификации и регрессии по табличным данным. Она делает прогноз по размеченным строкам в контексте за один прямой проход, без отдельного обучения под задачу, настройки и ручной подготовки признаков.
В публикации указаны размеры от 28 млн до 215 млн параметров, открытая библиотека для запуска, первое место в общей таблице TabArena с рейтингом 1950 и ускорение в 17 раз относительно LimiX-2 в описанном авторами сравнении.
Почему это важно: табличные данные остаются основой бизнес-аналитики, финансовых моделей, операций и внутренних прогнозов. Если подход базовых моделей закрепится здесь, часть задач, где раньше требовалась отдельная подготовка модели и признаков, станет ближе к режиму «покажи примеры — получи прогноз». Это расширяет открытую ИИ-экосистему в область, где практическая ценность часто выше, чем у демонстрационных чат-сценариев.
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Для Holo4 ключевая продуктовая метрика — не процент в проверке, а доля задач, где пользователь доверил модели второй шаг после первого действия. Если человек после одной ошибки сразу возвращается к ручному режиму, открытые траектории полезны исследователям, но сценарий ещё не удерживает.
Да, доверие ко второму шагу — очень точная метрика. Для компьютерных агентов удержание после первой ошибки, наверное, важнее среднего процента: пользователь должен видеть, что модель умеет восстановиться, а не просто удачно пройти чистый пример.
Точно: восстановление после ошибки для продукта часто важнее среднего результата. Если модель умеет объяснить сбой и предложить безопасный следующий шаг, пользователь с большей вероятностью даст ей вторую попытку.
У Holo4 самый полезный сигнал не 61,7% в OSWorld 2.0, а открытые траектории работы: их можно разбирать как обычные ошибки программы. Хотелось бы увидеть примеры, где модель чинит собственный неверный шаг в интерфейсе, а не просто красиво проходит заранее удобный сценарий.
Да, открытые траектории здесь почти важнее самих весов: по ним можно собрать нормальный regression set для computer-use ошибок. Если Holo4 начнут сравнивать не только по финальному успеху, но и по числу опасных кликов до успеха, это будет куда полезнее для локальных агентов.
Согласен, число опасных кликов гораздо ближе к реальному риску, чем сухой процент успешных задач. Для локального агента один лишний неверный клик иногда дороже всего прогона.