/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
8,1 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
11 сен 2025

Holo1.5-3B

Изображение и текст → текст4 профессии

Мультимодальная модель H Company для локализации элементов интерфейса и ответов на вопросы по экранам в компьютерных агентах.

612скачиваний за 30 дней33лайкавеса обновлены18 мар 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки1

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • likaixin/ScreenSpot-Pro

    score · выше — лучше

    Результат

    51,5

    eviews_windows 94word_macos 85,7vivado_windows 71,2
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Holo1.5-3B — мультимодальная модель H Company для компьютерных агентов, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct. Она принимает изображения интерфейсов и текстовые запросы, чтобы находить элементы на экране, отвечать на вопросы о содержимом веб-, настольных и мобильных приложений и поддерживать автоматизацию действий в них.

Модель относится к семейству Qwen2.5-VL, имеет 3,1 млрд параметров и контекст до 128 000 токенов. По данным карточки, она обрабатывает изображения с разрешением до 3840 × 2160 пикселей; обучение включало supervised fine-tuning и онлайн-обучение с подкреплением. Разработчик сообщает о результатах на тестах локализации элементов интерфейса и визуальных вопросов и ответов.

Для версии 3B указана лицензия Qwen Research License. Модель предназначена для понимания интерфейсов и прогнозирования действий, но карточка не описывает гарантии безопасного выполнения действий в реальных приложениях. Результаты бенчмарков не гарантируют точность на конкретных интерфейсах.

Сценарии применения

  • поиск кнопок и полей ввода на скриншоте
  • ответы на вопросы о содержимом веб-страницы
  • понимание экранов настольных и мобильных приложений
  • извлечение координат элементов интерфейса для компьютерного агента
  • автоматизация заполнения форм и навигации по интерфейсу

Ограничения

Точность может зависеть от интерфейса и сценария; результаты бенчмарков не гарантируют надёжность на реальных приложениях. Карточка не описывает гарантии безопасного исполнения предсказанных действий.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Holo1.5: Foundational Models for Computer Use Agents

GitHub Space

Model Description

Computer Use (CU) agents are AI systems that can interact with real applications—web, desktop, and mobile—on behalf of a user. They can navigate interfaces, manipulate elements, and answer questions about content, enabling powerful automation and productivity tools. CU agents are becoming increasingly important as they allow humans to delegate complex digital tasks safely and efficiently.

Our Holo1.5 series provides state-of-the-art foundational models for building such agents. Holo1.5 models excel at user interface (UI) localization and UI-based question answering (QA) across web, computer, and mobile environments, with strong performance on benchmarks including Screenspot-V2, Screenspot-Pro, GroundUI-Web, Showdown, and our newly introduced WebClick.

The Holo1.5 family comes in three model sizes to fit different deployment needs:

  • 3B: inherits its license from Qwen
  • 7B: fully open under Apache 2.0
  • 72B: research-only license (non-commercial). For commercial use, please contact us.

These models are designed to provide reliable, accurate, and efficient foundations for next-generation CU agents, like Surfer-H, enabling them to manipulate real applications with unprecedented capability.

Training strategy

Our models are trained using high-quality proprietary data for UI understanding and action prediction, following a multi-stage training pipeline. The training dataset is a carefully curated mix of open-source datasets, large-scale synthetic data, and human-annotated samples.

Training proceeds in two stages: large-scale supervised fine-tuning, followed by online reinforcement learning (GRPO). The resulting Holo1.5 models are natively high-resolution (up to 3840 × 2160 pixels), capable of interpreting UIs and performing actions on large, complex screens with accuracy and efficiency.

Results

Holo1.5: SOTA UI Localization

UI Localization refers to an agent’s ability to find the exact positions of elements on a user interface (buttons, text boxes, images, etc.). This capability is essential for Computer Use (CU) agents because, to interact with an application—click a button, fill out a form, or read information—the agent must know where elements are located on the screen.

Our Holo1.5 models were evaluated on several standard UI localization benchmarks (Screenspot-V2, Screenspot-Pro, GroundUI-Web, Showdown, and our newly introduced WebClick) to measure how accurately they can predict these coordinates.

The results:

  • Our 7B and 72B models outperform all previous models, achieving an average 4.5% improvement in localization accuracy.
  • Our 3B model, while smaller, remains competitive with previous 7B models, demonstrating strong capabilities even with fewer resources.

These results establish a new Pareto frontier in open-source UI localization: the best trade-off yet between model size and localization accuracy, setting a new standard for CU agents.

WebClickShowdownScreenSpot-v2ScreenSpot-ProGround-UI-1KOSWorld-GAverage
Holo1.5-3B81.4567.5091.6651.4983.2061.5772.81
Holo1.5-7B90.2472.1793.3157.9484.0066.2777.32
Holo1.5-72B92.4376.8494.4163.2584.5071.8080.54
Qwen2.5-VL-3B71.2050.3080.0029.3076.4034.3156.92
Qwen2.5-VL-7B76.5152.0085.6029.0080.7040.5960.73
Qwen2.5-VL-72B88.2941.0093.3055.6085.4061.9670.93
UI-TARS-1.5-7B86.1058.0094.0039.0084.2061.4070.45
Holo1-7B84.0464.2789.8526.0678.5047.2565.00
Holo1-3B79.3559.9688.9123.6674.7542.1661.47
UI-Venus-7B84.4467.3294.1050.8082.3058.8072.96
UI-Venus-72B77.0075.5895.3061.9075.5070.4075.95
Sonnet 493.0072.0093.0019.1084.0059.6070.12

Table 1: Localization benchmark scores for leading models. Bold values show state-of-the-art performance, scores in italic were obtained from previously reported sources and scores in non-italic were reproduced in-house

Holo1.5: SOTA Screen Content Understanding via Question Answering

While precise localization is essential for GUI agents, it is equally important for models to comprehend the structure and functionality of user interfaces to interact with them effectively. To evaluate these capabilities, we tested our Holo1.5 models on several GUI-focused question answering (QA) benchmarks, including ScreenQA Short, ScreenQA Complex, VisualWebBench, and WebSRC. These benchmarks measure the models’ ability to understand and reason about UIs, ensuring they can perform tasks accurately across diverse applications.

VisualWebBenchWebSRCScreenQAShortScreenQAComplexAverage
Holo1.5-3B78.5094.8087.9081.4085.65
Holo1.5-7B82.6095.9091.0083.2088.17
Holo1.5-72B83.8097.2091.9087.1090.00
Qwen2.5-VL-3B58.0093.0086.0076.0078.25
Qwen2.5-VL-7B69.0095.0087.0081.1083.02
Qwen2.5-VL-72B76.3097.0087.9083.2086.10
UI-TARS-1.5-7B79.7092.9088.7079.2085.12
Holo1-3B54.1093.9078.3053.5069.95
Holo1-7B38.1095.3083.3065.1070.45
UI-Venus-7B60.9096.6086.3082.3081.52
UI-Venus-72B74.1096.7088.6083.3085.67
Claude-Sonnet-458.9096.0087.0075.7079.40

Table 2: Screen content QA benchmark scores for leading models. Bold values show state-of-the-art performance

Holo1.5 models show impressive capabilities in GUI QA tasks by improving on state-of-the-art models by 3.9%. This demonstrates strong visual perception capabilities in web and desktop environments, which is crucial for computer-use agents

Demo

Watch a demo of how to prompt the model in a computer use setting:

The demo is also live on our Hugging Face Space.

Next steps

Our goal is to build cost-efficient and reliable computer use agents. With the release of Holo1.5, we take an important step toward fostering trust and adoption of this technology.

This milestone is only the beginning—over the coming weeks, we will be unveiling new tools and agents powered by Holo models.

Stay tuned—we’re just getting started!

Citation

@misc{hai2025holo15modelfamily,
      title={Holo1.5 - Open Foundation Models for Computer Use Agents}, 
      author={H Company},
      year={2025},
      url={https://huggingface.co/collections/Hcompany/holo15-68c1a5736e8583a309d23d9b}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
f10805d

0 моделей