/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
471 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
qwen3_vl_moe · dense
Базовая модель
Qwen3-VL-235B-A22B-Thinking
Библиотека
transformers
Опубликована
28 янв 2026

Holo2-235B-A22B

Изображение и текст → текст3 профессии

Holo2-235B-A22B — мультимодальная модель H Company для распознавания интерфейсов и выполнения задач GUI-агентами в вебе, на компьютере и мобильных устройствах.

170скачиваний за 30 дней34лайкавеса обновлены18 мар 2026

Бенчмарки

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

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

    78,5

    vscode_macos 96,4word_macos 90,5photoshop_windows 88,2
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Holo2-235B-A22B — мультимодальная модель зрения и языка для управления графическими интерфейсами, разработанная H Company и дообученная на основе Qwen/Qwen3-VL-235B-A22B-Thinking. Она предназначена для GUI-агентов, которые работают в веб-браузерах, настольных и мобильных средах: распознают элементы интерфейса, анализируют их содержимое и выполняют многошаговые задачи с помощью действий. Обучение включало supervised fine-tuning на данных о пользовательских интерфейсах и онлайн-обучение с подкреплением GRPO; поддерживаются навигация, локализация элементов и привязка действий к интерфейсу.

По данным README, точность модели на ScreenSpot-Pro составляет 70,6% за один шаг и 78,5% при агентной локализации за три шага. Указана также точность 79,0% на OSWorld-G, 80,4% на Showdown, 85,5% на Ground-UI-1K, 94,3% на WebClick-v1 и 95,9% на ScreenSpot-v2. Модель принимает изображения интерфейсов и текстовые инструкции и предназначена для визуального анализа и управления ими. Карточка указывает лицензию CC BY-NC 4.0, тогда как README противоречиво сообщает Apache 2.0 для этой версии и одновременно называет её исследовательской и некоммерческой; условия использования следует сверить с актуальной лицензией репозитория.

Сценарии применения

  • навигация по веб-сайтам по текстовой инструкции
  • поиск и локализация кнопок и полей на скриншоте интерфейса
  • выполнение многошаговых задач в настольных приложениях
  • управление мобильным интерфейсом через визуальные действия
  • автоматизация взаимодействия с графическими интерфейсами

Ограничения

Показатели README относятся к отдельным бенчмаркам и сами по себе не гарантируют надёжность действий в произвольных средах. Источники расходятся в описании лицензии: метаданные указывают CC BY-NC 4.0, а README — Apache 2.0 и исследовательские некоммерческие условия.

Для каких профессий подходит3

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

Holo2: Foundational Models for Navigation and Computer Use Agents

GitHub

Model Description

Holo2 represents the next major step in developing large-scale Vision-Language Models (VLMs) for multi-domain GUI Agents. These agents can operate real digital environments specifically web, desktop, and mobile by interpreting interfaces, reasoning over content, and executing actions.

Our Holo2 family emphasizes navigation and task execution across diverse real and simulated environments, extending beyond static perception to multi-step, goal-directed behavior.

It builds upon the strengths of Holo1.5 in UI localization and screen content understanding, with major improvements in policy learning, action grounding, and cross-environment generalization.

The Holo2 series comes in three model sizes:

  • Holo2-4B: fully open under Apache 2.0
  • Holo2-8B: fully open under Apache 2.0
  • Holo2-30B-A3B: research-only license (non-commercial). For commercial use, please contact us.
  • Holo2-235B-A22B: 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.

Get Started with the Model

Please have a look at the cookbook in our repo where we provide examples for both self-hosting and API use!

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) yielding SOTA performance in interpreting UIs and performing actions on large, complex screens.

Agentic Localization

High-resolution 4K interfaces are challenging for localization models. Small UI elements can be difficult to pinpoint on a large display. With agentic localization, Holo2 can iteratively refine its predictions, improving accuracy with each step and unlocking 10-20% relative gains across all Holo2 model sizes.

Holo2-235B-A22B reaches 70.6% accuracy on ScreenSpot-Pro in a single step. Within 3 steps, it achieves 78.5%, setting a new state-of-the-art on the most challenging GUI grounding benchmark.

Results

Holo2: SOTA UI Localization

UI Localization measures how precisely an agent can locate on-screen elements—buttons, inputs, links—necessary for accurate interaction.
Holo2 continues to set new standards for localization accuracy across web, OS, and mobile benchmarks.

ScreenSpot-ProOSWorld-GShowdownGround-UI-1KWebClick-v1ScreenSpot-v2Average
Holo2-235B-A22B (Agentic)78.5%------
Holo2-235B-A22B70.6%79.0%80.4%85.5%94.3%95.9%84.28
Holo2-30B-A3B (Agentic)75.2%------
Holo2-30B-A3B66.1%76.1%77.6%85.5%91.3%94.9%81.90
Holo2-8B (Agentic)71.4%------
Holo2-8B58.9%70.1%72.5%83.8%89.5%93.2%78.00
Holo2-4B (Agentic)68.6%------
Holo2-4B57.2%69.4%74.7%83.3%88.8%93.2%77.77
Qwen3-VL-235B-A22B-Thinking61.8%68.3%78.4%85.2%92.1%95.4%80.20
Qwen3-VL-30B-A3B-Thinking49.9%65.8%71.2%84.2%89.5%91.8%75.40
Qwen3-VL-8B-Thinking38.5%56.0%64.2%83.6%85.9%91.5%69.95
Qwen3-VL-4B-Thinking41.4%56.4%66.6%84.1%85.8%90.0%70.72
MAI-UI-32B (+Zoom-In)73.5%70.9%-----
MAI-UI-32B67.9%67.6%-----
MAI-UI-8B (+Zoom-In)70.9%64.2%-----
MAI-UI-8B65.8%60.1%-----
MAI-UI-2B (+Zoom-In)62.8%55.9%-----
MAI-UI-2B57.4%52.0%-----

Table 1: Localization benchmark scores for leading models.


Citation

@misc{hai2025holo2modelfamily,
      title={Holo2 - Open Foundation Models for Navigation and Computer Use Agents}, 
      author={H Company},
      year={2025},
      url=https://huggingface.co/collections/Hcompany/holo2, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen3VLMoeForConditionalGeneration
Ревизия весов
f7f85b1

0 моделей