/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Thinking
Библиотека
transformers
Опубликована
10 ноя 2025

Holo2-4B

Изображение и текст → текст4 профессии

Holo2-4B — дообученная мультимодальная модель H Company для анализа интерфейсов и выполнения многошаговых задач в вебе, на компьютере и мобильных устройствах.

24 341скачиваний за 30 дней26лайковвеса 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

    57,2

    eviews_windows 92vscode_macos 87,3word_macos 83,3
    Hugging Face Leaderboards

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Holo2-4B — мультимодальная модель для управления графическими интерфейсами, разработанная H Company. Она дообучена на базе Qwen/Qwen3-VL-4B-Thinking и предназначена для GUI-агентов, работающих в веб-браузерах, настольных и мобильных средах.

Модель анализирует изображения интерфейсов, находит элементы управления и поддерживает многошаговую навигацию и выполнение целевых действий. Обучение включало supervised fine-tuning на данных понимания интерфейсов и предсказания действий, а затем online reinforcement learning. В README приведены результаты на WebVoyager, WebArena, OSWorld, AndroidWorld и наборах для локализации элементов интерфейса.

Модель принимает визуальный контекст и текстовые инструкции, а её назначение включает предсказание действий для взаимодействия с интерфейсом. Она распространяется по лицензии Apache 2.0. Показатели бенчмарков не гарантируют аналогичную точность в конкретных приложениях; результаты могут зависеть от среды и сложности задачи.

Сценарии применения

  • навигация по сайтам по текстовой инструкции
  • поиск и локализация кнопок, ссылок и полей ввода на экране
  • выполнение многошаговых задач в настольных приложениях
  • автоматизация действий в мобильных интерфейсах
  • управление GUI-агентом в реальных и симулированных средах

Ограничения

Модель предназначена для взаимодействия с интерфейсами, поэтому её результаты зависят от конкретной среды и сложности многошаговой задачи. Бенчмарковые показатели из карточки не гарантируют ту же точность в пользовательских приложениях.

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

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.

These models are designed to provide reliable, accurate, and efficient foundations for next-generation CU agents, like Surfer-H.

  • Developed by: H Company
  • Model type: Vision-Language Model for Navigation and Computer Use Agents
  • Fine-tuned from model: Qwen/Qwen3-VL-4B-Thinking
  • Blog Post: https://www.hcompany.ai/blog/holo2
  • License: Apache 2.0 License

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

Results

Holo2: Navigation Performance

Navigation evaluates an agent’s ability to complete real or simulated tasks through multi-step reasoning and action.
Holo2 models show significant improvements in navigation efficiency and task completion rates, particularly in unseen and complex environments.

Benchmarks include WebVoyager, WebArena, OSWorld, and AndroidWorld, testing the models’ abilities across web, operating system, and mobile platforms.

ModelWebVoyagerWebArenaOSWorldAndroidWorldAverage
Holo2-30B-A3B83.0%46.3%37.4%71.6%59.6%
Holo2-8B80.2%42.2%39.9%60.4%55.7%
Holo2-4B80.2%41.0%37.7%64.6%55.9%
Holo1.5-7B65.9%23.4%6.4%32.7%32.1%
Holo1.5-3B56.1%15.4%5.8%27.5%26.2%
Qwen3-VL-30B-A3B-Thinking76.1%45.0%36.6%62.9%55.1%
Qwen3-VL-8B-Thinking72.0%31.9%28.8%52.6%46.3%
Qwen3-VL-4B-Thinking67.5%31.5%24.1%45.7%42.2%

Table 1: Navigation benchmark scores. Bold values will denote state-of-the-art once final evaluations are available.


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
Holo2-30B-A3B66.1%76.1%77.6%85.4%91.3%94.9%81.90
Holo2-8B58.9%70.1%72.5%83.8%89.5%93.2%78.00
Holo2-4B57.2%69.4%74.7%83.3%88.8%93.2%77.77
Holo1.5-72B63.3%71.8%76.8%84.5%92.4%94.4%80.52
Holo1.5-7B57.9%66.2%72.1%84.0%90.2%93.3%77.28
Holo1.5-3B51.4%61.5%67.5%83.2%81.4%91.6%72.77
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
Qwen2.5-VL-72B55.6%62.0%41.0%85.4%88.3%93.3%70.93
Qwen2.5-VL-7B29.0%40.6%52.0%80.7%76.5%85.6%60.73
Qwen2.5-VL-3B29.3%34.3%50.3%76.4%71.2%80.7%57.03
UI-TARS-1.5-7B39.0%61.0%58.0%84.0%86.1%94.0%70.35
UI-Venus-72B61.9%70.4%75.6%75.5%77.0%95.3%75.95
UI-Venus-7B50.8%58.8%67.3%82.3%84.4%94.1%72.95

Table 2: 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

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
44b1259

0 моделей