/ Модель

Характеристики

Размер весов
26,4 ГБ
Архитектура
NemotronH_Nano_VL_V2 · dense
Базовая модель
NVIDIA-Nemotron-Nano-12B-v2-VL-BF16
Библиотека
transformers
Опубликована
6 фев 2026

Holotron-12B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель на базе Nemotron для понимания интерфейсов и управления компьютерными агентами в веб-, настольных и мобильных средах.

268скачиваний за 30 дней40лайковвеса обновлены18 мар 2026

Бенчмарки

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

Публичные оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Holotron-12B — мультимодальная vision-language модель для управления компьютерными агентами, разработанная H Company совместно с исследовательскими лабораториями NVIDIA. Она дообучена на базе NVIDIA Nemotron-Nano-12B-v2-VL-BF16 на proprietary-данных H Company, включая примеры локализации элементов интерфейса и навигации. В модели около 12 млрд параметров; архитектура сочетает state-space-механизм и attention. Модель принимает текст и изображения, в том числе несколько изображений в длинных интерактивных сценариях, и генерирует текстовые ответы и решения для агента. Основные сценарии — понимание экранов и интерфейсов, планирование многошаговых действий и навигация в веб-, настольных и мобильных средах.

В README сообщается об улучшении результата WebVoyager относительно базовой модели и высокой пропускной способности при инференсе на NVIDIA H100 с vLLM. Эти показатели приведены для конкретной конфигурации и не гарантируют такую же производительность в других условиях. Модель предназначена для мультимодальных агентных задач, генерации данных, разметки и циклов онлайн-обучения с подкреплением. Лицензия — NVIDIA Open Model License.

Сценарии применения

  • распознавание элементов на снимке экрана
  • локализация кнопок и других элементов интерфейса
  • навигация агента по веб-сайтам
  • выполнение многошаговых действий в настольных приложениях
  • управление агентом в мобильных интерфейсах
  • подготовка мультимодальных данных для обучения агентов

Ограничения

Описанные результаты производительности относятся к конкретной конфигурации NVIDIA H100 и vLLM; в README отмечена возможность улучшения обучения для работы с изображениями более высокого разрешения.

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

Model Overview

Holotron-12B is a high-throughput, multimodal Vision-Language Model (VLM) designed specifically as a policy model for computer-use agents.

Developed through a close collaboration between H Company and NVIDIA research labs, this model is post-trained from the open NVIDIA Nemotron Nano VL architecture on H Company’s proprietary data mixture. It is optimized for scale, production efficiency, and handling long contexts with multiple images in interactive environments.

Intended use

Unlike general-purpose multimodal models optimized for static vision or simple instruction following, Holotron-12B is trained for multimodal agentic workloads.

It is designed to serve as the "brain" for agents that must:

  • Perceive complex screens and UI elements.
  • Decide on multi-step workflows.
  • Act efficiently in interactive environments (Web, Desktop, Mobile).

Its high-throughput capabilities make it an ideal choice for data generation, annotation, and online reinforcement learning loops.


Training Strategy

Holotron-12B was trained in two stages. We started from Nemotron-Nano-12B-v2-VL-BF16, a multimodal base model published by NVIDIA. We then performed supervised fine-tuning on H Company’s proprietary localization and navigation data mixture, focusing on screen understanding, grounding, and UI-level interactions.

The final checkpoint was trained on approximately 14 billion tokens.


Architecture: Hybrid SSM

Holotron-12B utilizes a Hybrid State-Space Model (SSM) and attention mechanism. This architecture allows for superior scalability compared to pure transformer models.

Linear Complexity: Avoids the quadratic computation cost associated with full attention mechanisms.

Reduced Memory Footprint: SSMs act as a linear recurrent model, storing only a constant state per layer regardless of sequence length. This eliminates the massive KV Cache requirements of standard transformers for long sequences.

Throughput: Capable of maintaining high throughput even with long context histories and multiple high-resolution images.


Results

High throughput

On WebVoyager in a real-world multimodal agent setup (long context, multiple high-resolution images, concurrency up to 100):

  • Single NVIDIA H100, vLLM with latest SSM optimizations (v0.14.1)
  • Holotron-12B achieved >2x higher throughput vs Holo2-8B
  • In a controlled setup, throughput scaled to ~8.9k tokens/s at concurrency = 100, while Holo2-8B plateaued around ~5.1k tokens/s

inference

Navigation and Localization: Computer use

On computer-use and navigation benchmarks, Holotron-12B shows strong improvements over the Nemotron base model and strong performance with established agent models. WebVoyager performance increased from 35.1% to 80.5%, exceeding Holo2-8B’s performance on the benchmark and illustrating the model’s ability to perform in an agentic setting.

navigation_and_localization


Get Started with the Model

Please refer to https://huggingface.co/nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16 for getting started with this architecture.

Dependencies

pip install torch "transformers>4.53,<4.54" causal_conv1d timm "mamba-ssm==2.2.5" accelerate open_clip_torch numpy pillow

Conclusion

Holotron-12B demonstrates that the NVIDIA Nemotron VL model provides a strong foundation for real-world multimodal agents when paired with the right training setup and infrastructure work.

The model offers strong agent performance, significantly improved inference throughput, and a clear path for future improvements, particularly around higher-resolution vision training.

We look forward to seeing what others build with Holotron-12B.

Citation

@misc{hai2026holotron2,
      title={Holotron2}, 
      author={H Company},
      year={2026},
      url=https://huggingface.co/collections/Hcompany/Holotron-12B, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
NemotronH_Nano_VL_V2
Ревизия весов
a68349a

0 моделей