Holo4 计算机操作 Agent：能否用更低成本完成跨界面任务？

先说结论

Hcompany 今天发布的 Holo4，不只是又一个会点击按钮的计算机操作模型。它的核心主张是：同一个 Agent 可以根据任务，在图形界面、代码、MCP 和 API 之间切换，而不是把每种接口绑定到不同模型。Holo4 提供 27B dense 和 35B-A3B MoE 两种规模，并公开了模型权重、轨迹数据和若干评测结果。

我的判断是：Holo4 最值得关注的不是某个 benchmark 分数，而是“跨接口执行 + 可回放轨迹 + 成本曲线”这一整套工程交付方式。它适合拿来做低风险、可验证的桌面和业务流程自动化实验；但目前的分数、成本和对比结果仍带有发布方自己的 harness 与运行条件，不能直接当成生产成功率，更不能因为 Agent 会操作界面就放开不可逆权限。

发生了什么

主来源是 Hugging Face 官方博客《Holo4: powering generalist computer-use agents》，发布日期为 2026-09-28，原始 URL：https://huggingface.co/blog/Hcompany/holo4。

官方事实包括：Holo4 有 Holo4-27B 和 Holo4-35B-A3B 两个版本，同时发布更新后的 Holotron4 Nano；模型可以通过 GUI、代码、MCP 和 API 与软件交互；官方提供 FP16、FP8、NVFP4 和 4-bit GGUF 权重，也提供 H Models API、轨迹查看器和轨迹数据集。Hcompany 表示，模型通过监督学习和强化学习，在大量环境与任务上训练，其中一部分任务来自 Agentic Task Factory。

官方文章还披露了具体结果。在 OSWorld 2.0 上，Holo4 27B 的分数为 61.7%，文章列出的 Opus 5.5 为 81.8%；Holo4 35B-A3B 的分数为 30.9%。在作者给出的比较图中，Holo4 试图用更少参数和更低单任务成本，接近更大的闭源模型。官方同时说明，不同模型的发布版本、harness 和任务子集可能不同，部分参考数据来自模型卡、排行榜或其他发布材料。

以上是官方事实。我的判断是，Holo4 的主要产品信号不是“已经超过前沿模型”，而是它把评测过程、单任务成本和过程轨迹一起公开，让读者有机会检查 Agent 究竟做了什么。

技术细节

1. 一个模型覆盖四类接口，减少路由割裂

传统计算机操作 Agent 往往围绕单一接口训练：有的只看屏幕和鼠标，有的只会调用工具，有的擅长写代码但不会处理图形界面。现实中的业务任务却经常跨越多个边界：先在网页里查资料，再写一段脚本整理数据，然后调用 API 更新状态，最后回到界面确认结果。

Holo4 的设计目标是让同一个模型在这些接口之间选择。技术上，这意味着训练数据和执行 harness 不能只记录最终答案，还要覆盖不同环境中的观察、动作、工具回执和失败恢复。模型要判断什么时候点击、什么时候写代码、什么时候调用结构化工具，接口选择本身就成了规划的一部分。

这条路线的好处是减少“先判断该用哪个专用 Agent，再把任务转交出去”的额外编排；代价是模型必须同时学习视觉定位、文本规划、代码执行和工具参数。工程上不能只看单项 GUI 分数，还要测跨接口切换是否会导致上下文丢失、权限误用或状态重复提交。

2. Holo4 把轨迹作为可审计的评测证据

官方公开了 benchmark 背后的轨迹查看器和数据集，并强调可以回放每一步。对计算机操作 Agent 来说，这比只给一个成功率更有价值。一个任务最终成功，可能是第一次就完成，也可能是经历了多次错误点击、脚本失败、页面刷新和重试后才完成；两者的稳定性和成本完全不同。

理想的轨迹记录至少应包括任务状态、观察到的界面或工具结果、动作类型、调用耗时、失败类别、重试次数、回滚情况和最终判定。原始屏幕内容或代码如果包含敏感信息，可以提供脱敏轨迹、统计摘要和抽样复核，而不是无条件公开全部输入。

对生产 Agent，这种轨迹还有回归价值。模型升级后，如果成功率下降，工程师可以区分是视觉定位变差、工具参数错误、环境超时，还是模型在长流程中丢失目标。没有过程证据，团队只能从最后一句错误提示猜原因。

3. 评测分数必须和成本、任务子集一起看

Holo4 官方给出的 OSWorld 2.0 结果是 27B 版本 61.7%，35B-A3B 版本 30.9%，同时文章把分数与每任务成本放在一起比较。这个表达方式比单独报一个排行榜名次更接近工程决策：企业真正关心的是，在可接受的时间和预算内，Agent 能否稳定完成目标。

但这里也有几个边界。首先，计算机操作 benchmark 的任务版本、子集、部分得分规则和 harness 会影响结果；其次，成本估算可能依据输入输出 token、服务价格和作者自己的运行次数；再次，某些闭源模型的参考分数来自不同时间或不同设置。因而，图表适合做方向判断，不适合当作严格的同条件对照实验。

上线前应把任务分成首次成功、重试后成功、人工接管和不可恢复失败四类，并分别记录 P50/P95 完成时间、工具调用数量、模型调用成本和错误动作率。只有把这些维度放在一起，低成本才不会变成“便宜但需要人不断擦屁股”。

4. Agentic Task Factory 的关键是可验证任务生成

Hcompany 表示，其 Agentic Task Factory 已生成约 10,000 个覆盖网页应用、MCP 服务和桌面环境的任务，其中还包括同一状态同时暴露 GUI 与 MCP 的混合环境。这个思路值得工程团队借鉴：任务不是只写一句自然语言提示，而是要有环境、初始状态、目标状态和可判定的验收条件。

对 Agent 评测来说，自动生成任务并不等于自动得到可靠结论。任务生成器仍需防止目标模糊、状态不可重复、外部依赖波动和判定器误报。更稳的做法是为每个任务保存初始状态快照、动作权限、成功条件、失败条件和清理脚本，并使用合成数据覆盖正常流程、缺字段、页面变化、工具超时、重复提交和权限拒绝。

对 Agent / 工程的影响

第一，业务自动化可以从“界面录制脚本”升级为“多接口可回退 Agent”。当页面结构稳定时使用 API 或 MCP，缺少结构化接口时再使用 GUI；当代码能更可靠地完成计算时，让 Agent 写脚本而不是连续点击。接口选择应由确定性策略、权限和成本共同约束，而不是完全交给模型自由决定。

第二，评测要从最终成功扩展到动作安全。除了任务完成率，还要检查错误点击率、越权调用率、重复提交率、敏感字段暴露、人工接管率、撤销成功率和恢复时间。尤其是付款、删除、权限调整、对外发送和生产发布等动作，必须配置独立的确认点，模型不能凭自然语言自行放行。

第三，跨接口 Agent 需要统一的状态合同。GUI 看到的页面状态、脚本读取的文件状态、MCP 返回的结构化结果和 API 的服务端状态，必须映射到同一个任务状态机。每次动作都应有幂等键、前置条件、回执和失败后的清理逻辑，否则 Agent 在重试时可能重复创建任务或覆盖已有结果。

第四，优先使用合成环境和公开轨迹做回放。先让 Agent 在不含私人信息的桌面、网页和工具环境里完成低风险任务，检查它是否能识别未知、正确处理超时并在失败后停住。不要一开始就让它操作真实账号或长期保留完整屏幕录制；模型能看见界面，不代表它有权执行界面上的所有动作。

第五，模型文件和运行时也要纳入供应链治理。Holo4 提供多种权重格式，部署前应锁定来源、哈希、许可证、推理后端和量化级别。不同硬件、量化和服务接口可能导致行为变化，不能把“模型能加载”当成“Agent 已通过验收”。

我的判断

Holo4 的方向是对的：真正有用的计算机操作 Agent，不能只会点击，也不能只会调用 API，而要能在不同接口之间选择，并让过程可以回放。我会把它当作跨界面自动化的候选基线，先在合成环境和低风险流程中验证；不会把官方 OSWorld 分数直接换算成生产成功率。

这篇发布最值得行业学习的还有评测表达方式：把分数、成本、任务子集和轨迹放在一起。未来 Agent 的竞争不应只是“谁的平均分更高”，还应回答“每次成功花了多少、失败如何恢复、证据能不能复核”。

Q&A

Q1：来源、发布日期和原始 URL 是什么？

A：来源是 Hugging Face 官方博客《Holo4: powering generalist computer-use agents》，发布日期为 2026-09-28，原始 URL：https://huggingface.co/blog/Hcompany/holo4。文章介绍 Holo4 模型、训练方法、跨接口能力、评测、成本和轨迹发布计划。

Q2：Holo4 是不是只用于 GUI 操作？

A：不是。官方定位是通用计算机操作 Agent，可使用 GUI、代码、MCP 和 API。实际任务能否稳定跨接口切换，还需要在目标环境和自己的 harness 中复测。

Q3：OSWorld 2.0 的 61.7% 能代表生产成功率吗？

A：不能。它是在特定 benchmark 版本、任务子集、模型设置和执行 harness 下得到的结果。生产系统还要考虑权限、数据、页面变化、并发、网络、人工接管和失败恢复。

Q4：最小验证方案是什么？

A：准备不含真实数据的网页、桌面和工具环境，选取可回滚任务，分别测试 GUI、代码和结构化工具路径。记录首次成功、重试后成功、人工接管、耗时、调用成本、错误动作和回滚结果，再与固定基线比较。

Q5：哪些场景暂时不适合直接使用？

A：付款、删除数据、权限变更、正式发布、对外承诺和其他不可逆操作不适合直接交给模型。可以让 Agent 先生成候选动作和执行计划，最终动作由程序校验并要求明确人工确认。

来源

1. Hcompany，Holo4: powering generalist computer-use agents，发布日期：2026-09-28，发布平台：Hugging Face，原始 URL：https://huggingface.co/blog/Hcompany/holo4

本文区分官方事实与作者判断；Holo4 的分数、成本和对比结果对应官方披露的模型、任务、运行条件与参考资料，不构成其他环境的性能保证。
隐私自检：未写入姓名、账号、用户输入、内部网络细节、凭据或会话标识
封面 seed：2026-09-28-holo4-computer-use-agent（唯一）
coverWidth/Height：1600 / 900
categories：ai_tech