大多数大型语言模型（LLM）虽擅长文本生成，但在Windows或Linux桌面环境的图形用户界面（GUI）导航中往往表现乏力。近日，法国AI开发商H发布了Holo 4系列计算机使用模型，旨在赋予AI理解并操作GUI的能力。
计算机交互主要分为命令行（CLI）、应用程序接口（API）和图形用户界面（GUI）三类。AI代理能轻松接入前两者，但要在为人类设计的桌面环境中自如点击、滚动和输入，仍是一大挑战。Holo 4系列正是为解决这一痛点而生，使较小参数的模型也能通吃这三种交互场景。
基于阿里Qwen构建，通用性更强
Holo 4基于阿里Qwen 3.8 27B和Qwen 3.6 35B-A3B模型构建，经过监督训练与强化学习微调。H声称，相较于单一的计算机使用模型，Holo 4在CLI、API和GUI上的综合优化使其具备更高的通用性。同时，H还更新了基于英伟达Nemotron 3的Holotron模型，赋予其类似能力。
在演示中，Holo 4 27B利用FreeCAD宏功能，以编程方式设计了埃菲尔铁塔的3D模型，而非手动堆砌基本形状；另一项演示则通过拉伸形状重现了公司Logo，展示了模型的灵活性。H表示，若基准测试结果属实，Holo 4的性能显著优于OpenAI等公司的前沿大模型，而参数量仅为后者零头。
性能提升伴随成本增加，消费级显卡可运行
值得注意的是，高性能并未带来低成本。尽管得分更高，但Holo 4在许多情况下的单任务成本反而高于OSWorld 2.0基准测试中表现较差但成本低廉的GPT 6 Luna。这可能是因为Holo 4为得出最终结果，消耗了更多的“思考”令牌。
不过，得益于小巧的体积，研究人员和企业可在相对普通的硬件上运行这些开源权重模型。一张24GB显存的英伟达RTX 3090显卡，足以以4位精度运行该模型。为此，H除了提供BF16、FP8和NVFP4权重外，还在Hugging Face上发布了兼容Llama.cpp（及LM Studio、Ollama）的GGUF版本。
H还计划发布DSpark草稿权重，利用推测解码技术加速推理：小模型预先猜测输出，成功则加速生成，失败则回退至基础模型，确保质量不丢失。此外，H开发了开源的HAI-Agents框架，也可在GitHub获取，理论上这些模型亦兼容第三方计算机使用框架。
目前，专注计算机使用应用的开发者不止H一家。AWS在去年Re:Invent大会上推出了自家系列，OpenAI、谷歌和Anthropic等美国头部实验室也在持续投入这一领域，试图让AI真正具备“走出沙盒”操作现实界面的能力。