Holo4 開放權重 Agent：61.7% 跑分背後，模型與 Harness 各做了什麼？（2026）

2026 年 9 月 28 日，H Company 在官網發布了〈Holo4: powering generalist computer-use agents〉，介紹 Holo4 開放權重 Agent：27B 密集模型與 35B-A3B 混合專家模型，目標是讓同一個代理在螢幕、程式碼、MCP 與 API 之間切換。原文最醒目的數字是 27B 在 OSWorld 2.0 得到 61.7%；要理解它，還得看同列的完整成功率 41.5%、執行工具，以及測試由誰完成。

這篇先還原 H Company 做了什麼與如何測量，再拆開模型、Harness 和評分指標，最後看開放權重究竟替使用者打開了哪些選擇。

Holo4 開放權重 Agent 的核心主張：一個模型，多種介面

It uses whichever fits the task.

中文：它會依任務選擇合適的操作介面。

H Company，〈Holo4: powering generalist computer-use agents〉

原文把電腦操作看成連續任務：能用 API 直接取資料時就呼叫 API；遇到沒有 API 的舊系統，就看畫面、點擊和輸入；需要加工資料時改用程式碼。H Company 說，Holo4 也可在桌面、網頁、Android、程式碼沙盒和商業 API 工作，而呼叫的是同一個模型。這是產品設計主張；讀者仍需在自己的應用裡檢查工具權限與執行環境。

It is the same model in each case and it is called the same way.

中文：每個場景用的是同一個模型，呼叫方式也相同。

H Company，〈Holo4: powering generalist computer-use agents〉

這比「會點滑鼠」更具體：一段工作流程可以跨越畫面與結構化工具。它也把問題從單次回答是否漂亮，轉到數百步之後是否保住目標、狀態與限制。

61.7% 是什麼：部分得分、完整成功率與成本要分開

H Company 的原始表格列出：Holo4 27B 在 OSWorld 2.0 的平均部分得分為 61.7%，完整成功率 41.5%，按 H Models API 牌價估算每題 1.22 美元；35B-A3B 分別是 30.9%、12.3% 與 0.61 美元。前兩個百分比回答不同問題：部分得分容許完成一部分，完整成功率要求把整個工作做完。只拿 61.7% 說成「六成任務成功」，會高估結果。

OSWorld 2.0 原始論文定義的是 108 個長流程電腦任務。H Company 的註腳則說，OSWorld 2.0 成績只跑一次；表中其他公司結果來自不同 Harness、努力程度，GPT-6 Astra 還使用 82 題離線子集。這張表能指出 Holo4 自家測試的表現，不能當作所有模型在同一設定下的排名。原文另列 OSWorld 85.2%，那是另一個基準，不能和 OSWorld 2.0 的 61.7% 互換。

真正變動的不只是模型：Harness 也在推高分數

H Company 說，它先用約 127B token 監督式微調，再訓練分別偏重桌面／網頁與終端機／MCP／API 的兩組 LoRA 專家，最後合併成一個模型。這段訓練細節目前是團隊自行披露。

原文的另一條曲線更值得看：團隊重建了代理執行迴圈，讓 shell 跑在桌面機器上、改善長任務記憶、修正視覺服務錯誤，並把步數與時限逐步放寬。這些變動可能讓同一個模型拿到不同分數。H Company 提供的曲線展示其開發過程，卻沒有單獨隔離每項變動的因果效果；因此 61.7% 是「模型＋Harness＋測試設定」的系統結果。

公司還說 Agentic Task Factory 已建立約一萬個任務，先從文件、網站截圖或軟體建環境與驗證器，再由代理實際執行。它描述的重點是「用可檢查的狀態變化評分」，不是讓另一個語言模型看文字後憑印象打分。這套內部任務的規模與品質仍以團隊披露為準。

開放權重與可檢查軌跡，給了什麼、沒有給什麼？

27B 模型卡及 35B-A3B 模型卡列出可取得的權重。兩者的權限不同：27B 標示 CC BY-NC 4.0，35B-A3B 標示 Apache 2.0。若要在商業產品部署，不能只看「open weight」三個字，還得對照所選權重的授權。模型卡的存在能確認發布與授權標示，不能替代理完成率背書。

H Company 也公開 benchmark 任務軌跡資料集與重播入口。軌跡讓外界追問代理在失敗前點了什麼、執行了哪些工具，證據強度高於只看一張跑分表；但公開紀錄仍需有人檢查題目版本、評分器與漏掉的錯誤。本文沒有把這些軌跡重新跑成 AlphaLab 的獨立成績。

AlphaLab 的判讀：為什麼這次發布值得看，也要留住疑問

介面切換減少工作流的斷點

企業系統常同時有 API、舊式桌面程式和只能點擊的後台。若一個代理能在相同狀態下選擇較可靠的路徑，任務就少了一次「換代理、重講上下文」的交接。Holo4 的設計方向貼近這種混合環境。真正的門檻仍在於切換後能否記住限制、取得正確授權並驗收結果。

61.7% 有訊號，但 41.5% 更接近交付問題

部分得分能告訴研究者模型是否朝正確方向前進；若工作是把一份報表完整匯出並寄到指定位置，使用者關心的是整件事是否完成。H Company 自己在同一列給出 41.5% 完整成功率，這比單一大數字更能約束「已能代人工作」的想像。

成本優勢要連同失敗後的人力一起算

表格的每題美元數是依指定 API 牌價與測試 token 量計算，不含你為重試、查錯、審核或補救失敗支付的工時。若便宜一次卻需多次重做，總成本可能逆轉；若你的任務容易自動驗收，低單次成本才更有機會轉為可用優勢。

我同意什麼，仍存疑什麼

我同意 H Company 把「跨介面執行」與可重播軌跡放到檯面，這比只公布排行榜名次更接近真實代理工程。我仍存疑：單次 OSWorld 2.0 自測、跨 Harness 對照，以及內部任務集，尚不足以推論其他團隊部署後也能得到相近的完整成功率。這些疑問可以由相同題目、相同權限、相同預算的外部複測來縮小。

讀者下一步：用三種任務驗收，而非只比較排行榜

• 挑一件純 GUI 工作、一件 API 可直達的工作、一件需要跨兩種介面的工作；事先寫下完成狀態與不許碰的資料。
• 固定任務、步數、時限與成本上限，記錄完整成功率、錯誤寫入、人工接手時間；再看每一步軌跡是否能解釋失敗。
• 研究或個人非商用實驗可先讀 27B 模型卡；商用評估先看 35B-A3B 的授權與自身任務表現，別把兩種權重當成同一種許可。

若你的問題已從「模型會做什麼」走到「多個本機模型如何派工」，可接著讀 三台本機 AI 的 Gateway 與 Agent 派工教學；若你最怕的是工具回報成功、外部狀態卻沒變，MCP 逾時結果驗證給了可操作的收據設計。