Holo4는 저희의 새로운 에이전트 모델 시리즈입니다. 이 모델은 27B dense와 35B-A3B Mixture of Experts 두 가지 크기로 제공됩니다. 두 모델 모두 H Models API에서 이용 가능합니다. 또한, 업데이트된 Holotron 3 버전인 Holotron4 Nano도 출시합니다.
Holo4는 저희의 이전 모델을 기반으로 하며, 사용 가능한 모든 인터페이스(GUI, 코드, MCP 및 API)를 통해 소프트웨어와 상호 작용합니다. 학술적 벤치마크에서 높은 점수를 기록했지만, 실제 비즈니스 워크플로우를 위해 구축되었습니다. 이 모델은 저희의 Agentic Task Factory가 생성한 환경과 작업을 포함하여 대규모 환경 및 작업 세트에서 지도 학습(supervised learning)과 강화학습(reinforcement learning)을 통해 훈련되었습니다.
지금 시작하기:
- 🤖
모델: Holo4-27B | Holo4-35B-A3B | Holotron4 Nano - 🗂️
전체 컬렉션 (FP16, FP8, GGUF): Holo4 - 🎞️
궤적(Trajectories): viewer | dataset - ⚡
H Models API: quickstart - 📝
전체 블로그 게시물: hcompany.ai/newsroom/holo4
Holo4는 화면에서 클릭하고 타이핑하며, 자체 코드를 작성하고 실행하고, MCP 또는 API 도구를 호출합니다. 작업에 가장 적합한 방식을 사용합니다. 대부분의 에이전트 모델은 단일 인터페이스만을 위해 훈련됩니다. GUI 중심 모델은 화면 없이는 무용지물이며, 도구 호출을 선호하는 모델은 API가 없는 애플리케이션 앞에서 막히게 됩니다. 실제 업무는 그렇게 분리되지 않으며, 하나의 비즈니스 작업이 이러한 다양한 접근 방식을 결합해야 할 수 있습니다.
Holo4는 데스크톱, 웹, Android, 코드 샌드박스 및 비즈니스 API를 대상으로 실행됩니다. 어떤 경우든 동일한 모델이며 동일한 방식으로 호출됩니다. 각 플랫폼마다 다른 모델을 선택할 필요가 없습니다.
Holo4 모델은 기존의 Qwen 기반 모델보다 크게 향상되었습니다. Holo4는 장기 워크플로우에서 가장 강력한 폐쇄형(closed) 모델들만 뒤처집니다. OSWorld 2.0 기준, Holo4 27B는 Opus 5.5의 81.8%에 비해 61.7%를 기록했으며, Holo4 35B-A3B는 30.9%에 도달합니다. 하지만 이는 비교할 수 없을 정도로 적은 파라미터와 훨씬 낮은 비용으로 달성한 것입니다. 저희는 공개 벤치마크에서 점수를 얻은 모든 궤적을 오픈 소스화합니다: trajectories.hcompany.ai에서 각 단계를 재현하거나 Hugging Face에서 다운로드할 수 있습니다.
데스크톱 제어(OSWorld 2.0) 및 API 사용(AutomationBench)에 대한 가장 어려운 학술 벤치마크에서, Holo4는 작업당 훨씬 낮은 비용으로 최첨단 모델들과 경쟁합니다.
비용-성능 차트 참고 사항
OSWorld 2.0. 비용은 각 에이전트 실행의 입력 및 출력 토큰을 기반으로 추정되었습니다. Holo4는 H Models API 요율(단일 실행)로 책정되었습니다. Qwen3.8 27B: 모델 카드 점수, Alibaba Cloud 리스트 가격 기준 당사 실행 토큰에서 산출된 비용입니다. Qwen3.6 35B-A3B: 캐시 적중률이 입력 가격의 20%인 Alibaba Cloud 리스트 가격 기준으로 당사의 하네스(harness)에서 단일 실행되었습니다. OpenAI 출시 데이터는 GPT와 Opus 노력 스윕을 제공하며, 기타 폐쇄형 및 오픈 웨이트 지점은 공식 OSWorld 2.0 리더보드를 사용합니다. 출시 버전, 하네스 및 작업 세트가 다릅니다. 이 선은 폐쇄형 모델들 사이의 비지배 점수-비용 쌍을 연결하며, Holo4는 제외되었습니다.
AutomationBench. Holo4, Qwen3.8 27B 및 Qwen3.6 35B-A3B: AutomationBench v1.0.6에서 측정되었으며, 점수와 비용은 당사의 내부 하네스(harness)로 측정되었습니다. 기타 모델: AutomationBench README의 공개 세트 점수, 사설 세트를 기반으로 실행되는 공식 리더보드의 작업당 비용입니다. Holo4는 평가가 완료되면 사설 세트에 대해 보고할 것입니다.
당사의 Agentic Task Factory에서 환경 및 작업을 통해 훈련된 Holo4 모델은 전문 소프트웨어에서 탁월한 성능을 보입니다. 아래 예시는 Qwen3.8 27B(Holo4의 기본 모델)와 함께 Holo4 27B를 보여줍니다. 두 모델 모두 동일한 프롬프트와 하네스를 사용합니다.
FreeCAD에서 에펠탑의 3D 모델을 제작하되, 규모는 1mm부터 1미터까지이며, 원점을 중심으로 X 및 Y 축에 정렬해야 합니다. 이 디자인 작업을 수행하십시오.
이 탑은 모든 높이에서 평면도가 사각형이며 절대 원형이 아닙니다. 중앙 축에서 모서리까지 측정한 반폭(half-width)은 지상에서는 62.5mm, 높이 57에서는 32.5mm, 높이 115에서는 17.5mm, 그리고 높이 276에서는 9.35mm입니다. 이들 높이 사이에서 반폭은 지면 근처에서는 급격히 떨어지고 위로 갈수록 완만하게 떨어지는 부드러운 곡선을 따르며, 절대 직선이 아닙니다.
네 개의 동일한 다리가 각 사분면에 하나씩 있으며, 각각의 다리는 바깥 모서리가 해당 프로필을 따르는 정사각형 기둥입니다. 각 다리는 지면에서 14mm 폭이며 높이 276mm에서 4mm로 가늘어집니다. 다리들은 첫 번째 플랫폼까지는 지면에서 떨어져 서 있다가 올라감에 따라 수렴합니다. 그 사이의 공간은 아무것도 채우지 않습니다: 이 탑은 개방되어 있으며, 모든 방향에서 똑바로 볼 수 있습니다.
세 개의 플랫폼이 있으며, 각각 축을 중심으로 하는 단단한 정사각형 슬래브입니다: 높이 57mm에서 폭 72mm, 두께 4mm; 높이 115mm에서 폭 40mm, 두께 3mm; 높이 276mm에서 폭 22mm, 두께 3mm.
높이 276mm에서 324mm까지의 마스트로, 정사각형이며 밑부분은 폭 8mm이고 끝부분에서는 2mm로 가늘어집니다.
모든 부분은 비영(non-zero) 부피를 가진 폐쇄된 고체여야 하며, 어떤 부분도 다리 사이의 공간을 채울 수 없습니다.
Holo4 27B (84 calls, 1.3M tokens)
Qwen3.8 27B (60 calls, 1.0M tokens)
FreeCAD에서 H 회사 로고의 3D 모델을 만드세요: 단단하게 채워진 원반과 블록 형태의 산세리프 대문자 H가 나란히 배치되어야 하며, 두 모양 모두 같은 두께로 돌출(extruded)되어야 합니다. 두 모양은 비슷한 높이를 가지며 겹치지 않도록 떨어져 있어야 하고, 원반의 중심은 H의 중간선과 일치해야 합니다. 두 모양 모두 검은색으로 색칠하세요.
Holo4 27B (94 calls, 1.5M tokens)
Qwen3.8 27B (118 calls, 1.9M tokens)
Godot에서 Pac-Man 스타일 게임을 만들고 실행 상태로 두세요.
그리드 위에 배치된 벽으로 이루어진 직사각형 미로이며, 모든 열린 통로에는 펠릿(pellets)이 채워져 있습니다. 플레이어 마커가 통로를 따라 지속적으로 움직이며 지나가는 펠릿을 먹고 점수를 얻습니다. 세 개의 유령이 같은 통로를 통해 이동하며 플레이어를 추격합니다. 만약 유령이 플레이어를 잡으면, 플레이어는 생명을 하나 잃고 모든 것이 시작 위치로 초기화됩니다. 점수와 생명은 화면에 표시됩니다.
아무도 이 게임을 플레이하지 않을 것입니다. 플레이어는 간단한 휴리스틱(heuristic)으로 스스로 구동됩니다: 각 교차로에서 가장 가까운 펠릿 쪽으로 이동하며, 유령이 근처에 있는 경우 그 유령으로부터 멀어집니다. 이 게임은 키보드 입력 없이도 무인 상태로 무기한 실행되어야 합니다.
작동하면 게임을 시작하고 계속 재생되도록 둡니다.
Holo4 27B (68 호출, 2.4M 토큰, 268 라인)
Qwen3.8 27B (197 호출, 11.4M 토큰, 327 라인)
당사의 내부 에이전트 파이프라인(agentic pipelines) 세트는 문서만으로도 실제 웹사이트 스크린샷이나 오픈 소스 소프트웨어와 같은 대화형 환경과 검증 가능한 태스크를 구축합니다. 현재까지 이 시스템은 웹 앱, MCP 서버 및 데스크톱 환경을 포함하여 약 10,000개의 태스크를 생성했으며, 여기에는 GUI와 MCP를 통해 동일한 상태를 노출하는 하이브리드 환경도 포함됩니다.
훈련과 병행하여, 우리는 모델의 행동을 실행하고 수백 단계에 걸쳐 컨텍스트를 관리하는 루프인 자체 하네스(harness)를 OSWorld 2.0에서의 에이전트 성능 피드백을 사용하여 재구축했습니다. 에이전트는 각 태스크가 실패한 이유를 기록했고 엔지니어들은 그 수정 사항들을 검토했습니다. 가장 큰 변화는 에이전트에게 수백 단계를 추적할 수 있는 신뢰할 수 있는 메모리(memory)와 데스크톱 머신 자체의 셸(shell)을 제공한 것입니다.
OpenAI의 출시 차트에서 가져온 v2026.08.08 오프라인 세트에서 Opus 5 (70.2%)와 GPT-5.6 Sol (66.2%)이 최대 노력 부분 보상(max-effort partial rewards)을 사용했습니다. 다른 참조 점수는 모델 카드 및 공식 리더보드에서 가져왔습니다. 태스크 출시, 하위 집합 및 하네스는 다릅니다.
당사의 사후 훈련 스택(post-training stack)은 새로운 파운데이션 모델에 적응하고 인터페이스와 환경 전반에 걸쳐 일반화하는 에이전트를 생성하도록 설계되었습니다. NVIDIA Nemotron Coalition의 일원으로서, 우리는 Holotron 3에 이은 후속 조치로 최신 스택을 Nemotron 3 Nano Omni 모델에 적용했습니다.
동일한 레시피를 통해 Nemotron 3 Nano Omni는 Holotron4 Nano라는 범용 에이전트 모델로 변환되며, 이는 GUI 워크플로우 및 MCP, API 또는 코딩 샌드박스를 노출하는 환경에서 기본 모델 대비 현저하게 개선됩니다.
성과는 Nemotron 3 Nano Omni 대비 절대 백분율 포인트(absolute percentage-point) 향상입니다.
이러한 성과들은 우리의 레시피가 잘 전이되며, 범용 모델을 에이전트 전문가로 변환할 수 있음을 보여줍니다. 이 과정에서 크기별 특성이 있는 부분은 없습니다.
두 가지 크기 모두 오늘부터 H Models API에서 이용 가능합니다. 가중치(Weights)는 작은 모델인 Holotron4 Nano 옆에 Hugging Face에서 BF16, FP8, NVFP4 및 4비트 GGUF 형식으로 제공됩니다.
추론(inference)을 더욱 가속화하기 위해 최적화된 DSpark drafter 체크포인트는 며칠 내로 출시될 예정입니다.
