رونمایی از Holo4 توسط استارتاپ H Company؛ ایجنتی همه‌فن‌حریف که با ۷۹ درصد توکن کمتر کامپیوتر را کنترل می‌کند!

عرضه مدل‌های Holo4 توسط H Company برای خودکارسازی رابط کاربری، کدنویسی و کار با API

استارتاپ فرانسوی H Company که در پاریس مستقر است، از خانواده مدل‌های جدید خود به نام Holo4 رونمایی کرد؛ مدل‌هایی از دسته «کار با کامپیوتر» (Computer-Use) که می‌توانند درست مثل یک کاربر واقعی در محیط‌های گرافیکی کلیک کنند، در محیط‌های ایزوله کد بنویسند و اجرا کنند، و از طریق REST API یا پروتکل کاربردی MCP (مخفف Model Context Protocol) با ابزارهای مختلف در ارتباط باشند. هر دو چک‌پوینت منتشرشده هم از طریق API ابری H Models در دسترس قرار گرفته‌اند و هم وزن‌های آن‌ها برای میزبانی شخصی و اجرای محلی قابل دانلود است.

این خانواده دو نسخه اصلی دارد: یک مدل متراکم (Dense) با ۲۷ میلیارد پارامتر و یک مدل ترکیبی از متخصصان (MoE) با ۳۵ میلیارد پارامتر که در هر توکن تنها حدود ۳ میلیارد پارامتر فعال دارد. شرکت سازنده وزن‌های مدل را در فرمت‌های متنوع FP16، FP8 و نسخه سبک GGUF منتشر کرده است.

یک ایجنت واحد برای صفحه‌نمایش، ترمینال و APIها

معمولاً ایجنت‌های نرم‌افزاری به یک روش کنترلی خاص محدود می‌شوند؛ مثلاً فقط تعامل بصری با برنامه‌های دسکتاپ دارند، یا کارشان صرفاً خودکارسازی مرورگرهاست، یا از طریق ابزارهای ساختاریافته به API سرویس‌ها وصل می‌شوند. اما مدل Holo4 رویکرد متفاوتی دارد و از یک معماری واحد برای تعامل هم‌زمان با سیستم‌عامل‌های دسکتاپ، مرورگرهای وب، دستگاه‌های اندرویدی، سندباکس‌های کدنویسی، سرورهای MCP و اندپوینت‌های REST استفاده می‌کند.

یک چک‌پوینت واحد از این مدل می‌تواند در یک گردش کاری، منوهای برنامه FreeCAD را باز کند و در آن بچرخد، یک API سازمانی را فراخوانی کند و در ادامه یک اسکریپت شل را در ترمینال اجرا نماید. در کارهای ترکیبی نیز وقتی وضعیت یک برنامه هم از طریق رابط کاربری گرافیکی و هم از طریق پروتکل MCP در دسترس باشد، مدل می‌تواند هوشمندانه‌ترین و کوتاه‌ترین مسیر را برای رسیدن به نتیجه انتخاب کند.

نتایج بنچمارک دسکتاپ و موازنه‌ای که باید بدانید

بنچمارک شناخته‌شده OSWorld 2.0 بررسی می‌کند که آیا یک ایجنت هوش مصنوعی می‌تواند وظایف واقعی را در نرم‌افزارهای دسکتاپ به سرانجام برساند یا نه. طبق آماری که شرکت H ارائه داده، مدل Holo4-27B به امتیاز ۶۱.۷ درصد رسیده و مدل ۳۵ میلیاردی کم‌مصرف (Holo4-35B-A3B) امتیاز ۳۰.۹ درصد را ثبت کرده است. برای مقایسه، مدل پرچمدار و اختصاصی Opus 5.5 در این تست به امتیاز ۸۱.۸ درصد دست یافته که نشان می‌دهد قدرتمندترین چک‌پوینت Holo4 با وجود متن‌باز بودن، هنوز حدود ۲۰.۱ درصد از رقیب بسته خود فاصله دارد.

این اعداد نشان می‌دهند که در کارهای محیط دسکتاپ، مدل متراکم ۲۷ میلیاردی عملکرد به مراتب بهتری نسبت به نسخه بزرگ‌تر MoE از خود نشان می‌دهد؛ چراکه نام‌گذاری 35B-A3B صرفاً به تعداد کل و پارامترهای فعال اشاره دارد نه رتبه توانمندی مدل. البته این شرکت عملکرد کار با APIها را هم با بنچمارک AutomationBench می‌سنجد، هرچند امتیاز مشخصی برای آن در این گزارش قید نشده است.

در پست معرفی این استارتاپ، یک نمونه آزمایشی جالب از ساخت بازی پک‌من در موتور بازی‌سازی گودو (Godot) به نمایش گذاشته شده است. مدل Holo4-27B این پروژه را با ۶۸ بار فراخوانی ابزار و مصرف ۲.۴ میلیون توکن به پایان رسانده است؛ در حالی که مدل پایه آن یعنی Qwen3.8 27B تحت همان پرامپت و شرایط، به ۱۹۷ بار فراخوانی ابزار و ۱۱.۴ میلیون توکن نیاز داشت. این یعنی حدود ۶۵ درصد کاهش در فراخوانی ابزارها و ۷۹ درصد صرفه‌جویی چشمگیر در مصرف توکن! البته که هزینه واقعی استفاده عملیاتی به نوع سخت‌افزار، روش‌های کوانتیزاسیون، کش کردن و نرخ نهایی API نیز بستگی دارد.

چگونه وظایف شبیه‌سازی‌شده انتخاب کوتاه‌ترین مسیر را به مدل آموختند؟

استارتاپ H این مدل‌ها را با ترکیب یادگیری بانظارت و یادگیری تقویتی روی انبوهی از محیط‌ها و تسک‌های مختلف آموزش داده است. این شرکت از سیستمی اختصاصی به نام «Agentic Task Factory» استفاده کرده که با بررسی مستندات نرم‌افزاری و اسکرین‌شات برنامه‌ها، محیط‌های تمرینی متنوعی می‌سازد و معیارهایی برای ارزیابی خودکار نتایج تعیین می‌کند.

نکته جالب اینجاست که در برخی از این تسک‌های تولیدی، یک وضعیت نرم‌افزاری یکسان هم از طریق رابط کاربری گرافیکی و هم از طریق MCP در اختیار مدل قرار می‌گیرد. این تنظیمات باعث می‌شود مدل یاد بگیرد مسیرهای مختلف تعامل را با هم مقایسه کند؛ مثلاً بین کلیک کردن روی چند دیالوگ مختلف یا ارسال یک درخواست شسته‌رفته از طریق ابزار API، مسیری را انتخاب کند که سریع‌تر و کم‌خطاتر به نتیجه می‌رسد.

تیم توسعه همچنین بستر اجرای مدل را با افزودن مدیریت حافظه چندمرحله‌ای و یک شل دسکتاپ نیتیو بازطراحی کرده است. مدیریت حافظه کمک می‌کند ایجنت بتواند در توالی‌های طولانی مشاهده‌ها، کارها، پاسخ‌های ابزارها و حتی خطاها، وضعیت اصلی تسک را گم نکند. شل ترمینال نیز به مدل دسترسی مستقیمی برای مدیریت فایل‌ها، اجرای اسکریپت‌ها و دستورات خط فرمان در محیط‌های مجاز می‌دهد.

وزن‌های مدل، دسترسی به API و روش‌های پیاده‌سازی

هر دو چک‌پوینت این مدل از طریق API رسمی این شرکت در دسترس قرار دارند و استفاده تجاری از آن‌ها کاملاً مجاز است. مدل قیمت‌گذاری بر پایه میزان مصرف (Pay-as-you-go) تعریف شده است. برای مقایسه، مدل قبلی این شرکت یعنی Holo3-1-35B-A3B با هزینه ۰.۲۵ دلار به ازای هر میلیون توکن ورودی و ۱.۸۰ دلار برای هر میلیون توکن خروجی عرضه می‌شد و اشتراک رایگانی با محدودیت ۱۰ درخواست در دقیقه داشت. توسعه‌دهندگان می‌توانند پیش از برآورد هزینه‌های نهایی، نرخ‌های ویژه Holo4 را در پنل کاربری مشاهده کنند.

این مدل‌ها به درد چه کارهایی می‌خورند؟

حالت‌های تعاملی ترکیبی در Holo4 دقیقاً مناسب کارهایی هستند که نیازمند کار با چند برنامه مختلف‌اند یا بخش‌هایی از آن‌ها فاقد API آماده است:

1. خودکارسازی اداری و پشتیبانی: هماهنگ‌سازی کارها میان سامانه‌های CRM، نرم‌افزارهای ERP، سیستم‌های تیکتینگ و نرم‌افزارهای قدیمی سازمانی.
2. تست نرم‌افزار و بازگشت (QA): ارزیابی خودکار کیفیت در اپلیکیشن‌های وب، برنامه‌های دسکتاپ و نسخه‌های اندرویدی.
3. پژوهش و ورود داده: ترکیب وبگردی، ویرایش فایل‌های اکسل، اجرای اسکریپت‌ها و ثبت اطلاعات در APIها.
4. ابزارهای درون‌سازمانی: سیستم‌هایی که نیازمند اجرای محلی مدل‌ها بدون خروج داده‌ها یا ثبت کامل لاگ اقدامات ایجنت هستند.
5. اتوماسیون در مقیاس وسیع: پروژه‌های حجیمی که کاهش تعداد پارامتر فعال و توکن‌های مصرفی تأثیر مستقیمی بر هزینه‌های جاری می‌گذارد.

البته در استفاده واقعی در محیط تولید، نباید صرفاً به نتایج کلی بنچمارک‌ها اتکا کرد. ایجنت‌های متکی بر رابط کاربری گرافیکی ممکن است با کوچک‌ترین تغییر در چیدمان دکمه‌ها، تغییر سطح دسترسی‌ها، باز شدن پنجره‌های پیش‌بینی‌نشده یا به‌روزرسانی نسخه‌های نرم‌افزار با خطا مواجه شوند. از طرفی، دادن دسترسی به ترمینال و API نیز خطرات امنیتی مربوط به لو رفتن کلیدها، اقدامات مخرب ناخواسته یا خروجی‌های غیرقابل اطمینان را به همراه دارد. استفاده از محیط‌های ایزوله (Sandbox)، حداقل کردن دسترسی‌ها، تعیین سقف اقدامات مجاز، دریافت تایید انسانی قبل از انجام کارهای حساس و ثبت کامل لاگ‌ها همچنان ضروری‌ترین اقدامات حفاظتی به شمار می‌روند.

در پروژه‌های واقعی می‌توان از استراتژی چندلایه استفاده کرد: سپردن کارهای روتین و سبک به نسخه اقتصادی Holo4-35B-A3B، محول کردن کارهای تصویری و بصری سنگین‌تر به Holo4-27B، و ارجاع موارد مبهم یا حساس به یک مدل قدرتمندتر ابری یا اپراتور انسانی. تست‌های اختصاصی در هر محیط کاری مشخص خواهد کرد که این زنجیره باید چطور تنظیم شود.

مسیرهای باز تصمیم‌گیری؛ همه چیز زیر ذره‌بین

یکی از اتفاقات خوب در عرضه این مدل‌ها این است که استارتاپ H تمام مسیرهای حرکتی و تصمیم‌گیری ایجنت (Trajectories) در بنچمارک‌ها را از طریق یک ابزار نمایشگر اختصاصی و وبسایت هاگینگ فیس (Hugging Face) در دسترس عموم گذاشته است. این گزارش‌ها تمام مشاهده‌ها، تصمیم‌های گرفته‌شده، ابزارهای فراخوانی‌شده و تغییر وضعیت‌ها را در هر بار اجرا ثبت کرده‌اند تا پژوهشگران بتوانند دقیقاً ببینند ایجنت کجا موفق عمل کرده، کجا در حلقه گیر افتاده و کجا خرابکاری کرده است.

انتشار وزن‌های آزاد، ارائه نسخه‌های کوانتیزه‌شده متنوع و باز بودن مسیرهای ارزیابی، به توسعه‌دهندگان اجازه می‌دهد تا نتایج را شخصاً بررسی و شبیه‌سازی کرده و شرایط مختلف پرامپت‌ها و بسترهای اجرایی را بسنجند. از آنجا که بنچمارک‌های کار با کامپیوتر به‌شدت به نسخه‌های محیط، محدودیت گام‌ها و تنظیمات اجرا وابسته‌اند، ارزیابی‌های مستقل فنی همواره حیاتی خواهد بود.

در نهایت، Holo4 یک پکیج یکپارچه و کاربردی برای کنترل بصری سیستم، اجرای کد و استفاده از ابزارهای ساختاریافته در اختیار تیم‌ها می‌گذارد که هم به صورت ابری و هم با سرور شخصی قابل پیاده‌سازی است. هرچند این مدل در تست‌های دسکتاپ هنوز پشت سر رقبای قدرتمند تجاری مثل Opus قرار دارد، اما دسترسی متن‌باز و شفافیت بالای آن بررسی عملکرد واقعی‌اش را برای همه ممکن کرده است.