Holo4: modelos abiertos para agentes informáticos

Qué lanzó exactamente H Company

Lo interesante no es solo el tamaño de los modelos, sino el carácter práctico del lanzamiento: Holo4 está pensado para controlar la web, el escritorio y las interfaces móviles. En su anuncio del 28 de septiembre de 2026, H Company presentó esta familia como modelos generalistas de uso informático con pesos abiertos.

La gama incluye dos arquitecturas diferentes. Holo4-27B es un modelo vision-language denso basado en Alibaba Qwen3.8-27B, mientras que Holo4-35B-A3B utiliza una arquitectura sparse mixture-of-experts basada en Alibaba Qwen3.6-35B-A3B, con unos 3B de parámetros activos. La ficha del modelo 27B indica una ventana de contexto de 262.144 tokens.

Los pesos se publicaron en BF16, FP8, NVFP4 y GGUF de cuatro bits. No es una colección decorativa de formatos: H Company orienta estos modelos al despliegue local, incluso en configuraciones con una sola GPU, aunque los requisitos concretos dependen de la representación de pesos elegida.

Según los materiales oficiales de H Company, el modelo denso logró un 61,7% en OSWorld 2.0 y la versión MoE alcanzó un 30,9%. En OSWorld se indican resultados de 85,2% y 80,8%, con costes declarados por tarea de 0,08 y 0,05 dólares respectivamente. Estas cifras no deben mezclarse, porque las versiones del benchmark y los protocolos de evaluación son distintos.

Por qué los pesos abiertos cambian realmente el panorama

El cambio principal es sencillo: ahora se puede estudiar y desplegar un agente informático sin depender obligatoriamente de una API cerrada. Los pesos abiertos y cuantizados permiten reproducir evaluaciones, modificar el entorno de ejecución y comprobar el comportamiento del modelo en interfaces propias.

Sin embargo, los resultados muestran un matiz técnico incómodo: tener menos parámetros activos no implica automáticamente una calidad de acción comparable. Holo4-35B-A3B puede resultar más atractivo por coste de ejecución, pero queda por detrás de la versión densa en las pruebas citadas, especialmente en OSWorld 2.0. Ahorrar cómputo solo importa si los errores del agente no eliminan ese ahorro.

Más que una buena posición en una tabla, conviene analizar la estabilidad de secuencias largas de acciones, la latencia del ciclo visual y la recuperación tras un clic erróneo. Los pesos abiertos hacen posible esa comprobación, pero no garantizan el resultado. La cuestión clave es si la ventaja de Holo4-27B en las tablas oficiales se trasladará a interfaces vivas y cambiantes.

Anteriormente analizamos la marcha atrás de Anthropic respecto a las degradaciones silenciosas de consultas de Claude y lo que reveló sobre la transparencia de los modelos. Ese debate aporta un contexto útil para valorar las conclusiones compartidas por el investigador de Humanistic AI.