Holo1：HCompany开源高性能视觉-语言模型，赋能Surfer-H代理实现精准网页交互

Holo1 是由 HCompany 开发的一款专为网络代理系统设计的 动作视觉-语言模型（VLM），作为 Surfer-H 网络代理的核心组件之一，它具备像人类用户一样与网页界面交互的能力。

• 模型：https://huggingface.co/collections/Hcompany/holo1-683dd1eece7eb077b96d0cbd

核心功能角色：

在 Surfer-H 的模块化架构中，Holo1 可以担任以下任一关键角色：

• 策略模型（Policy Model）：负责任务规划与行为决策。
• 定位模型（Localizer Model）：理解视觉界面并驱动精确交互。
• 验证模型（Validator Model）：判断当前输出是否有效，并支持重试机制。

这种灵活的角色分配机制使 Holo1 能够适应不同复杂度的任务需求。

技术背景与训练数据

Holo1 基于 Qwen2.5-VL-7B-Instruct 微调而来，结合了多种高质量数据源进行训练，包括：

• 开放访问网页内容
• 合成生成样本
• 自产代理交互数据

这些数据的融合使 Holo1 在多个 UI 定位与网页导航任务中表现出色。

性能表现与评估结果

📊 WebVoyager 基准测试（643 个真实世界任务）

从上表可见，Holo1 驱动的代理在准确率与成本之间实现了帕累托最优平衡，是目前最具性价比的视觉语言代理方案之一。

不同于依赖定制 API 或脆弱封装器的系统，Surfer-H 通过浏览器原生操作完成任务，就像一个真实的用户在使用网页。

UI 定位能力评估

Holo1 在多个 UI 定位基准中表现优异，显著优于其他主流模型如 Qwen2.5-VL、UI-TARS 和 UGround：

为了推动社区研究，HCompany 还发布了新的 UI 定位基准 WebClick，包含来自 100 多个网站的 1,639 对图像-指令样本，更加贴近真实用户的使用场景。