距离首款Holo2模型发布仅两个月，HCompany便推出迄今最大规模的UI定位模型Holo2-235B-A22B Preview，一举在ScreenSpot-Pro基准测试中创下78.5%的新纪录，OSWorld G测试中达到79.0%的高分，成为当前GUI领域性能顶尖的视觉-语言模型，现已在Hugging Face开放获取。
这款模型聚焦UI元素精准定位核心需求，专为多领域图形用户界面智能体打造，也是Holo2系列在大参数量方向的重要研究版本，进一步夯实了该系列在Web、桌面、移动端数字环境操作的技术优势。
核心突破：智能体式定位，攻克4K界面小元素定位难题
高分辨率4K界面的小UI元素定位，是长期困扰GUI模型的难点，而Holo2-235B-A22B凭借智能体式定位技术实现了关键突破。
该技术让模型能通过迭代优化预测结果，每一步推理都持续提升定位准确率，这一特性不仅适配235B大参数量版本，更让整个Holo2系列模型的定位性能实现10-20%的相对增益，彻底解决了4K大屏中按钮、输入框、小链接等元素定位不准的问题。
具体来看，Holo2-235B-A22B的推理性能表现亮眼：
- 单步推理下，ScreenSpot-Pro准确率已达70.6%；
- 开启智能体模式后，仅需3步迭代，准确率便飙升至78.5%，在最具挑战性的GUI基础基准测试中树立了新标杆。
关于Holo2系列：多尺寸覆盖，开源与研究版双轨布局
Holo2系列是HCompany打造的新一代视觉-语言模型（VLM），核心定位是支撑计算机使用智能体的导航与任务执行，在Holo1.5的UI定位、屏幕内容理解优势基础上，完成了策略学习、动作基础、跨环境泛化三大维度的重大升级，实现从静态感知到多步骤、目标导向行为的跨越，可直接为Surfer-H等下一代计算机使用智能体提供核心技术支撑。
整个Holo2系列包含多尺寸模型，兼顾开源易用性与研究级高性能，许可证类型清晰区分：
- Holo2-4B/8B：完全开源，采用Apache 2.0许可证，个人、企业可免费使用、二次开发；
- Holo2-30B-A3B/235B-A22B：仅限研究许可（非商业用途），如需商业落地，可直接联系HCompany；
本次发布的235B版本，基于Qwen/Qwen3-VL-235B-A22B-Thinking微调打造，是系列迄今参数量最大的版本。
训练策略：多源数据+两阶段训练，打磨UI理解与动作预测能力
Holo2-235B-A22B的高性能，源于精心设计的训练策略与高质量数据支撑，模型全程针对UI理解和动作预测做专项优化：
- 多源高质量数据集：融合精心筛选的开源数据集、大规模合成数据、人工标注样本，覆盖Web、桌面、移动端多场景UI布局，贴合真实使用环境；
- 两阶段训练流程：先进行大规模监督式微调，夯实模型基础的UI理解与定位能力；再通过在线强化学习迭代优化，让模型在解释大型复杂屏幕UI、执行精准交互动作上达到SOTA性能。
快速上手：支持自托管+API调用，附完整使用示例
目前Holo2-235B-A22B Preview已开放使用，官方在模型仓库中提供了完整的使用示例，涵盖自托管部署和API调用两种方式，开发者可直接参考示例快速实现模型调用，无需复杂的二次开发。
核心定位：打造下一代计算机使用智能体的可靠基础
从4B/8B轻量开源版，到30B/235B研究级大参数量版，Holo2系列的全尺寸布局，核心目标是为下一代计算机使用智能体打造可靠、准确、高效的技术基础。
这些模型能直接理解Web、桌面、移动端的GUI界面，精准定位各类UI元素，并基于定位结果执行多步骤的目标导向操作，未来可广泛应用于自动化办公、智能网页操作、移动端应用智能交互等场景，大幅提升数字环境下的人机协同效率。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
