Olá, é um prazer inenarrável estar mais uma vez escrevendo este post. A H company anunciou o Holo4, uma nova série de modelos projetada para executar tarefas em computadores usando diferentes tipos de interface. Em vez de ficar limitado a cliques em uma tela ou a chamadas de ferramentas, o agente pode combinar interfaces gráficas, código, MCP e APIs. Essa abordagem tenta aproximar os agentes de IA do modo como o trabalho realmente acontece: misturando sistemas, aplicativos e etapas aparentemente desconectadas.
O lançamento foi publicado em 28 de setembro de 2026 e inclui dois modelos principais, Holo4-27B e Holo4-35B-A3B, além do Holotron4 Nano. A promessa é interessante, mas os próprios resultados mostram uma história mais complexa: o Holo4 não supera os melhores modelos fechados em todos os testes, porém busca entregar desempenho competitivo com menor custo e pesos disponíveis para download.
Holo4 combina diferentes formas de usar o computador
O principal diferencial do Holo4 é a capacidade de escolher a interface mais adequada para cada tarefa. O modelo pode clicar e digitar em uma tela, escrever e executar código, acessar ferramentas por MCP ou chamar APIs de negócios. Na prática, isso significa que o mesmo agente pode trabalhar em um navegador, em um desktop, em um dispositivo Android, em um ambiente de código ou diretamente contra sistemas corporativos.
Essa flexibilidade resolve uma limitação comum dos agentes atuais. Um modelo treinado apenas para uso de interfaces gráficas pode ficar perdido quando existe uma API mais eficiente; já um agente orientado a ferramentas pode não saber agir quando a aplicação não oferece uma integração estruturada. O Holo4 tenta ocupar esse espaço intermediário, usando a interface disponível em vez de exigir que todo o ambiente seja adaptado ao modelo.
Esse tipo de arquitetura também torna a avaliação mais difícil. Não basta saber se o agente consegue chamar uma ferramenta: é necessário verificar se ele conclui uma tarefa longa, mantém o contexto e se recupera de erros ao longo do caminho. A avaliação de agentes de IA precisa considerar justamente essas etapas intermediárias, e não apenas o resultado de uma chamada isolada.
Holo4 aposta em desempenho com custo menor
Segundo a H company, o Holo4-27B alcançou 61,7% no OSWorld 2.0, enquanto o Holo4-35B-A3B chegou a 30,9% no resultado apresentado. O número de 61,7% ficou abaixo dos 81,8% atribuídos ao Opus 5.5 no material de divulgação, mas a empresa destaca que seus modelos usam uma quantidade muito menor de parâmetros e podem operar com custo inferior por tarefa.
No AutomationBench, voltado ao uso de APIs, a empresa também posiciona o Holo4 como competitivo em relação a modelos de fronteira. A comparação de custo foi feita com base em diferentes configurações, preços de APIs e conjuntos de tarefas, portanto os resultados não devem ser lidos como uma classificação universal. Eles servem principalmente para mostrar a tentativa de equilibrar qualidade e preço em fluxos longos.
A H company afirma ainda que disponibiliza as trajetórias completas por trás de seus resultados. Elas podem ser reproduzidas em um visualizador próprio ou baixadas como conjunto de dados no Hugging Face. Essa abertura é relevante porque permite observar não apenas se o agente acertou, mas também quais passos executou e onde pode ter falhado.
Holo4 foi treinado para tarefas profissionais
O modelo foi treinado com aprendizado supervisionado e por reforço em ambientes e tarefas produzidos pela Agentic Task Factory, estrutura interna da empresa. De acordo com o anúncio, essa fábrica já gerou cerca de 10 mil tarefas envolvendo aplicações web, servidores MCP e ambientes desktop, incluindo cenários híbridos que expõem o mesmo estado por uma interface gráfica e por ferramentas.
Os exemplos apresentados incluem a criação de modelos 3D no FreeCAD, o desenvolvimento de um jogo no Godot e a construção de uma representação do logotipo da empresa. Em um dos testes, o Holo4-27B precisou fazer 84 chamadas e processar 1,3 milhão de tokens para modelar a Torre Eiffel. Em outro, criou um jogo no Godot em 68 chamadas, com 2,4 milhões de tokens.
Esses casos ajudam a mostrar o tipo de tarefa que a empresa pretende atingir: trabalhos com muitas etapas, verificações e decisões intermediárias. Não se trata apenas de pedir uma resposta em texto, mas de deixar o agente operar ferramentas até que um resultado concreto exista.
Memória e shell fazem parte do avanço
Além do treinamento do modelo, a H company afirma ter reconstruído o harness responsável por executar as ações e administrar o contexto durante centenas de passos. Entre as mudanças estão uma memória mais confiável para acompanhar processos longos e acesso a um shell na própria máquina desktop.
Esse detalhe é importante porque o modelo não trabalha sozinho. Um agente pode ter boas capacidades de raciocínio e ainda falhar se perder informações antigas, não conseguir verificar arquivos ou não tiver um mecanismo consistente para continuar a tarefa. Em sistemas desse tipo, o ambiente de execução funciona quase como uma segunda metade do modelo.
Holo4 chega em versões abertas e por API
Os modelos Holo4-27B e Holo4-35B-A3B estão disponíveis pela H Models API, enquanto os pesos foram publicados no Hugging Face em formatos como BF16, FP8, NVFP4 e GGUF. A inclusão do GGUF pode interessar a quem procura alternativas para execução local, embora o desempenho real dependa do hardware, da quantização e do ambiente utilizado. A evolução recente do suporte a GGUF no Transformers também ajuda a aproximar esses modelos de fluxos baseados em Python e execução local.
A empresa também anunciou o Holotron4 Nano, uma versão criada a partir do Nemotron 3 Nano Omni. Segundo a H company, o modelo recebeu o mesmo processo de adaptação para atuar em fluxos com interfaces gráficas, MCP, APIs e sandboxes de código, apresentando ganhos sobre o modelo-base em cinco benchmarks.
O lançamento inclui ainda a promessa de checkpoints otimizados para o DSpark, com o objetivo de acelerar a inferência. Esses arquivos seriam disponibilizados posteriormente, portanto a disponibilidade e as características finais devem ser confirmadas antes de qualquer uso em produção.
O que o lançamento do Holo4 representa
O Holo4 representa uma tentativa de transformar agentes de IA em operadores mais generalistas, capazes de atravessar as fronteiras entre aplicativos, APIs e ferramentas de desenvolvimento. A proposta é menos glamourosa do que simplesmente anunciar um novo modelo, mas talvez seja mais próxima dos problemas reais: um processo de trabalho raramente cabe em uma única interface.
Ao mesmo tempo, os resultados apresentados não eliminam a necessidade de supervisão. Tarefas longas acumulam erros, consomem muitos tokens e podem produzir um resultado incorreto mesmo quando várias etapas parecem funcionar. O fato de um agente conseguir operar um computador não significa que ele deva receber acesso irrestrito a dados, sistemas ou ações irreversíveis.
Assim, a resposta para a questão inicial é direta: o Holo4 não tenta ser apenas mais um modelo que conversa sobre tarefas, mas um agente que executa trabalhos atravessando diferentes ambientes. Seu avanço mais importante pode estar nessa combinação de interfaces, treinamento e infraestrutura de execução. Resta acompanhar, em avaliações independentes e no uso cotidiano, se essa flexibilidade se transforma em produtividade consistente fora dos exemplos controlados.
