Holo2: Новая мультимодальная модель для понимания интерфейсов

Представлена Holo2 – мультимодальная модель нового поколения, разработанная для эффективного взаимодействия с интерфейсами, навигации и логического мышления в веб-пространстве, а также на десктопах и мобильных устройствах. Модель демонстрирует значительное улучшение производительности на бенчмарках UI-grounding, достигая 66,1% на ScreenSpot-Pro и 76,1% на OSWorld-G, что на 3–5% выше предыдущих версий и превосходит существующие аналоги.

В основе архитектуры Holo2 лежит Qwen3-VL, обеспечивающая глубокое понимание интерфейсов, улучшенную навигацию и способность к рассуждениям, которые отсутствовали в предыдущих версиях. Модель эффективно работает в браузере, Ubuntu и Android, что упрощает её интеграцию в различные среды и платформы.

Флагманская версия 30B-A3B использует технологию Mixture of Experts, активируя лишь 3B параметров на каждом шаге, что позволяет достичь качества модели 30B при значительно меньших вычислительных затратах. Модель самостоятельно генерирует reasoning-токены, повышая точность и устойчивость к контексту. Holo2 полностью совместима с архитектурой Surfer 2 и ReAct-пайплайнами, что делает её идеальной для создания продвинутых UI-агентов.

Развёртывание Holo2 возможно напрямую через vLLM и любой фреймворк, совместимый с Qwen3-VL. Лицензии модели распределены следующим образом: версии 4B и 8B доступны под лицензией Apache-2, а версия 30B-A3B предназначена исключительно для некоммерческого использования.

Подробная информация, инструкции и примеры использования доступны в блоге компании, на HuggingFace и в Cookbook.

Ну что ж, теперь нейросети будут понимать наши интерфейсы лучше нас самих. Осталось только научить их платить за наши счета.