La empresa H está emocionada de presentar Holo3, su nueva evolución en el ámbito de la Autonomous Enterprise. Este modelo ha obtenido un impresionante 78.85% en el benchmark OSWorld-Verified, estableciendo un nuevo estándar en el uso de computadoras de escritorio.
Holo3 no solo lidera en benchmarks; está diseñado específicamente para la producción. Utilizando nuestro agente flywheel, Holo3 ha sido entrenado para ejecutar flujos de trabajo en entornos empresariales sintéticos. Esto garantiza que Holo3 sobresalga en los escenarios comerciales actuales y sienta las bases para un futuro donde los agentes puedan navegar de manera autónoma cualquier paisaje digital.
Características y Accesibilidad de Holo3
Lo más destacable es que Holo3 logra esto con solo 10B de parámetros activos (122B en total), lo que representa un costo mucho menor en comparación con modelos de gran escala como GPT 5.4 u Opus 4.6. Todos los modelos están disponibles a través de nuestra Inference API. Además, los pesos de Holo3-35B-A3B son accesibles en Hugging Face bajo la licencia Apache2 y se pueden utilizar gratuitamente a través de nuestra API de inferencia.
Holo3 se distingue por su pipeline de entrenamiento especializado, un ciclo de retroalimentación continuo que refuerza dos pilares fundamentales: percepción y toma de decisiones.
El Ciclo de Aprendizaje Agentic
El ciclo de aprendizaje es clave para enseñar a nuestro modelo cómo ejecutar tareas específicas a partir de ejemplos anotados, desarrollando habilidades generalistas en una variedad casi infinita de interfaces de usuario. A continuación, se describen los métodos utilizados para construir modelos de uso de computadora de clase mundial:
- Datos de Navegación Sintética: generamos ejemplos de navegación específicos para escenarios utilizando instrucciones humanas y generadas.
- Aumento Fuera de Dominio: extendemos programáticamente los escenarios y aumentamos los datos para garantizar que Holo3 maneje lo inesperado.
- Aprendizaje por Refuerzo Curado: cada muestra de datos se selecciona cuidadosamente y se procesa mediante un pipeline que utiliza filtrado de datos avanzado y aprendizaje por refuerzo para maximizar el rendimiento.
