H Companyが「Holo1.5」をオープンソース公開：PC操作特化で精度10%向上

Holo1.5 は、AI が人間と同じように画面を見て正確に操作できるように設計された、PC 操作（Computer Use）特化型のオープンソース基盤モデルです。H Company は今回、3B、7B、そして新サイズの 72B の 3 種類を公開し、すべての重みが Hugging Face でダウンロード可能になっています。

何ができるのか

主な役割は、UI 要素の位置特定（グラウンディング）です。モデルにデスクトップのスクリーンショットと「Spotify を開いて」といった指示を与えると、クリックすべき画面上の正確な座標（X, Y）を出力します。Holo1.5 は前世代の Holo1 に比べ、すべてのサイズで位置特定精度が 10% 以上向上しました。

さらに、UI の視覚的質問応答（VQA）能力も強化されています。自律エージェントはただクリックするだけでなく、「現在アクティブなタブはどれか」「ログイン状態になっているか」といった画面の状態を正しく把握しなければ動作できません。Holo1.5 は画面の見た目からこれらの質問に自然言語で答えられるため、実行結果の確認や状況の追跡がスムーズに行えます。

評価は Web やモバイルに加え、macOS、Ubuntu、Windows といった主要デスクトップ環境を網羅しています。特に Photoshop や AutoCAD、VSCode などの高解像度かつ複雑な業務用ソフトを扱うベンチマーク「ScreenSpot-Pro」において、オープンソースの Qwen-2.5 VL や UI-TARS 1.5、UI-Venus だけでなく、商用の Sonnet 4 をも上回る精度を記録しました。

どこで試せるか

3B、7B、72B の全モデル重みは Hugging Face で公開されており、ローカル環境や自前のサーバーにダウンロードして組み込むことができます。

環境構築の前に挙動を確認したい方向けに、Hugging Face Space 上でプロンプトの入力と座標出力を確認できるインタラクティブなデモも用意されています。また、H Company は今後数週間以内に Holo を組み込んだエージェントツール群も順次公開していく予定です。

なぜ重要か

RPA やデスクトップ操作エージェントを自作している開発者にとって、Holo1.5 は今すぐ試す価値がある選択肢です。軽量な 3B や 7B はローカル環境で低遅延に動かす用途に向いており、72B は複雑なプロ向けソフトウェアを扱う精密なタスクを担えます。

これまで PC 操作エージェントの多くは商用の汎用大規模モデルに頼らざるを得ず、API コストがかさむ上に微小な UI 要素の座標特定でミスが起きやすいという課題がありました。Holo1.5 のように特化型の高精度モデルがオープンウェイトで手に入るようになったことは、実用的な自動化エージェントの開発コストを大きく引き下げる一手になると考えています。