H Company 开源 Holo1.5：专攻电脑操作，定位精度提升超 10%

Holo1.5 是一个专为电脑操作（Computer Use）打造的开源基础模型系列，主要用来让 AI 像真人一样看懂屏幕并精准点击。这次 H Company 一口气开源了 3B、7B 和全新的 72B 三种尺寸，全权重都在 Hugging Face 上开放下载。

它能做什么

所谓的界面元素定位（UI element localization，也叫 grounding），就是给模型一张当前屏幕的截图并分配任务，比如「打开 Spotify」，模型需要直接输出该点击的准确屏幕坐标（X, Y）。精准的屏幕导航是操作类智能体的底层基本功，Holo1.5 全系在这项任务上的精度比初代 Holo1 提升了超过 10%。

除了找坐标，模型还强化了 UI 视觉问答（VQA）能力。智能体在干活时需要时刻判断当前状态，比如「现在激活的是哪个标签页」「用户有没有登录成功」。Holo1.5 能根据界面视觉画面直接回答这些自然语言提问，帮智能体跟踪上下文、验证上一步动作是否生效、并在遇到意外弹窗时消除歧义。

测试覆盖了网页、移动端以及 macOS、Ubuntu 和 Windows 三大桌面系统。在考验专业高分辨率生产力软件的 ScreenSpot-Pro 基准上，面对 Photoshop、AutoCAD 和 VSCode 这类密集复杂的界面，Holo1.5 拿下了出色的成绩。官方数据显示，它的定位表现不仅超过了开源的 Qwen-2.5 VL、专为该任务设计的 UI-TARS 1.5 和 UI-Venus，也优于闭源通用模型 Sonnet 4。

去哪里试与怎么上手

Holo1.5 的完整模型权重已经全部上传至 Hugging Face，开发者可以直接拉取 3B、7B 或 72B 权重部署到自己的工作流中。

如果你不想一上来就配置本地环境，H Company 在 Hugging Face Space 上线了一个在线演示，可以直接体验如何在电脑操作场景下给模型发提示词，并观察它是如何输出精准坐标的。官方也提到，未来几周内会陆续发布基于 Holo 模型构建的全新工具与智能体。

为什么重要

如果你正在开发自动化桌面脚本、RPA 工具或跨平台操作智能体，Holo1.5 很值得立刻拿来测试。3B 和 7B 的轻量体积适合放在本地跑起低延迟定位，而 72B 则能在复杂的桌面生产力软件中充当高精度主力。

业内很多做操作智能体的团队此前主要依赖通用闭源大模型，但这类模型不仅调用成本高，面对复杂软件细小的按钮和特定状态也容易点偏。Holo1.5 把专业级定位和 UI 理解做成了开放权重方案，我们认为这切实降低了构建通用电脑操作智能体的门槛，让开发者能以更低的成本跑起靠谱的本地化系统。