H Company 開源 Holo1.5：專攻電腦操作，定位精度提升超 10%

Holo1.5 是一個專為電腦操作（Computer Use）打造的開源基礎模型系列，主要用來讓 AI 像真人一樣看懂螢幕並精準點選。這次 H Company 一口氣開源了 3B、7B 和全新的 72B 三種尺寸，全權重都在 Hugging Face 上開放下載。

它能做什麼

所謂的介面元素定位（UI element localization，也叫 grounding），就是給模型一張當前螢幕的截圖並分配任務，比如「開啟 Spotify」，模型需要直接輸出該點選的準確螢幕座標（X, Y）。精準的螢幕導航是操作類智慧體的底層基本功，Holo1.5 全系在這項任務上的精度比初代 Holo1 提升了超過 10%。

除了找座標，模型還強化了 UI 視覺問答（VQA）能力。智慧體在幹活時需要時刻判斷當前狀態，比如「現在啟用的是哪個標籤頁」「使用者有沒有登入成功」。Holo1.5 能根據介面視覺畫面直接回答這些自然語言提問，幫智慧體跟蹤上下文、驗證上一步動作是否生效、並在遇到意外彈窗時消除歧義。

測試覆蓋了網頁、移動端以及 macOS、Ubuntu 和 Windows 三大桌面系統。在考驗專業高解析度生產力軟體的 ScreenSpot-Pro 基準上，面對 Photoshop、AutoCAD 和 VSCode 這類密集複雜的介面，Holo1.5 拿下了出色的成績。官方資料顯示，它的定位表現不僅超過了開源的 Qwen-2.5 VL、專為該任務設計的 UI-TARS 1.5 和 UI-Venus，也優於閉源通用模型 Sonnet 4。

去哪裡試與怎麼上手

Holo1.5 的完整模型權重已經全部上傳至 Hugging Face，開發者可以直接拉取 3B、7B 或 72B 權重部署到自己的工作流中。

如果你不想一上來就配置本地環境，H Company 在 Hugging Face Space 上線了一個線上演示，可以直接體驗如何在電腦操作場景下給模型發提示詞，並觀察它是如何輸出精準座標的。官方也提到，未來幾週內會陸續釋出基於 Holo 模型構建的全新工具與智慧體。

為什麼重要

如果你正在開發自動化桌面指令碼、RPA 工具或跨平臺操作智慧體，Holo1.5 很值得立刻拿來測試。3B 和 7B 的輕量體積適合放在本地跑起低延遲定位，而 72B 則能在複雜的桌面生產力軟體中充當高精度主力。

業內很多做操作智慧體的團隊此前主要依賴通用閉源大模型，但這類模型不僅呼叫成本高，面對複雜軟體細小的按鈕和特定狀態也容易點偏。Holo1.5 把專業級定位和 UI 理解做成了開放權重方案，我們認為這切實降低了構建通用電腦操作智慧體的門檻，讓開發者能以更低的成本跑起靠譜的本地化系統。