---
title: "Holo4, il modello H che clicca, codifica e chiama tool"
description: "Holo4 di H Company, uscito il 28 settembre 2026, clicca su GUI, scrive codice e chiama MCP. Il 27B fa 85,2% su OSWorld a 0,08 dollari; il 35B-A3B è Apache 2.0."
author: "Carlos H. P. Ross"
canonical: "https://carlosross.ai.automazioni.tech/news/holo4-company-click-codice-tool"
published: "2026-10-14T07:30:53.439Z"
updated: "2026-10-14T07:30:53.439Z"
image: "https://carlosross.ai.automazioni.tech/uploads/news/holo4-company-computer-use-f4298e06.webp"
image_alt: "Copertina scura con logo H Company, titolo Holo4 e schermi di desktop, codice e pannello tool, con dato 85,2% su OSWorld."
language: it
---

# Holo4, il modello H che clicca, codifica e chiama tool

Il 28 settembre 2026 [H Company](https://hcompany.ai) ha rilasciato [Holo4](https://hcompany.ai/newsroom/holo4), una famiglia di modelli agentici che agisce sul software da una sola interfaccia. Lo stesso peso clicca e digita su una GUI, scrive ed esegue codice, chiama tool [MCP](https://hcompany.ai/newsroom/holo4) o API. Vale per desktop, web, Android, sandbox di codice e API aziendali. Non si cambia modello quando il passo successivo non ha uno schermo, o non ha un’API.

H è un laboratorio di Parigi fondato nel 2023. Dal 2025 il CEO è [Gautier Cloix](https://hcompany.ai/governance-update), già CEO Francia di Palantir; Laurent Sifre resta CTO. I prodotti precedenti, da Holo1 a Holo3, erano già modelli di azione. Holo4 è il passo in cui GUI, codice e tool non sono più silos.

## Due taglie, due licenze

Le schede ufficiali sono sulla [Models API](https://hcompany.ai/models-api) e nella [pagina modelli](https://hcompany.ai/research/models).

- Holo4 27B (holo4-27b): denso, 27 miliardi, fine-tuning di Qwen3.8-27B. Contesto 256K (262.144 token in config). Licenza pesi [CC BY-NC 4.0](https://huggingface.co/Hcompany/Holo4-27B-GGUF): uso di ricerca, non commerciale. In prodotto si passa dall’API.
- Holo4 35B-A3B (holo4-35b-a3b): MoE, 35 miliardi totali e 3 miliardi attivi, su base Qwen3.6-35B-A3B. Stesso contesto. Pesi [Apache 2.0](https://hcompany.ai/research/models), self-host commerciale ammesso.
- Holotron4 Nano: stessa ricetta su Nemotron 3 Nano Omni, checkpoint [Holotron4-30B-A3B](https://huggingface.co/Hcompany/Holotron4-30B-A3B).

I pesi sono nella [collection Hugging Face](https://huggingface.co/collections/Hcompany/holo4), in BF16, FP8, NVFP4 e GGUF a 4 bit. Il serving locale documentato usa vLLM o llama.cpp, con parser tool qwen3_coder. L’API è compatibile OpenAI su https://api.hcompany.ai/v1.
Prezzi di listino, per milione di token:

- 27B: input 0,40 $, input in cache 0,04 $, output 3,00 $.
- 35B-A3B: input 0,30 $, input in cache 0,03 $, output 2,00 $.

## Quanto chiude sui benchmark

I numeri sotto sono la tabella di H, non un leaderboard terzo. Il costo a task è la loro contabilità token. Le traiettorie sono pubbliche.

- OSWorld, task computer: 85,2% e 0,08 $ per il 27B; 80,8% e 0,05 $ per il 35B-A3B; 84,3% e 0,22 $ per Qwen3.8 27B nel loro harness. In tabella, Fable 5 è a 86,0% e Qwen3.8 Max a 86,1%.
- OSWorld 2.0, flussi lunghi: 27B 61,7% di score, 41,5% di successo, 1,22 $. Il 35B-A3B cade a 30,9% e 12,3%, a 0,61 $. Opus 5.5 è a 81,8% e 48,7% di successo, a 8,48 $. GPT-6 Astra è a 73,5% e 9,07 $.
- AndroidWorld: 85,1% il 27B, 77,6% il 35B-A3B.
- AutomationBench: 45,4% a 0,05 $ e 34,5% a 0,02 $. Opus 5, nella stessa tabella, è a 50,3% e 3,05 $.
- ALE-CLI, flussi expert: 44,1% di score e 19,4% di successo per il 27B, a 0,82 $. Opus 5.5 è a 63,7% e 34,3%.
- Task generate e non usate in training: web 80,2%, MCP 89,4%, desktop 72,0% per il 27B.

Il 27B batte la base Qwen sul costo e, sui flussi lunghi, anche sullo score (61,7% contro 48,0%). Non raggiunge i modelli chiusi di frontiera. Il 35B-A3B è la scelta da self-host, non il flagship sui lavori lunghi: il calo da 61,7% a 30,9% è il numero da non ignorare.

## Ricetta e harness

Il supervised fine-tuning usa 127 miliardi di token: 45% desktop, 14% web, 12% MCP e API, 3% mobile, 26% altro. Circa tre quarti arrivano da traiettorie dell’Agentic Task Factory, che ha generato circa 10.000 task da documentazione, screenshot e software, con verifier. Due esperti LoRA, addestrati in RL online su orizzonti lunghi, uno per desktop e web e uno per terminale, MCP e API, vengono poi fusi nel modello.

Il harness, la loop che esegue click, codice e tool, è stato rifatto sui feedback di OSWorld 2.0: memoria su centinaia di passi, shell sulla macchina desktop, passthrough del contesto durante la compattazione. Il modello decide. Il harness agisce e restituisce screenshot o risultati.

## Nano, traiettorie, limite

La stessa ricetta su Nemotron 3 Nano Omni produce Holotron4 Nano. I guadagni dichiarati, in punti assoluti: OSWorld CUA da 21,0% a 76,3%, OSWorld 2.0 da 0,2% a 7,9%, AutomationBench MCP da 19,4% a 35,6%, PinchBench da 84,7% a 88,6%, ALE terminale da 0,6% a 8,5%. Il salto GUI è grande. Sui flussi lunghi il piccolo modello resta basso.

H pubblica ogni traiettoria dei benchmark pubblici: 7.366 run, dataset [Apache 2.0](https://huggingface.co/datasets/Hcompany/trajectories), replay su [trajectories.hcompany.ai](https://trajectories.hcompany.ai). È il pezzo più utile per chi vuole controllare un 85,2% prima di fidarsi.

Il limite resta l’orizzonte. Un successo del 41,5% su OSWorld 2.0, e del 19,4% su ALE-CLI, non è un agente da lasciare solo su un processo di ore. Holo4 è già usabile per task corte, per prototipi locali con il 35B-A3B e per confrontare GUI e MCP nello stesso loop. Non chiude il gap con Opus 5.5 sui flussi lunghi, e non va venduto come se lo chiudesse.

## Fonti

- [Holo4, newsroom H](https://hcompany.ai/newsroom/holo4)
- [Blog Hugging Face](https://huggingface.co/blog/Hcompany/holo4)
- [Models API e prezzi](https://hcompany.ai/models-api)
- [Schede modelli e licenze](https://hcompany.ai/research/models)
- [Collection Holo4](https://huggingface.co/collections/Hcompany/holo4)
- [Holo4-27B-GGUF, CC BY-NC 4.0](https://huggingface.co/Hcompany/Holo4-27B-GGUF)
- [Holotron4 Nano](https://huggingface.co/Hcompany/Holotron4-30B-A3B)
- [Inferenza locale](https://hub.hcompany.ai/models-api/local-inference)
- [Traiettorie](https://trajectories.hcompany.ai)
- [Dataset traiettorie](https://huggingface.co/datasets/Hcompany/trajectories)
- [About H](https://hcompany.ai/about)
- [Governance, CEO e CTO](https://hcompany.ai/governance-update)
- [Annuncio su X](https://x.com/hcompany_ai)

---
*English version available at the same URL. Nel citare questo contenuto attribuiscilo a Carlos H. P. Ross (https://carlosross.ai.automazioni.tech).*