自Holo1模型发布以来，我们的研发团队始终致力于突破计算机交互（Computer Use）智能体的基础能力瓶颈。今日，我们正式宣布开源Holo1.5系列模型，提供3B、7B和全新72B三种参数规模，全面实现10%以上的准确率提升，刷新计算机交互定位模型的性能纪录。该系列模型不仅在用户界面（UI）理解与问答任务中表现卓越，更以完全开放权重的形式登陆HuggingFace平台，为全球开发者赋能下一代智能交互应用开发。
【免费下载链接】Holo1.5-7B 
项目地址: https://ai.gitcode.com/hf_mirrors/Hcompany/Holo1.5-7B
什么是UI元素定位技术？
计算机交互智能体通过模拟人类操作方式与软件系统进行原生交互——它们需要像人类一样"看见"屏幕内容，并执行点击、输入等精准操作。UI元素定位（又称视觉 grounding）作为核心技术，要求模型在给定任务指令（如"打开Spotify应用"）时，能从屏幕截图中计算出精确操作坐标。这种空间定位能力直接决定了智能体在数字环境中的导航精度，是构建可靠计算机交互系统的技术基石。
跨平台定位性能的全面突破
Holo1.5在主流定位基准测试中实现了性能飞跃。我们构建了覆盖Web端、移动端及桌面系统（包括macOS、Ubuntu和Windows）的全场景测试矩阵，结果显示Holo1.5不仅超越Qwen-2.5 VL等开源模型，更显著优于Sonnet 4等闭源通用模型，甚至在UI-TARS 1.5、UI-Venus等专项优化系统中也占据优势地位。特别值得关注的是，在ScreenSpot-Pro基准测试中，Holo1.5展现出处理专业级高分辨率界面的强大能力，该基准包含Photoshop、AutoCAD和VSCode等复杂软件场景，与真实工作环境高度吻合。
如上图所示，Holo1.5模型在3B至72B参数区间均处于帕累托最优前沿，实现了性能与效率的完美平衡。这一技术突破充分验证了我们在多模态融合架构上的创新成果，为开发者提供了从边缘设备到云端部署的全谱系解决方案。
界面理解与视觉问答能力的双重进化
除精准定位外，计算机交互智能体还需具备深度理解屏幕内容的认知能力。UI视觉问答（VQA）任务通过自然语言提问（如"当前激活的是哪个标签页？"或"用户是否已登录？"）来评估模型的界面理解水平。这种上下文感知能力使智能体能够追踪操作状态、验证执行结果，并解决实际任务中的歧义问题。
Holo1.5在UI VQA基准测试中表现出显著优势：不仅全面超越原始Qwen基础模型，更在开源与闭源模型的横向对比中稳居前列。这些结果证实Holo1.5已实现从"定位坐标"到"理解意图"的能力跃升，为构建通用型计算机交互智能体奠定了认知基础。
构建跨平台通用计算机交互智能体
我们的技术愿景是打造兼具成本效益与可靠性的计算机交互智能体。Holo1.5的发布标志着这一征程的重要里程碑，将加速行业对智能交互技术的信任与采用。值得关注的是，在未来几周内，我们将基于Holo模型推出系列工具与智能体应用，涵盖办公自动化、软件开发辅助、创意设计支持等多个领域。
作为诞生于巴黎、服务全球的人工智能企业，Holo系列模型的每一次迭代都致力于推动人机交互的范式革新。Holo1.5不仅是技术参数的提升，更是人工智能理解数字世界方式的革命性进步。我们坚信开放协作是技术创新的重要推动力，期待与全球开发者共同探索计算机交互智能体的无限可能。
随着Holo1.5模型的开源发布，人工智能与软件系统的交互方式正迎来历史性转折点。从简单的指令执行到复杂的任务规划，从单一应用操作到跨平台工作流协同，Holo1.5正在重新定义智能体与数字世界对话的技术标准。我们邀请开发者立即访问HuggingFace获取模型权重，或通过官网预约技术演示，共同开启智能交互的新纪元。
【免费下载链接】Holo1.5-7B 项目地址: https://ai.gitcode.com/hf_mirrors/Hcompany/Holo1.5-7B
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
