Holo4 Computer Use Rilis: Agen AI Kontrol Layar dan API Bisnis

Kenapa Kemampuan Holo4 Computer Use Dibuat Serba Bisa?

Alur kerja kantor di dunia nyata emang nggak pernah rapi dan seragam. Kadang kamu butuh AI yang bisa ngeklik tombol di software akuntansi jadul, ngetik data di spreadsheet, lalu mengirim hasilnya lewat webhook ke server cloud. Kalau agen AI cuma bisa satu cara, alur kerja otomatisasi bakal gampang putus di tengah jalan.

Holo4 dirancang buat mengatasi masalah itu secara langsung. Model ini bisa mengklik dan mengetik di layar monitor, menulis dan mengeksekusi kodenya sendiri, sekaligus memanggil perkakas MCP (Model Context Protocol) maupun API eksternal. Model ini berjalan di desktop, peramban web, sistem Android, ruang sandbox kode, sampai antarmuka API perusahaan tanpa perlu kamu ganti-ganti model lagi.

Fondasi Holo4 dibangun di atas model dasar Qwen dan disempurnakan lewat supervised learning serta reinforcement learning intensif. Hasilnya, lompatan kemampuannya kelihatan mencolok banget kalau dibandingin sama model dasarnya, terutama pas disuruh nuntaskan alur kerja yang panjang dan rumit.

Performa OSWorld 2.0 dan AutomationBench: Mendekati Frontier tapi Lebih Murah

Dalam pengujian akademik paling ketat buat kontrol desktop, yaitu OSWorld 2.0, Holo4 27B sukses mencatatkan skor 61,7%. Angka ini menempel ketat model frontier kelas atas seperti Claude Opus 5.5 yang memimpin di 81,8%, serta melampaui capaian model tertutup lain pada evaluasi tertentu, kayak Opus 5 (70,2%) dan GPT-5.6 Sol (66,2%).

Selain varian 27B dense, Hcompany juga ngeluarin varian Mixture of Experts (MoE) bernama Holo4 35B-A3B yang meraih skor 30,9%. Walaupun parameternya jauh lebih ramping, varian ini tetap andal mengeksekusi tugas harian dengan biaya komputasi yang ramah kantong. Kerennya lagi, Hcompany membuka seluruh rekaman trajectory pengujian ini ke publik lewat situs trajectories.hcompany.ai dan dataset Hugging Face, jadi kamu bisa ngecek tiap langkah klik yang diambil model.

Nggak cuma urusan klik layar, Holo4 juga diuji di benchmark API bernama AutomationBench v1.0.6. Pengujian ini mengukur seberapa presisi agen dalam merangkai aksi otomatisasi bisnis. Hasilnya konsisten: Holo4 mampu memberikan tingkat penyelesaian tinggi dengan konsumsi token yang jauh lebih irit dibanding model lain di kelasnya.

Berikut ringkasan angka benchmark OSWorld 2.0 dari pengujian yang dirilis:

Uji Nyata di Software Profesional: FreeCAD dan Godot

Biar nggak dibilang jago kandang di tes akademis doang, tim pengembang menguji Holo4 27B secara head-to-head melawan model dasarnya, Qwen3.8 27B, di software profesional. Keduanya dikasih prompt dan harness eksekusi yang sama persis.

1. Desain 3D Menara Eiffel di FreeCAD

Tantangan pertama adalah mendesain Menara Eiffel skala 1 mm:1 meter di software FreeCAD. Instruksinya detail banget: empat kaki melengkung terpisah tanpa sekat di tengah, tiga platform padat dengan ukuran presisi, serta tiang menara di bagian pucuk.

Holo4 27B sukses nuntaskan seluruh model 3D padat ini dalam 84 panggilan API dan 1,3 juta token. Sementara Qwen3.8 27B cuma berjalan 60 panggilan dan 1,0 juta token, tapi hasil bangunannya belum memenuhi bentuk melengkung yang diminta.

2. Pembuatan Model Logo 3D

Uji coba kedua meminta model membikin logo Hcompany di FreeCAD: bentuk piringan silinder pejal di sebelah huruf H kapital tanpa saling bertumpuk, keduanya punya ketebalan sama dan diwarnai hitam pekat.

Holo4 27B menuntaskan tugas ini dengan 94 panggilan dan 1,5 juta token. Di sisi lain, Qwen3.8 27B butuh usaha lebih keras sampai memakan 118 panggilan dan 1,9 juta token karena sempat kelabakan mengatur posisi bidang objek.

3. Pembuatan Game Pac-Man di Godot Engine

Uji coba paling menarik ada di software game engine Godot. Model ditugaskan merakit game bergaya Pac-Man dari nol: labirin berpetak, pelet makanan yang bisa dimakan untuk menambah poin, tiga hantu yang mengejar pemain, sistem reset nyawa, serta tampilan skor di layar. Menariknya, pemain harus digerakkan oleh logika heuristik otomatis tanpa perlu input tombol keyboard sama sekali.

Holo4 27B tampil sangat efisien: game selesai dan langsung jalan lancar hanya dalam 68 panggilan, 2,4 juta token, dan 268 baris kode. Sebaliknya, Qwen3.8 27B terjebak proses perbaikan berulang-ulang sampai menghabiskan 197 panggilan, 11,4 juta token, dan menghasilkan 327 baris kode.

Dapur Pacu Holo4: Agentic Task Factory dan Harness Baru

Kemampuan agen AI yang begitu fleksibel ini nggak lahir secara instan. Tim Hcompany membangun infrastruktur data internal yang diberi nama Agentic Task Factory.

Sistem ini sanggup menyusun lingkungan simulasi interaktif dan tugas yang bisa diverifikasi secara otomatis hanya bermodalkan dokumentasi teknis, seperti tangkapan layar website atau kode software open source. Sampai saat ini, ada sekitar 10.000 tugas yang berhasil diproduksi untuk melatih agen di berbagai skenario web, server MCP, dan aplikasi desktop hybrid.

Penggunaan data sintetis interaktif buat melatih agen cerdas ini sejalan sama tren industri yang pernah kita bahas di artikel /developer/autosynthdata-enterprise-agents, di mana lingkungan uji otomatis jadi kunci utama lonjakan nalar AI.

Pada fase pelatihan, model menjalani supervised fine-tuning (SFT) memakai 127 miliar token data kurasi. Selanjutnya, Hcompany melatih dua model ahli reinforcement learning (RL) secara terpisah sebelum akhirnya digabungkan jadi satu model final yang utuh.

Selain bobot model, tim juga merombak total harness, yaitu loop software yang mengeksekusi tindakan agen dan mengelola riwayat konteks selama ratusan langkah. Berdasarkan umpan balik evaluasi di OSWorld 2.0, harness baru ini dibekali memori yang jauh lebih stabil buat mengingat langkah-langkah panjang serta akses shell langsung ke terminal sistem operasi.

Hadirnya Holotron4 Nano untuk Komputasi Ringan

Kabar baiknya, resep pelatihan canggih ini nggak cuma eksklusif buat model berukuran jumbo. Sebagai bagian dari aliansi NVIDIA Nemotron Coalition, Hcompany menerapkan alur pelatihan yang sama pada model dasar Nemotron 3 Nano Omni untuk melahirkan Holotron4 Nano.

Model mungil ini mencatatkan kenaikan skor yang sangat solid di alur kerja antarmuka visual (GUI), perkakas MCP, pemanggilan API, maupun pengujian kode di sandbox. Ini membuktikan kalau metode transfer keahlian agen milik Hcompany bisa bekerja optimal di berbagai ukuran parameter model tanpa terkendala batasan skala.

Langkah Mencoba dan Memanfaatkan Holo4

Buat kamu yang mau langsung nyobain kebolehan model ini, Hcompany menyediakan beberapa opsi akses yang fleksibel:

1. Akses via H Models API: Kamu bisa langsung mengintegrasikan model ke sistem alur kerjamu lewat API resmi tanpa perlu repot menyiapkan kartu grafis server sendiri.
2. Unduh Bobot Model di Hugging Face: Semua varian—mulai dari Holo4 27B, Holo4 35B-A3B, sampai Holotron4 Nano—sudah tersedia gratis di Hugging Face dalam format BF16, FP8, NVFP4, hingga format 4-bit GGUF.
3. Cek Rekaman Trajectory: Kalau kamu penasaran gimana model berpikir di tiap langkah klik, kamu bisa membedah jalannya eksekusi di situs trajectories.hcompany.ai.
4. Manfaatkan Integrasi MCP: Hubungkan model dengan server Model Context Protocol biar agen bisa membaca file lokal dan berinteraksi bareng sistem perusahaanmu secara aman.

Berikut contoh template prompt yang bisa kamu pakai saat menguji agen otomatisasi komputer:

Buka aplikasi spreadsheet di komputer, lalu buat tabel rekap pengeluaran operasional dengan kolom: Tanggal, Nama Pengeluaran, Kategori, dan Biaya. Masukkan 5 baris data contoh realistis, hitung total biaya di baris paling bawah memakai rumus SUM, lalu simpan file dengan nama rekap_operasional.xlsx di folder Dokumen. Tutup jendela aplikasi setelah file dipastikan tersimpan.

Dampak Nyata untuk Pekerja dan Developer di Indonesia

Kehadiran model agen terbuka seperti Holo4 membawa angin segar buat ekosistem kerja di Indonesia. Masih banyak instansi, kantor perbankan daerah, dan pelaku UMKM yang memakai software desktop lawas tanpa dukungan API modern. Proses input data manual antar-aplikasi biasanya menyita waktu berjam-jam setiap harinya.

Dengan hadirnya agen computer use yang terjangkau, proses entri data berulang kini bisa didelegasikan ke AI tanpa biaya langganan software integrasi enterprise yang mencekik. Developer lokal juga bisa mulai membangun otomasi custom untuk klien UMKM tanpa harus terikat pada ekosistem platform tertutup.

Buat kamu yang pengin mendalami cara kerja integrasi model bahasa ke dalam aplikasi, kamu bisa membaca panduan dasar di artikel apa itu API AI atau mengasah keterampilan teknis secara komprehensif lewat kelas AI untuk Developer.

Kalau sistem otomasi atau aplikasimu membutuhkan model penalaran frontier yang sudah teruji di pasaran internasional, kamu bisa memanfaatkan layanan Classai Router. Lewat Classai Router, kamu bisa mengakses model canggih seperti Claude Opus 5.5 (Rp7.700 per 1 juta token input / Rp38.400 output) atau GPT-5.6 Sol (Rp2.240 per 1 juta token input / Rp11.200 output) cukup dengan satu API key transparan, pembayaran rupiah via QRIS, dan tanpa butuh kartu kredit luar negeri.