Kompanija Hcompany predstavila je svoju novu generaciju modela pod nazivom Holo4, a vest je brzo obišla AI zajednicu. Naime, ovi modeli su dizajnirani da budu “generalisti” — univerzalni agenti koji umeju da koriste računar i mobilni telefon, pozivaju alate i pišu kod, baš kao što bi to radio čovek.
Ono što Holo4 izdvaja od ranijih rešenja jeste pristup. Umesto da se oslanjaju samo na tekstualne instrukcije, ovi modeli su vizuelno-jezički modeli (VLM). To praktično znači da “gledaju” ekran, prepoznaju dugmiće, ikone i prozore, i onda odlučuju šta će sledeće kliknuti. Zvuči jednostavno, ali za mašinu je to ogroman korak — jer sada mogu da obavljaju zadatke u realnom okruženju, a ne samo u laboratorijskim uslovima.
Tri modela, jedna misija
Hcompany je predstavio tri varijante: Holo4-27B, Holo4-35B-A3B i Holotron4-30B-A3B. Svi su označeni kao “Image-Text-to-Text”, što znači da primaju sliku i tekst, a vraćaju tekst — bilo da je reč o komandi za klik, pozivu funkcije ili isečku koda.
Posebno je zanimljiv Holotron4-30B-A3B, koji koristi arhitekturu “Mixture of Experts” (MoE). U prevodu — model ne aktivira sve svoje parametre za svaki zadatak, već samo one delove koji su mu u tom trenutku potrebni. To ga čini bržim i efikasnijim, što je ključno kada agent treba da odradi niz akcija u sekundi.
Uz modele, objavljen je i dataset Hcompany/trajectories, koji sadrži preko 1.200 zapisa o tome kako agenti rešavaju zadatke. Ovo je zlato za istraživače koji žele da treniraju sopstvene agente ili da razumeju kako model donosi odluke.
Zašto je ovo važno?
Do sada su AI agenti uglavnom bili ograničeni na uske zadatke — rezerviši let, pošalji mejl, pretraži internet. Holo4 cilja na nešto ambicioznije: generalist agente koji mogu da se snađu u bilo kom interfejsu, bez prethodnog programiranja za svaku aplikaciju.
Ako ovaj pristup zaživi, mogli bismo da gledamo AI asistente koji sami popunjavaju formulare, upravljaju fakturama ili čak debug-uju kod — sve to bez ljudske ruke na mišu. Kompanija je već najavila i Holo3.1, koji je opisao kao “brz i lokalni” agent za računar, što sugeriše da se trka za autonomnim agentima ozbiljno zahuktava.
Za sada, Holo4 je dostupan na Hugging Face platformi, gde je zajednica već počela da testira njegove mogućnosti. Ostaje da vidimo da li će opravdati epitet “state-of-the-art” ili će ga konkurencija brzo sustići.
Jedno je sigurno — granica između “AI koji priča” i “AI koji radi” upravo je pomerena.