H Company zeigt GUI-KI: Pac-Man gelingt mit 68 statt 197 Aufrufen
Veröffentlicht am: 28.09.2026 um 23:13 Uhr | Redaktion boerse-global.de
Der französische Entwickler H Company hat neue Lösungen vorgestellt, die es KI-Bots ermöglichen sollen, grafische Benutzeroberflächen (GUIs) wahrzunehmen und zu navigieren. Damit adressiert das Unternehmen die aktuelle Problematik, dass Large Language Models (LLMs) gegenüber solchen Oberflächen weitgehend eingeschränkt agieren.
Kern der Veröffentlichung ist die Modellreihe Holo4, die neben der Steuerung von Benutzeroberflächen auch für Code-Anwendungen sowie die Arbeit mit dem Model Context Protocol (MCP) und Programmierschnittstellen (APIs) optimiert wurde.
Architektur und Training auf Basis der Qwen-Reihe
Die neuen Modelle basieren technisch auf bestehenden Architekturen: Holo4 nutzt Qwen 3.8 27B sowie Qwen 3.6 35B-A3B. Das Unternehmen bietet das System in zwei Varianten an – als 27B-Dense-Modell sowie als Mixture-of-Experts-Version (MoE) mit der Bezeichnung 35B-A3B. Zusätzlich wurde mit Holotron4 Nano eine kleinere Version veröffentlicht, die auf dem Nvidia Nemotron Nano Omni aufbaut.
Für das Training der Modelle setzte die H Company auf eine Kombination aus Supervised Learning und Reinforcement Learning. Dabei kamen etwa 10.000 Aufgaben aus der unternehmenseigenen sogenannten Agentic Task Factory zum Einsatz. Ziel dieser spezialisierten Trainingsumgebung ist es, die Handlungsfähigkeit der Agenten in komplexen digitalen Umgebungen zu schärfen.
Die rasante Entwicklung von KI-Modellen wie Holo4 stellt Unternehmen vor neue rechtliche Herausforderungen bei der Implementierung. Dieser kostenlose Leitfaden erklärt kompakt die Anforderungen der EU-KI-Verordnung, damit Ihre IT-Abteilung rechtlich auf der sicheren Seite bleibt. EU AI Act in 5 Schritten verstehen
Benchmarks und Effizienz im Vergleich
In ersten Evaluierungen zeigt die Holo4-Reihe eine beachtliche Leistungsfähigkeit. Im Benchmark OSWorld 2.0 erreichte die 27B-Variante von Holo4 einen Wert von 61,7 Prozent. Damit liegt das Modell zwar hinter dem Opus 5.5, das 81,8 Prozent erzielt, behauptet sich jedoch im Vergleich zu anderen Wettbewerbern.
So kommt GPT-5.6 Sol laut den Daten eines OpenAI-Launch-Charts auf 66,2 Prozent, während Opus 5 bei 70,2 Prozent liegt. Die MoE-Variante Holo4 35B-A3B erzielte im gleichen Testaufbau 30,9 Prozent.
Die Entwickler der H Company wiesen darauf hin, dass die Ergebnisse richtungsweisend seien, da die Evaluierungsszenarien und Aufgaben-Subsets variieren können.
Um eine unabhängige Überprüfung zu ermöglichen, veröffentlichte das Unternehmen alle aufgezeichneten Testläufe. Es wurde zudem angemerkt, dass Holo4 zwar größere Modelle bei geringerer Parameterzahl übertreffe, die Kosten pro Aufgabe jedoch teilweise höher ausfallen könnten, da das Modell mehr „Thinking-Tokens“ beanspruche.
Während neue KI-Systeme immer komplexere Aufgaben übernehmen, wächst auch der Bedarf an einer klaren Risikobewertung für Unternehmen. Entdecken Sie im kostenlosen E-Book, welche KI-Systeme als Hochrisiko eingestuft werden und welche konkreten Dokumentationspflichten jetzt auf Sie zukommen. Kostenlosen Umsetzungsleitfaden zum AI Act herunterladen
Demonstration der Handlungskompetenz
Die praktischen Fähigkeiten der Agenten wurden anhand spezifischer Szenarien demonstriert. Für die Erstellung eines 3D-Eiffelturm-Modells benötigte der Agent 84 Aufrufe und verbrauchte 1,3 Millionen Token. Ein deutlich komplexeres Unterfangen war die Steuerung eines Pac-Man-Spiels, für die 68 Aufrufe und 2,4 Millionen Token notwendig waren.
Im Vergleich dazu benötigte das Basismodell Qwen3.8 27B für dieselbe Aufgabe 197 Aufrufe und verbrauchte insgesamt 11,4 Millionen Token, was die Effizienzsteigerung durch die Optimierungen der H Company verdeutlicht.
Verfügbarkeit und Hardware-Anforderungen
Die Gewichte der Modelle wurden auf der Plattform Hugging Face in verschiedenen Formaten bereitgestellt, darunter BF16, FP8, NVFP4 sowie als 4-bit GGUF.
Letzteres ermöglicht den Betrieb der Modelle auf Endverbraucher-Hardware; so soll eine Nvidia RTX 3090 mit 24 GB Speicher für den 4-bit-Betrieb ausreichen. GGUF-Versionen sind zudem für die Nutzung in Llama.cpp, LM Studio oder Ollama verfügbar.
Zusätzlich plant das Unternehmen die Bereitstellung von DSpark-Draft-Weights für Speculative Decoding, um die Verarbeitungsgeschwindigkeit weiter zu erhöhen. Für Entwickler steht zudem der HAI-Agents-Harness als Open-Source-Ressource auf GitHub zur Verfügung, um eigene Agenten-Anwendungen auf Basis der neuen Modelle zu testen und zu evaluieren.
