Holo 3.1 深度研究：本地 Agent 的开源分水岭

一、引言

6 月 2 日，法国 AI 公司 H Company 放出 Holo 3.1 系列。这不是一次普通的模型迭代。

两个月前的 Holo 3 还像是 demo——能跑，但换环境就崩。Holo 3.1 的定位变了：生产就绪。跨设备、跨框架、跨部署目标，鲁棒性是第一位的。

更关键的一步棋：首次发布量化权重。FP8、Q4 GGUF、NVFP4 三种格式同时上线。消费级显卡从此有了跑 Agent 模型的入场券。

---

二、H Company：220M 种子轮的法国黑马

H Company 前身为 Holistic AI，2024 年 5 月从隐身模式浮出水面，手里攥着 2.2 亿美元种子轮——由 Accel 领投，参投方包括 Amazon、Samsung、UiPath 等产业巨头。巴黎总部，全球建队。

公司定位是"行动导向的 AI"（Action-Oriented AI），而非聊天机器人。创始人团队来自 DeepMind 等机构，核心命题只有一条：让模型不仅能说，还能做。

Holo 3、Holo 3.1 到自家产品 Holotab 的演进路径，验证了这条路线不是空谈——Holo 3.1 在 Holotab 产品框架内，较前代提升超 25%。

---

三、模型谱系：四个尺寸，一个不落

┌─────────────┬──────────┬──────────────────────┐
│   模型       │  参数     │  定位                 │
├─────────────┼──────────┼──────────────────────┤
│  0.8B       │  密集     │  端侧优先，CPU 亦可      │
│  4B         │  密集     │  消费级入门             │
│  9B         │  密集     │  性能与延迟最佳平衡点    │
│  35B-A3B    │  MoE      │  旗舰，3B 激活参数       │
└─────────────┴──────────┴──────────────────────┘

35B-A3B 的 MoE 架构值得单讲一句：35B 总参，每次推理只激活 3B。内存吃紧但计算不重——这是专门为高吞吐 Agent 场景设计的取舍。H Company 说得很直白：模型可以大，但不能慢。

底层基座基于 Qwen 系列，但增量全在 GUI/Computer Use 专项训练上。关键在于：原生支持结构化 JSON 输出和函数调用协议。这意味着不需要中间层去翻译——模型直接能发指令、调 API、点按钮。

---

四、性能实测：不靠跑分，靠真跑

4.1 AndroidWorld 移动端

模型	Holo 3	Holo 3.1	提升
4B / 9B	58%	72%	+14pp
35B-A3B	67%	79.3%	+12.3pp

移动端 GUI 操作是这次最抢眼的提升。小模型 14 个百分点的跳跃，说明 H Company 在跨设备训练上下了真功夫。

4.2 量化不丢精度

在 OSWorld 上，FP8 和 NVFP4 只比 BF16 全精度低约 2 分。这意味着量化版本几乎可以视作"无损"——这是部署的前提，不是锦上添花。

4.3 推理速度

DGX Spark 实测，NVFP4 W4A16 的 token 吞吐是 BF16 的 1.74 倍。配合 H Company 与 NVIDIA 联合优化的 Agent 框架，端到端步长时间从 6.8 秒压到 3.3 秒——折半。

---

五、部署：四条路，各取所需

方案	速度	门槛	场景
llama.cpp + GGUF	★★★★★	中	Agent 首选
LM Studio	★★★★	低	日常使用
Ollama	★★★★	低	API 调用
SGLang	★★★★★★	高	极限性能

实测推荐的路线：llama.cpp。

理由不复杂——速度最快，配置最灵，且 GGUF 格式对 Agent 框架（OpenClaw）的兼容性最好。Ollama 和 LM Studio 胜在开箱即用，但 Agent 场景下，可控性比可点击更重要。

消费级硬件对应关系

显卡	推荐模型
RTX 4090/3090 24GB	35B-A3B Q4_K_M
RTX 5070Ti/4060Ti 16GB	9B
12GB	4B
8GB	0.8B

Apple Silicon 的 Mac 可以直接跑 9B GGUF。0.8B 版本甚至支持纯 CPU 推理——手机级别的本地 Agent，理论上可行。

---

六、Agent 生态：从"能点"到"换环境不崩"

Holo 3.1 最大的工程增量不在模型本身，而在 鲁棒性。

真实环境里 Agent 会面对的：

网页布局改了
系统弹窗不一样了
手机和桌面控件分布不同
换一个 Agent 框架，输出格式对不上
企业要求数据不出内网

Holo 3.1 的应对是三条腿走路：跨框架 function-calling 协议 + 结构化 JSON 输出 + 量化本地部署选项。模型层面做适配，减少框架层面的翻译损耗。

有行业观察者把 GUI Agent 的竞争总结为四问：

> 跨设备任务成功率？真实框架适配成本？本地硬件门槛？私有网络稳定性？ > > 如果这些过不了，跑分再好，也只是样板间。

Holo 3.1 在这四个方向上至少都交了作业。

---

七、本地部署：不是情怀，是边界

把模型跑在本地，不是为了省那点 API 费。

云端 Agent 操作的不是聊天记录——是内部系统、财务页面、客户资料、权限入口。产品经理看到效率，合规部门看到的是风险清单。数据不出内网，不只是一个技术选项，正在变成一项合规硬约束。

类比企业软件上云的历史：

云提效率、降维护门槛
但核心数据、权限系统、监管要求，迟早要交还私有化

技术越接近核心流程，部署位置就越不只是技术选择。Holo 3.1 的量化权重发布，正是给这场博弈递了弹药。

---

八、未尽之问与结语

H Company 未公开的内容同样值得标记：

训练方法论：只说基于 Qwen，没说怎么训练——微调策略、数据构成、算子优化一概空白
许可证：开源到什么程度？商业使用有无限制？目前材料无明确答案
跨框架真实验收：OpenClaw 之外的框架兼容性如何，缺少独立第三方评估

但这些空白不影响核心判断：

Holo 3.1 不会立刻改写行业，但它把分水岭画清楚了。 GUI Agent 的竞争正从"演示能不能跑"转向"能不能在真实设备、真实框架、真实隐私约束下跑"。本地部署选项不是加分项——它正在变成入场券。

> *本文基于 H Company 官方发布材料、HuggingFace 技术博客、freedidi 实测教程及行业分析综合撰写。数据截至 2026 年 6 月 13 日。*