摘要
一句话总结 H公司发布了迄今规模最大的UI定位模型Holo2-235B-A22B Preview，通过引入代理式定位技术在多项基准测试中创下全新SOTA纪录，并借助SkyPilot实现了高效的跨云大规模训练。
关键点
- 模型发布：推出专注于UI元素定位的研究版模型Holo2-235B-A22B Preview，目前已在Hugging Face平台上线。
- 全新SOTA成绩：在Screenspot-Pro基准测试中准确率达到78.5%，在OSWorld G中达到79.0%。
- 核心技术：引入代理式定位（Agentic Localization）技术，通过迭代式优化预测结果，解决4K高分辨率屏幕下微小UI元素的定位难题。
- 性能提升：代理机制为所有参数规模的Holo2模型均带来了10%到20%的相对性能提升。
- 测试细节：在ScreenSpot-Pro测试中，单步操作准确率为70.6%，使用代理模式在3步内即可将准确率提升至78.5%。
- 训练基础设施：采用SkyPilot作为统一接口，在Kubernetes (k8s) 集群上协调跨多个云服务提供商的大规模训练工作负载。
- 研发效率：SkyPilot抽象了底层基础设施的复杂性，使研究人员无需管理k8s清单或独立部署脚本，从而全心投入模型开发。
正文
距离首批Holo2模型发布已经过去两个月，H公司再次推出了迄今为止规模最大的UI（用户界面）定位模型：Holo2-235B-A22B Preview。
该模型目前已在Hugging Face平台上线，这是一个专注于UI元素定位的研究版本。它创下了全新的SOTA（最高水平）纪录：在Screenspot-Pro基准测试中成绩达到78.5%，在OSWorld G中达到79.0%。
代理式定位（Agentic Localization）解决高分辨率难题
对于定位模型而言，高分辨率的4K界面是一项巨大的挑战，因为在宽大的显示屏上很难精准锁定微小的UI元素。
然而，通过引入代理式定位技术，Holo2能够迭代式地优化其预测结果，在每一步操作中不断提高准确率。这一机制为所有参数规模的Holo2模型都带来了10%到20%的相对性能提升。
在ScreenSpot-Pro上的卓越表现
Holo2-235B-A22B Preview在最具挑战性的GUI Grounding基准测试中表现优异：
- 单步操作：在ScreenSpot-Pro上即可达到70.6%的准确率。
- 代理模式：在3步之内即可将准确率提升至78.5%，从而确立了该项测试的全新SOTA标准。
借助SkyPilot实现高效的大规模训练
大规模训练Holo2模型需要协调跨多个云服务提供商的工作负载。为了解决这一问题，H公司采用了SkyPilot作为统一接口，在带有Kubernetes (k8s) 的集群上启动训练任务。
通过抽象化底层基础设施的复杂性，SkyPilot让研究人员能够将全部精力集中在模型开发上，而无需耗费时间去管理k8s清单或维护繁杂的独立部署脚本。