Runner H 与 Surfer-H：浏览器智能体及其 Holo1 模型

摘要

30 秒看懂

在这段由 H Company 赞助的 2025 年 6 月视频中，Matthew Berman 介绍 Runner H 测试版，并要求它将 Pokémon 卡牌商品信息收集到 Google 表格。他解释了视觉浏览器智能体 Surfer-H 的策略、定位器和验证器，以及 Holo1 的开放模型权重。 Berman 重点介绍公司的基准测试结果和一款质量保证测试产品。所链接的研究论文显示，广为引用的 WebVoyager 92.2% 成绩使用了 GPT-4o 验证，并允许最多十次尝试；演示表格本身则有两条链接缺失。

1一项浏览器任务Berman 授权连接 Google 表格后，要求 Runner H 收集十条 Pokémon 商品信息。
2开放权重视觉模型Holo1 提供视觉导航和定位能力，并发布了模型权重与评估数据集。
3智能体的三部分循环策略选择操作，定位器确定屏幕坐标，验证器决定返回答案还是继续执行。
4看清基准测试配置论文中 92.2% 的结果使用 GPT-4o 作为验证器，并允许最多十次尝试，并非完全基于 Holo1 的配置。
5部分完成的表格输出有十条记录，但两条链接因 CAPTCHA 无法获取。

要点建议

Runner H 当时以浏览器智能体测试版推出，演示任务需要授权连接 Google 表格。
Surfer-H 利用截图、策略、定位器和验证器选择操作、确定控件位置并评估答案。
Holo1 模型权重和 WebClick 评估数据集已发布，使用时须遵守各自的许可条款。
论文中 WebVoyager 92.2% 的成绩使用 Holo1-7B 执行策略和定位、GPT-4o 执行验证，并允许最多十次尝试。
演示表格包含十条记录，但其中两条因 CAPTCHA 缺少链接，因此请求未完全完成。
公司的基准与产品说法、价格和测试版开放情况反映的是 2025 年发布时的情况。

主题Computer use AI agents Open-weight models 评估

全文

按章节阅读整理后的全文

对照原始文稿

只看原始文稿

Runner H 与 Pokémon 卡牌任务

Berman 介绍与 H Company 的合作并启动浏览器任务。他授权 Google 表格连接，观察智能体导航。

H Company 推出了 Runner H，这是一款接收自然语言任务并尝试在网上执行的浏览器智能体。在这段 2025 年 6 月的视频中，Matthew Berman 说他与该公司合作介绍这次发布。他表示产品当时免费且处于测试阶段，并解读了相关研究和已发布的模型权重。

在演示中，Berman 要求智能体在 eBay 上找到十条 Pokémon 卡牌商品信息，并创建包含链接的 Google 表格。Runner H 要求他连接 Google 表格；他授权集成后任务才继续。他提到可以并行启动多个浏览器智能体，但视频跟踪的是这一项任务。

界面在实时浏览器画面旁显示计划、思考、笔记和网页操作。Berman 观察智能体搜索商品，并表示稍后再查看结果。可见的操作轨迹让步骤能够接受检查，但仅凭界面无法证明每条提取的信息都准确。

Holo1 与 Surfer-H

他介绍 Holo1 权重，并解释视觉智能体的三个组件。智能体通过截图观察网页。

Berman 介绍 Surfer-H 和 Holo1 视觉语言模型家族，包括导航和定位演示。定位是指确定需要点击的元素在屏幕上的坐标。一个例子中，模型接收旅游网站截图和酒店预订请求，然后建议为 8 月 3 日开始的三晚住宿选择 8 月 6 日退房。

幻灯片 1 / 5Holo1 导航示例输入截图和预订请求后，模型提出一项日历日期选择操作。

[研究论文](https://arxiv.org/abs/2506.02865)将 Holo1 描述为开放权重模型集合，并介绍了 WebClick 评估数据集。权重可用于使用和进一步开发，但读者应检查具体模型的许可：[Holo1-3B 许可](https://huggingface.co/Hcompany/Holo1-3B/blob/main/LICENSE)包含继承自 Qwen 基础模型的条款。开放权重本身不能证明整个托管产品都是开源的。

Berman 解释了开发视觉浏览器智能体的动机：许多网站面向人类设计，并未为每项任务提供合适的标准化 API。视觉智能体可以点击、滚动和输入，操作图形控件，而不必为每个网站分别开发集成。这种方法可以扩大可执行的网页工作流程范围，但仍取决于界面提供了什么。

Surfer-H 有三个主要模块：策略、定位器和验证器。论文称，它根据网站截图操作，不需要文档对象模型或无障碍树。视觉语言策略提出下一步操作，定位器则将目标元素的描述转换为屏幕坐标。

打开 URL、滚动、等待或点击等操作依次执行。当策略生成答案后，验证器会评估答案是否合适。如果验证器拒绝答案，反馈会进入智能体记忆，执行继续，直到结果被接受或达到时间、成本预算。这些模块可以使用不同的兼容模型。

幻灯片 2 / 5Surfer-H 智能体循环论文图示了记忆、策略、定位器、浏览器操作和验证器反馈之间的关系。

Berman 解读论文中的图示：任务和观察结果进入记忆，策略选择操作；如果点击或输入需要坐标，定位器就提供坐标。浏览器的下一张截图继续输入循环，而验证器可以返回最终答案，或将反馈送回记忆。

定位与基准测试说法

Berman 讨论点击准确率和 WebVoyager 成本比较。研究论文提供了有关尝试次数、验证和估算成本的重要细节。

论文在用户界面定位基准上，将 Holo1-3B 和 Holo1-7B 与规模相近的模型比较，测试集包括公司自己的 WebClick 数据集。Berman 强调，展示的表格中这两个模型的平均点击准确率更高。这是作者在特定基准集上的结果，并不能保证任何一个模型都能正确点击任意网站上的所有控件。

幻灯片 3 / 5用户界面定位基准表研究人员比较所列模型在各基准集上的点击准确率。

Berman 还介绍成本与准确率对照图，并引用公司在 WebVoyager 上取得的 92.2% 成绩，以及每项任务估计 0.13 美元的成本，同时比较其他模型配置。这些估计反映论文的推理成本假设和测试工作负载，并非所有生产任务的通用价格。

论文的配置很关键：92.2% 的成绩使用 Holo1-7B 执行策略和定位，但用 GPT-4o 执行验证，643 项 WebVoyager 任务各允许最多十次尝试。尽管视频中的文字如此描述，这并非完全基于 Holo1 的运行。论文报告该配置单次尝试的成绩为 69.6%；三个模块全部使用 Holo1-7B 时，十次尝试后的成绩为 80.4%，估计每项任务成本 0.06 美元。标准 Holo1 策略还使用过与 WebVoyager 相关的任务训练，因此不应将该成绩泛化为未见任务的表现。