EM POUCAS LINHAS
- Liquid AI enfatiza raciocínio e chamadas de ferramentas; H company destaca atuação por telas, código e APIs.
- Pesos disponíveis não demonstram, por si só, que um computador específico execute bem o agente completo.
- AutomationBench e velocidades divulgadas não constituem um confronto direto entre os modelos.
- Uma decisão para uso no Brasil depende de testes com tarefas, idioma, hardware e regras de uso reais.
A escolha entre esses modelos começa pela tarefa, não por uma nota isolada. Em artigo publicado em 13 de outubro de 2026, a Liquid AI apresentou o LFM2.5-24B-A2B para agentes que raciocinam e chamam ferramentas no próprio dispositivo. O artigo da H company sobre o Holo4 foi publicado em 28 de setembro de 2026: serve aqui como referência para uma alternativa já anunciada, não como um segundo lançamento nesta data. A pergunta prática é qual interface o agente precisa operar e sob quais condições será executado.
Comece pela tarefa e pela interface
Segundo a Liquid AI, o LFM2.5-24B-A2B tem 24 bilhões de parâmetros totais e 2 bilhões ativos por token; é um modelo voltado ao raciocínio antes da resposta, ao uso de ferramentas e a tarefas com várias etapas. A empresa informa que a janela de contexto passou de 32 mil para 131 mil tokens em relação ao antecessor e que esta versão produz uma cadeia explícita de raciocínio antes da resposta final. Isso pode interessar a quem já dispõe de ferramentas acessíveis por um agente e precisa encadear decisões. Janela anunciada, porém, não significa que uma tarefa longa será resolvida corretamente nem que todo o contexto terá o mesmo custo prático no equipamento escolhido.
A H company apresenta duas variantes do Holo4: uma densa de 27 bilhões de parâmetros e outra MoE de 35 bilhões, com 3 bilhões ativos, para interação por interfaces gráficas, código, MCP e APIs. Sua proposta contempla desktops, web, Android e ambientes de código. Se o trabalho exige clicar e digitar em aplicativos sem uma API adequada, essa orientação para múltiplas interfaces torna o Holo4 um candidato a avaliar. Não equivale, contudo, a uma demonstração de que ele executará melhor cada fluxo do leitor. O acervo traz mais contexto sobre o anúncio e as ressalvas do Holo4.
Os recortes também têm lacunas distintas. Nos resultados divulgados pela Liquid AI, o LFM2.5-24B-A2B se destaca em uso de ferramentas e seguimento de instruções, mas a própria empresa aponta vantagem de modelos maiores em algumas avaliações de conhecimento e programação. Isso recomenda tratar recuperação de informações e verificação do código como partes do fluxo, em vez de supor que um modelo eficiente em chamadas de ferramentas saiba tudo de que o agente precisa. Para o Holo4, saber que o modelo pode atuar numa tela não dispensa definir quais ações ele está autorizado a executar e como conferir o resultado.
Execução local: disponibilidade não é requisito comprovado
A Liquid AI informa que os pesos do LFM2.5-24B-A2B estão disponíveis no Hugging Face e anuncia suporte a llama.cpp, MLX, vLLM, SGLang e ONNX. Seu artigo descreve ainda a possibilidade de servir o modelo localmente por um backend compatível com a API da OpenAI e apontar para ele um harness de agente. Trata-se de um caminho de integração descrito pela desenvolvedora, não de prova de que qualquer computador consiga sustentar um agente com ferramentas, histórico extenso e latência aceitável.
Para o Holo4, a H company informa disponibilidade das duas variantes em sua API e de pesos no Hugging Face em BF16, FP8, NVFP4 e GGUF de 4 bits. Pesos para execução própria e acesso por API são opções distintas: usar a API não é executar localmente. Tampouco basta comparar os parâmetros ativos dos modelos para determinar memória necessária. Pesos, formato escolhido, contexto, cache e demais componentes da aplicação afetam o planejamento de recursos. As duas fontes não estabelecem uma especificação mínima comum de hardware para esses agentes nem uma medição de ambos na mesma máquina.
Para dimensionar um projeto, vale separar a inferência do modelo do custo da operação completa: um agente pode acumular chamadas, ler documentos, manter histórico e interagir com outros serviços. Se a motivação é manter dados sob controle, é preciso examinar para onde seguem prompts, registros e chamadas de ferramentas em cada configuração; o artigo sobre memória local ou no servidor para agentes aprofunda essa distinção. Executar pesos localmente, por si só, não garante que todas as integrações permaneçam locais.
Por que os resultados publicados não elegem um vencedor
A Liquid AI diz ter avaliado seu modelo em 16 benchmarks contra Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it e Nemotron-3.5-Lightning, usando vLLM e os parâmetros de geração recomendados para cada avaliação. Holo4 não figura nessa comparação. Já a H company informa que suas medições de Holo4 no AutomationBench v1.0.6 usaram um harness interno; para outros modelos em seus gráficos, descreve a combinação de notas do conjunto público com custos provenientes de uma classificação que usa o conjunto privado. A empresa diz que reportará o resultado do Holo4 no conjunto privado depois da avaliação. O nome AutomationBench aparecer nos dois artigos não padroniza conjunto de tarefas, harness, orçamento de execução ou cálculo de custo.
Em velocidade, a Liquid AI relata 184 tokens por segundo no M5 Max e 114 no Ryzen AI Max+ 395 para o LFM2.5-24B-A2B, em sua comparação de inferência na borda. Não são velocidades do Holo4 nessas máquinas; nem medem o tempo até um agente concluir uma tarefa. Da mesma forma, a H company relata 61,7% para o Holo4 27B e 30,9% para o Holo4 35B-A3B no OSWorld 2.0, avaliação diferente das notas de uso de ferramentas destacadas pela Liquid AI. Cruzar percentuais de tarefas e taxas de geração entre estudos responderia a perguntas diferentes, não à comparação solicitada.
O que conferir antes de adotar no Brasil
Uma avaliação útil partiria de tarefas representativas: por exemplo, hipoteticamente, um agente interno precisa consultar um sistema com API, preencher um formulário acessível apenas pela tela e devolver um registro auditável. Nesse cenário, convém separar o sucesso de cada etapa, registrar falhas e contar tempo e recursos da execução completa, sob as mesmas condições para cada candidato. Se apenas um dos modelos receber ferramentas ou permissões diferentes, o teste deixará de isolar a escolha do modelo. O guia do acervo sobre como interpretar benchmarks além dos rankings ajuda a organizar esse tipo de comparação.
As fontes recebidas não comprovam desempenho em português brasileiro, disponibilidade regional da API, preços aplicáveis no país, condições de licença dos pesos ou memória mínima para o equipamento do leitor. Esses pontos ficam pendentes; não devem ser preenchidos por analogia com outras versões ou por resultados de hardware divulgados pelos fabricantes. A conclusão possível é condicional: considere o LFM2.5-24B-A2B para testar fluxos locais de raciocínio e ferramentas; inclua o Holo4 quando a combinação de tela, código e APIs for central. Escolha somente depois de medir os dois no mesmo fluxo e verificar as condições de uso pertinentes.
Fontes e referências
- Run fast, private agents on-device with LFM2.5-24B-A2Bhuggingface.co · Consultado em 13/10/2026
- Holo4: powering generalist computer-use agentshuggingface.co · Consultado em 13/10/2026