腾讯混元Hy4正式版实测：视觉与电脑操作首次落地，119个跑分数全对

11月4日，腾讯混元发布Hy4正式版。这一版有两处最大变化：首次拥有视觉能力，首次能够操作电脑。API价格与上一版Hy4 preview保持一致，每百万Tokens输入6元、输出18元。

发布当天，在WorkBuddy里围绕Hy4这次更新的视觉能力做了三项实测。

1、看图认地方。一张冷门景区的照片，Hy4 一眼就说出了景区名字；换一组更偏僻的村落照片，它没认出来，也没乱猜，只给出了可能性高低的判断。2、照着草图做游戏。一张手绘游戏草图里画了 25 个设计点，它把这些点一个不落做成了一款能玩的网页游戏。3、查不到的数据不硬编。有份发布解读 PPT 要求“查不到就写未公开”，它自己从官方配图里把跑分表读了出来，引用的 119 个跑分数字全对，还发现官方说法里有一处数据前后对不上。

这回升级，混元多的不只是一双“眼睛”。视觉已经成了 Hy4 干活时会主动用的工具，读资料、核对事实、检查最后交出来的东西，都靠这双“眼睛”。

看得见，也动得了手，Hy4补齐了两块能力

Hy4正式版已在腾讯云和OpenRouter上线，用户可以在WorkBuddy、CodeBuddy、元宝等产品中直接使用，企业微信智能助理“大圆”也已同步接入。

正式版的参数规模官方没有单独公布。可以参照的是8月底发布的Hy4 preview，在Hugging Face模型卡上写明总参数770B、每个Token激活49B、上下文长度1M；腾讯在发布通稿中也提到，Hy4系列的参数规模达到770B。

能力上有两项“首次”最受关注。视觉这块，Hy4 能把感知、推理和工具调用串起来，做细粒度图像处理、复杂图表分析和数学视觉推理。电脑操作这块，它能将命令行与图形界面灵活搭配，腾讯还专门针对 Blender、CAD 等专业软件以及跨应用长程任务做了训练。

其余能力的提升，官方都给出了具体数据。游戏开发上，Hy4已适配UE、Unity、Godot等主流引擎，GameDev和GameLogic两项评测较preview分别提升19.1%和9.8%。金融场景中，213位专家对579个真实任务进行众测，Hy4以3.04分位列开源模型第一。搜索方面，经过专项优化，自建测试中的幻觉率从15.76%降到了5.45%。

官方附录列出了34项评测的完整成绩。几项代表性的成绩是，Terminal-Bench 4.0从26.3提升到44.4，APEX-Agents v1.1从53.9提升到75.2，后者是表中所有模型里的最高分；电脑操作基准OSWorld 2.1上，Hy4拿到78.9分，与Claude Opus 5.5只差2.9分。

官方也指出了Hy4现在的局限，直言与顶尖闭源模型“仍然存在较大差距”，并列出了前沿数学、长程开发等几个仍需追赶的方向。

三道视觉题，Hy4交出了诚实的答卷

这次主要想看的是，Hy4 有了视觉能力之后，本事能延伸到什么程度。三道题都跟“看”有关，难度一级比一级高。第一题只要求看懂，第二题要求看完照着做出来，第三题要求看完资料替人交一份成品。

电脑操作同样是这次的新能力，但对测试设备要求较高，这次没有纳入。三项测试都在WorkBuddy中完成。

第一项测试要验证的是，Hy4 新增的视觉能力能不能从一张照片里找出地理线索，像官方演示那样定出拍摄地点并联网核实。结果是：认得出就能精确到景区，认不出也会照实说，不硬猜。

测试用的两张小众景区照片都来自社交平台的公开帖子，一张偏自然景观，一张偏人文景观，画面里都没有能直接读出地名的文字。任务要求 Hy4 列出线索、给出判断和概率、联网核实，信息不够就直说。

第一张拍的是广西凤山县三门海。Hy4 不到两分钟就认出了景区名。它的推理链很清晰：能坐船进去的岩溶天窗、洞里看到的环形崖壁、船工撑篙的人力小木船，三条线索一叠加就锁定了三门海，同时排除了同在河池的巴马百鸟岩和贵州的荔波大七孔。它还看出这张照片调色很重，于是把判断分成两层，“画面描绘的是三门海”把握更高，“照片拍摄于此”把握较低。

第二组是福建尤溪县书京村的三宫格照片，名气小得多。Hy4 在这组图上花了 17 分钟，放大查看牌匾、立牌和建筑构件，按屋脊形制搜了十几组候选景区的实景图一张张比对，还试了四个以图搜图服务。最后它没答出书京村，开口第一句是“这张照片不足以锁定到具体景区”，把握程度标为低。

对一个会联网的模型来说，给出一个自信的错误答案并不难。Hy4选择把不确定性摆在明处，这在需要查证信息的场景里更有价值。

第二项测试看的是视觉理解能不能直接变成开发能力，也就是只给一张手绘草图，能不能做出规则完整、上手就能玩的游戏。答案是可以：草图上的 25 个设计点全部落地，成品第一轮就能直接运行。

测试用的手绘风格游戏设计草图先用 GPT 生成，玩法是原创的“潮汐快递”，包含 9×9 的海图、码头、礁石、灯塔，8 行图例和 10 条规则。规则全写在图上，给 Hy4 的文字指令里一条都没重复，它必须看懂这张图才能做对。

Hy4先逐字转录草图上的文字，然后把地图放大，一格一格辨认81个格子的类型，认出的礁石和码头坐标与草图分毫不差。代码写完，它先开无头浏览器跑了一遍，写下22条规则断言逐条验证，又截图查看版面，发现码头上的包裹把“码”字盖住了，自己动手改掉。全程耗时约47分钟，最后交出来的是一个35KB、不依赖任何外部文件的单文件网页游戏。

我们照着草图列了25个核对点挨个查，实际试玩中验证了装货卸货、加急包裹超时消失、满载减速、涨潮退潮切换、两船相撞掉货、平局进加时，25项全部通过。草图里没写清的地方，比如加急包裹超时该扣谁的分，Hy4在交付清单里一条条讲了自己的处理办法。

第三项测试把视觉、检索和办公交付合在一起考：让Hy4自己查资料、做PPT，看它能不能把查得到的信息写准，把查不到的信息如实标出来。结果这两点都做到了，PPT里引用的119个跑分数字没有一处出错，空缺的地方也没有编造任何数字。

任务是做一份发布解读PPT，要覆盖价格、参数、官方跑分、preview分数、开源权重下载量等九项内容，每个数字都得注明来源，查不到的就写“未公开”，不许估算。

难点在于官方跑分表是一张图片，网页抓取拿不到里面的数字。Hy4把官方公众号的配图下载下来，放大、切块、逐格读取。最后的PPT一共12页，引用24个来源，我们对着官方原图把跑分数字挨个核了一遍，全部准确。

Hy4还翻出了一处我们事先没留意的问题。同样是幻觉率，官方公众号写的是从15.76%降到5.45%，部分媒体发布的通稿写的却是从12.95%降到7.2%。PPT把两组数字并排列出，没有替官方挑其中一个。

官方确实没公布的信息，它处理得同样克制。正式版参数那一栏写的是“官方没有公布”，preview的770B规格单独列出并注明了出处；正式版权重还没开源，下载量一栏写“未查到”，旁边附上了preview仓库的真实下载数据。

成品拿到手，还剩两件事得人来干：跑分表的列宽要手动调宽，个别概括性的比较要对照原表再复核一遍。这两件事跟数据真假无关，属于交付前的常规校对。

腾讯要的，是一个能放进业务里干活的模型

Hy4发布当天就接进了元宝、WorkBuddy、ima和企业微信智能助理“大圆”，QQ、王者荣耀、和平精英、微信读书、腾讯新闻等产品也在陆续接入。从这份清单能看出腾讯给这一代模型定的位置：先在自己的产品里把活干好。

评测体系也是这个路子。官方附录的34项评测里，20项是腾讯自建的内部评测，覆盖编程、搜索、办公、科研这些自家产品用得上的场景；金融场景则请了213位专家，用真实任务打分。

在我们看来，腾讯衡量模型的标准，正从公开榜单的名次，转向具体业务里能不能用、用得稳不稳。

价格没涨，权重计划开源，Hy4 flash也已经在路上。对开发者来说，同样的价钱换来的是一个能看图、能核查的模型。

三项实测做下来，真正让人记住的，是它会主动用“眼睛”去核对信息，而不是认出了哪座景区。打游戏那会儿它就会截图查验自己的版面；这个习惯一旦铺到每一份交付物上，“能干活”和“交付即可用”之间的那段距离，还会再缩一截。