腾讯混元Hy4正式版上线：Agent能力升级，WorkBuddy限时免费
国产开源模型的竞争白热化时刻 #欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
只要你用过 
WorkBuddy，对 Hy4 preview 这个模型应该都不陌生。
Hy 4 今天正式发布。相比预览版，腾讯混元这次重点打磨了 Agent 能力和各类长程任务。放到真实生产任务里看，Hy 4 的表现比预览版提升明显，多个 Benchmark 上拿到了开源第一。
视觉理解能力也是这一版的新东西。用户可以直接上传一段录屏，让它从视频里学并复刻对应元素；Hy4 生成的产物还能持续截图，借助视觉理解做自我反馈和优化。
APPSO 提前拿到了 Hy4 的测试资格。近期国内发布的模型，加上 ChatGPT、Claude 等常用测试案例，我们都让 Hy4 跑了一遍。
比如最近又火起来的鹈鹕，莫名其妙成了检验大模型的必备基准测试。
但这回不是骑自行车的鹈鹕了。是 360° 立体骑车的鹈鹕、是骑在鹈鹕上的自行车，还有「自行车上有一只鹈鹕，鹈鹕骑着自行车，自行车上还有一只鹈鹕」这种究极「鹈鹕骑车」挑战。
我们在 WorkBuddy 里调用 Hy4，只输入一句提示词「画出一只极其逼真的鹈鹕骑自行车可交互 3D 动画」，出来的效果可以说已经「上桌」了，观感和 Opus 5.5、GPT-6 那些模型生成的画面一致。
还有无限堆叠的「鹈鹕骑自行车挑战」，Hy 4 基本都没出太大问题。上一版那种简陋粗糙的鹈鹕骑车算是翻篇了，跟着新模型一起进了新阶段。
Hy4 的模型技术博客显示，这次它在多个 Benchmark 上的表现都优于预览版，直接进入最强开源模型之列，超过 DeepSeek V4.1 Flash、GLM-5.3、Kimi K3.1 Pro 等多款国产模型。
Hy 4 的模型参数和预览版一致。博客里提到，Hy4 显著扩展了预训练和后训练规模，
目前 Hy4 已在 WorkBuddy 正式上线，11.4-11.15 号限时免费。API 调用价格与 Hy4 preview 相同：缓存命中时每百万 token 输入 0.3 元，未命中 6 元，输出每百万 token 18 元。
平时的办公生活和各类创意工作，都可以交给它试试。或许体验会比那些极度拥堵的繁忙模型更好。
用 /goal 确保目标不丢失
对 Hy4 来说，长程任务、多模态、推理、计算机使用这几项更新指向同一个变化：模型不能只在一轮对话里给出一个漂亮答案。
Agent 工作一旦成为常态，模型就得读懂真实世界里的材料，学会操作真实世界的使用环境，在连续步骤里守住目标，出错之后还能接着把活干完。
我们先测的是 Hy4 在长程任务上的表现，用 /goal 约束它始终盯住具体目标。步骤越加越多时，它还能不能记住最初的计划、分清哪些已完成哪些没完成、中间结果不符合预期时调整计划，这是关键。
照着网友分享的提示词，我们让 Hy4 做一个写实的 3D 游戏。这段提示词覆盖调研、开发、审查、返修，一直到可玩的游戏和最终交付，很适合拿来设计长程 Agent 测试。
模型要完成的事情共 5 件：游戏场景是金色黄昏的后院；视觉与手感要做到玻璃折射反射、慢动作和镜头冲击；声音与玩法用 Web Audio 合成声音，提供计分和充值；再加上工作流程和最终交付。
实际效果确实包含了音效、碎片、声音叠加以及计分这些功能。点对应的瓶子，能看到玻璃破碎，也能听到炸开的声音。
但整个场景还是不够游戏化。我们继续追加需求，给它一段参考视频，要求加入更明显的游戏体验和更强的射击感。
任务又长又杂的时候，Hy4 照样能自动调整，把对应功能做出来，最终完整交付项目。
类似能力也体现在具体应用编程上。我们在 Mac 电脑上装了 Flighty 这款应用，然后要求 Hy4 用最新的 REA 逆向工具，帮我们复刻一个完整 1:1 的 Flighty。
Hy4 确实用 REA 把 Flighty 的功能逆向了个遍，连会员专属的部分都塞进了新的 Skyward 应用里。可整体 UI 一看就透着股明显的「AI」味，原版那种高级感没留住。
我们接着让它改：照着原版应用的审美来，把 Pro 功能全部补齐，再出一个简体中文版。这一版效果好了不少，航班数据、地图信息之类还得靠额外的 API 才能处理，仍有些错，但该有的信息卡片、地图航线展示这些，基本都还原出来了。
审美也变高了，也能操作电脑了
测长程任务时我们试过，直接把一段视频附给 Hy4，它靠视觉理解逐帧分析内容，把看到的画面转成结构化理解，再落成代码、文档或界面操作。多模态视觉带来的最直观变化，就是图片可以直接发给模型。
在 WorkBuddy 里选 Hy4，发一张房间照片过去，让它把这个房间做成能在浏览器里玩的微缩空间。
也可以发一段游戏实录视频，要求 Hy4 照着开发同款游戏，玩法跟视频里一致，网页点开就能玩。我们找了段王者荣耀的视频给它，Hy4 很快判断出这是《王者荣耀》风格的 MOBA 实机演示——俯视 2.5D 峡谷、虚拟摇杆加右下技能轮盘、补兵清线、击杀播报、推塔打水晶，一样没落下。
三十分钟，它就按这套核心循环做出了一个网页直接打开就能玩的完整迷你 MOBA。
最近 Opus 5.5 有个热门案例视频，我们也发给了 Hy4，让它复刻一个同款，就是那个特斯拉汽车工厂的 3D 装备模拟。
图片、视频直接发给 Hy4 让它理解，用文本提示词描述的门槛就低了不少。多模态还体现在 WorkBuddy 里：Hy4 能持续给生成结果截图、分析截图，再据此优化画面。
下面这段提示词是我们唯一给它的东西，东京雨夜街头那个短片就这么出来了。人行道上车水马龙，撑伞的行人来去匆匆，头顶轨道交通疾驰而过，风格跟提示词里写的一模一样。
Create a silent, autoplaying 20-second film in one self-contained HTML file. A rainy Tokyo crossing comes alive in black, red, teal and white, with rough carved lines and visible print grain. One signal cycle drives the scene: umbrellas wait, surge diagonally across the road, then drain away as traffic resumes. Footsteps break the gouged reflections and a train passes overhead. Keep the crowded movement readable, with a clear contrast between waiting, crossing and the briefly empty street. Draw all artwork in code; no outside visual assets or website UI. 来自 X@petergostev
这些能力上来之后，Hy4 在电脑操作上的表现也提升明显。现在在 WorkBuddy 里选 Hy4，就能让它看屏幕、找到按钮和菜单、移动鼠标点击滚动、输入文字，再根据页面变化接着操作，一直做到任务完成。
比如操作电脑上的 Blender，帮我们建一个花园城市新加坡的 3D 场景。Hy4 能认出手上这台电脑的 Blender 版本，确认性能够用，然后用脚本动手操作。
最终交付的效果几乎挑不出毛病。用 Hy4 的 WorkBuddy 跑完后，拿到的是后缀为 blend 的 3D 资产文件；打开 Blender 就能看到完整的「花园城市新加坡」滨海湾概念场景，对象总数约 4550 个。
最日常的 Office 和最难的科学推理
热门测试之外，Hy4 在 Excel、PPT 这类最日常、也最考验稳定性的办公任务上同样有提升，预览版的表现已经更突出。数据、公式、图表能对应上，模板也保持统一，最终交付的真实文件可以直接拿来用。
测试时选了一个装了十多篇论文的文件夹当 WorkBuddy 的工作环境，让 Hy4 把这些论文逐篇总结，每篇做一份组会报告 PPT，同时把论文信息整理成 Excel 表格，再基于这些论文写一份研究报告。
14 个 PPT 文档、1 个 Excel 文件、1 份 19 页的 Word 文档，Hy4 只用了半个小时就全部做完。
Excel 里的信息完整程度超出预期。它没有简单罗列论文的基本信息，而是真的读懂了文档里的具体内容，再分门别类归到一起。
PPT 的表现更不用多说。14 个文件在视觉排版和版式上做到了统一，也遵循了对应的格式规范。
模型与 WorkBuddy 的协同在这里显出作用：模型负责理解、规划和判断，工具链负责读取、计算、渲染和写入，两边配合，任务才能准确完成、不出岔子。
复杂的科学推理上，Hy4 已经能承担多学科科研任务，比如小鼠胚胎的三维重建、完善数学猜想。在与北大数学团队的合作中，Hy4 找到了 Méndez–Pinto–Villarreal 猜想的反例，并完成了形式化验证。
另外，Hy4 现在还能参与细胞和物理模型的研发。与当前 SOTA 模型相比，它在多个数据集上的误差更小，保真度更高。
来到最强开源之列的混元
4 月的 Hy3 preview、7 月的 Hy3 正式版，8 月推出 Hy4 preview，11 月推出 Hy4 正式版，一路拿下最强开源模型。
混元的发布节奏基本是每四个月出一个大版本预览模型，预览版出来后再用三个月按反馈打磨，然后推正式版。
这套模式让混元模型的能力和用户口碑持续上升，配合 WorkBuddy 使用时尤其明显。
从能力上限、长程稳定性、执行效率和真实交付成本四个维度看，这次 WorkBuddy 实测把后三项在真实任务里的表现摸了一遍。
大多数日常办公和创意任务已经能满足需求，基本做到一次性交付；碰到需要大量电脑操作、流程复杂的工作，还需要在多轮交互中帮它理解意图。
至于能力上限，一些尚未覆盖的场景更多取决于测试本身的上限，不妨到 WorkBuddy 里用各种高难度任务去「拷打」一下 Hy4。
相比 preview，长任务能力和视觉理解让 Agent 跑起来更顺，Hy4 与 WorkBuddy 的协同也比模型单点跑分更有竞争力。
腾讯正把模型、工具和产品场景放进同一条迭代链路。用户对 WorkBuddy 的投票已经说明这个方向站得住：越来越多人愿意把更多真实工作交给它，且不用一直守在旁边盯着。
