腾讯混元Hy4正式版发布：榜单超DeepSeek，实测Agent交付仍有落差

姚顺雨在X上发帖并不勤快，加入腾讯后官宣至今，帖子数不到10条。这回他却为Hy4正式版连发了4条。

其中一条转的是腾讯混元官方X账号的Hy4正式版发布消息。姚顺雨在帖子里写：“为我们在不到一年内取得的成就感到自豪。”

过去一年，腾讯混元在姚顺雨手上跑出了一套稳定的节奏：先出Preview版，再上正式版。三个大版本已经连续迭代下来。

转折出现在今年8月，Hy4 Preview发布。多位腾讯内外部业内人士的判断是，腾讯混元已经离开此前相对边缘的位置，站进国内大模型第二梯队。

Hy4正式版发布，被看作腾讯混元冲击第一梯队的关键一步。腾讯内部也给了明确说法，官方称Hy4正式版已跻身全球最强开源模型之列。

全球大模型评测平台Artificial Analysis的最新智能指数榜单上，一项覆盖579个真实金融任务的专家众测给出结果：Hy4得3.04分，高于DeepSeek的2.97分，低于kimi的3.1分，排在国产开源模型第二。腾讯公布的部分评测里，Hy4已经压过DeepSeek V4.1 Flash。

这个结果有意思的地方在于，混元过去很长一段时间的短期目标，看上去都绕着DeepSeek转。

“如果说过去姚顺雨做对了什么，最重要的就是做正确的事。”一位混元研究员这样表示。姚顺雨的做法更务实，不盯着榜单追，也没去追架构创新，而是在内部拨乱反正，把数据、Infra这些最底层的工程做扎实。

Hy系列和DeepSeek有相似之处：没有盲目堆大参数模型，靠的是后训练和预训练规模来提能力。差别在于，这次Hy4补上了Computer Use能力，在Agent任务上重点强化了腾讯产品和生态相关的任务，比如游戏生成。

过去一年，国内开源大模型的竞争标准由DeepSeek重新划定：推理和代码能力要够强，token成本和效率还得不断往斩杀线逼近。这一回AA榜单里Hy4的综合智力水平超过DeepSeek，问题也随之而来：落到真实任务上，混元真的追上DeepSeek了吗？

测试做了多组，覆盖Hy4的长程Agent和Computer Use能力。配套工具上，DeepSeek V4.1 Flash配WorkBuddy，GPT-6.1 Terra配codex，Hy4用codebuddy作为harness，让各家都发挥最强能力。不同平台的订阅成本也一并算了。

结论是，Hy4在某些任务上已经能和DeepSeek掰手腕。但从模型会写代码，到Agent能稳定交付工作，中间还有落差。再往GPT系工具上看，这种落差又换了一副样子。

01混元上桌

代码能力评测没有用传统的Coding Benchmark，主场景选的是游戏生成。开发一款游戏不只是写代码，还要考模型的需求理解、任务规划、素材处理、工具调用和最终交付。

这比单纯的代码生成更接近眼下厂商都在强调的Agentic Coding：模型不再只给程序员打下手，也试着独立把整个开发任务做完。

腾讯公布的多项评测中，Hy4正式版已经能和DeepSeek、GLM、Kimi等国产模型正面竞争，部分任务上取得领先。游戏开发被单独拎出来作为核心能力展示。官方数据显示，Hy4的GameDev、GameLogic评测成绩比Preview版本分别提升19.1%和9.8%。

测试定了一套游戏生成流程：给定参考图，模型直接生成可运行的网页游戏，全程不人工干预。DeepSeek、GPT-6.1 Terra等不同模型各用自己的Harness对照，让每个模型都跑到最好状态。

接着用两款不同类型的游戏，把开发任务的复杂度一级级往上加。

第一关是2D横版游戏。这类怀旧小游戏难度不高，主要用来热身，测的是模型搭建基本场景、角色运动和游戏逻辑的能力。

设计要求是生成一个类《银河恶魔城》的横版过关游戏，横跨多个场景，音乐、图画、背景等所有素材都要用代码生成。

这部分Hy4表现不错，地图的设计摆放、会主动攻击的怪物都花了心思。亮眼的是背景音乐：不同场景下风格会换，旋律却还是同一条。

Hy4正式版做的2D小游戏https://echodeep.hk2048.online/

不过，DeepSeek V4.1 Flash在几乎相同的生成时长内，拿出的效果更完整、更能用。

单看地图，Hy4的设计更像一条超长平面往右延伸，走到头就没了。DeepSeek V4.1 Flash的地图四通八达，前期还设了解锁环节，主动埋伏笔勾起玩家的探索欲。

剧情这块，Hy4显得松散，游戏里也没有对话。DeepSeek V4.1 Flash则搭起了完整世界观：一座城沉在井底，最后的守钟人得寻回四段失落的音律，打退劫持巨钟的"指挥家"，好让城市重新唱起来。

DeepSeek 4.1 Flash做的2D 游戏https://echowell.hk2048.online/

到第二关，难度从2D抬到3D。题目用的是不少模型都实测过的经典款——鹈鹕骑自行车的3D竞速游戏。这一关不只看Hy4会不会搭场景、设计玩法，还要看它怎么处理角色素材、运动表现和物理反馈。

我们把门槛又往上提了一档：原本是2D的SVG绘图，这次改成3D的鹈鹕建模，而且得让它在同一块场地上骑起来。

从结果看，Hy4过了第一道坎，基本生成能跑通。它用1300多行代码，写出一个单文件的鹈鹕骑单车3D竞速游戏，全程约50分钟，累计吃掉约800万Token、86积分，缓存命中率98.4%。DeepSeek 4.1 Flash完成同一任务则拆成多个代码文件，内容量明显更多，耗时约1小时10分钟，记录的Token消耗接近Hy4的十倍。

至少在这道题上，Hy4没输给DeepSeek 4.1 Flash。代码更少、Token更省，游戏基本能玩。对一个刚完成正式版升级的模型来说，这算拿得出手。

这是Hy4横向对比DeepSeek 4.1 Flash、GPT-6.1 Terra效果最好的一次，偏偏也是最便宜的一次。

Hy4正式版生成效果：附小游戏链接： https://pelican-hy.hk2048.online/

整轮测试里，Hy4有个地方和DeepSeek 4.1 Flash像得惊人：两个模型都爱在执行任务途中做长思考。

结果就是Hy4想完还要反复返工。单个任务的Token消耗被推高，耗时也拉长，有些长思考并没有换来更高效的路径设计。

拿做游戏来说，模型得处理素材。比如把白色背景的移动帧图抠出来，做成播放动画的页面，正常思路应当先去白底，再逐个对象单独抠。

可Hy4想了一通，选了先用方块截图框住每个对象再抠。方块截图把旁边的角色也带了进来，整套素材等于报废重来，这个小任务最后也没做成。

和2D游戏任务的结果类似，从完成度和实际可玩性看，Hy4跟DeepSeek 4.1 Flash比，离真正交付还有不小差距。

DeepSeek4.1Flash生成效果：附小链接https://pelican-ds.hk2048.online/

同样是"鹈鹕骑自行车"，DeepSeek 4.1 Flash做出的山路有弯道、有起伏，护栏和植被也在，场景层次比较足。跳跃时青色羽毛、加速时橙色尾流分得清楚，速度感和操作反馈都到位。障碍预警、安全路线和加速带搭在一起，骑行过程更有节奏。

HY4正式版的强项是玩法规则稍丰富，得分、小鱼收集、完美通过奖励和引擎热度都加了进来，角色在画面里也更大、更容易看清。不过画面过曝明显，道路和远景显得空，整体视觉质感弱一些。

看工程细节，DeepSeek 4.1 Flash的模块拆分、资源复用、固定随机种子关卡和调试接口都更完整，后续维护也方便。Hy4正式版基本把代码堆在单个文件里，局部输入和暂停处理做得不错，但长期扩展性上还是吃力。

当然，两个模型生成的游戏都没做自动化测试，离生产级工程还有距离。整体看，DeepSeek 4.1 Flash交付的作品在画面表现、玩法完整度和代码结构上都更成熟。

02价格，追上DeepSeek的另一笔账

再把价格叠上去，Hy4就有些尴尬了。按发布时的官方口径，Hy4每百万输入Token收6元，输出Token收18元，缓存命中Token收0.3元；正式版性能提升后，定价沿用Preview版本。

在Codebuddy的价目里，Hy4标价是DeepSeek V4.1 flash的2.6倍，已经不在有性价比的价格带。长思考带来的反复操作，也在无形中多烧Token。就拿上面测试的2D游戏制作任务来说，Hy4的积分消耗是DeepSeek V4.1 flash的两倍。

有意思的是，Hy4完成鹈鹕骑单车游戏消耗约86积分，表现可以说是三个模型里最好的。这也是Hy4官网上的demo之一。

价格上，Hy4每百万Token的标价仅为K3的几分之一。可同样是199元套餐，Kimi K3的理论容量约10亿Token，混元这边理论上只有8.7亿Token，反而更低。

把返工率算进去，实际每个任务要花多少钱就更难讲了。当然，这次并没跑K3的同任务测试，两款模型真正完成任务时的成本差多少，眼下还判断不了。

DeepSeek之前攒下的市场优势，很大一块就来自模型能力和成本的搭配。Agent用得越来越广，OpenCode这类第三方平台又开始提供多款模型的接入和订阅，单把模型拿出来或许就是张王牌，再配上性价比，竞争力显然更强。

腾讯公布Hy4 Flash的推出计划，目的也是把调用成本继续往下压。

至少现在，混元面前最直接、最躲不开的对手还是DeepSeek。它证明了国产开源模型的能力上限能推到哪，也一直逼着后来者拿出更好、更便宜的东西。

03DeepSeek之外，GPT又把门槛抬高了

前面的游戏测试，看的是模型怎么调用代码、文件系统和开发工具来完成任务。腾讯给Hy4带来的另一项重要升级，则是Computer Use（计算机使用能力）。

官方介绍里说，Hy4已经能结合命令行和图形界面执行操作，还专门针对Blender、CAD这类专业软件，以及跨应用、多步骤的长程任务做了优化。

换句话说，混元在试着让模型走出代码编辑器。Computer Use不光要模型写代码、调开发工具，还得认出屏幕上的信息，判断该点哪儿，再用鼠标、键盘把活干完。

于是接下来的独立测试，就是让Hy4和GPT-6 Luna在日历里新建日程。

麻烦在于，CodeBuddy和WorkBuddy都没提供符合这次需求的原生Computer Use用法。想让模型操作图形界面，我只能另找第三方的CUA类MCP外挂接进来。产品端适配要是能和模型同步上新，体验大概会顺不少。

也可能就是这个原因，Hy4的实际表现不太理想。

单是准确完成一部分鼠标操作，Hy4每次都要花好几分钟。操作鼠标时，模型得先拿屏幕截图，读懂界面内容，生成鼠标或键盘指令，交给工具去执行；然后重新截图，确认这一步成没成，再定下一步。界面一复杂，这套流程就得反复来。

结果就是，几分钟才点一下，跑任务的过程慢得厉害，执行效率也差了一大截。Hy4甚至在日期还没设好的情况下就退出了，引得反复检查，最后这次任务花了大约5分钟才完成。

换成Codex里的GPT-6 Luna，算上20秒网络延迟、中间还追问过问题，任务也只用了1分47秒。而且Luna能让多个Agent并行操作不同窗口，Hy4那边还在跟点击准不准较劲。

当然，两次测试的任务和运行环境并不一样。Hy4走的是第三方MCP接入，Luna跑在自己的Computer Use环境里，这也会带来影响。可一边是电脑操作能力已经成熟的模型，一边是用户得自己装工具、自己处理适配的新模型，尝鲜的意愿难免受影响。

另外，整个测试过程里我发现，Codebuddy其实也没那么好用。

作为IDE Agent，它对长程任务的支持并不友好。有些设计偏保守，把不少高风险命令设成必须由人点“确定”。可现在的Agent早不是从前那种动不动删光文件夹的样子，一些长程命令其实可以放心让它执行。

这种设计见仁见智，安全性是上去了，但跟同样做Computer Use的海外模型比，要补的课还有不少。

模型之间的能力差距越缩越小，真正左右用户选择的，可能越来越多地落在工具生态、上下文管理、执行效率和完整的任务交付体验上。

回到测试本身，Hy4的进步看得见。它已经能独立生成多种网页游戏，在一些重点优化的开发任务里，甚至能用比DeepSeek更少的Token完成基本开发。视觉理解和Computer Use也补齐了，开始试水以前难以覆盖的软件操作场景。

同样看得见的，是它在素材处理、任务规划、自动纠错和长程执行上的不稳定。

Hy4终于在部分项目上追平甚至超过DeepSeek，新的问题也跟着冒出来。前面还站着模型能力和harness都强的GPT，这场竞争才算真正开场。