腾讯混元Hy4实测：能算AA账、能比价，还能把攻略截图变网页
打开网易新闻 查看精彩图片 出品｜网易科技《态度》栏目 作者｜汉雨棣 编辑｜丁广胜 11月4日，腾讯混元正式发布新一代大语言模型Hy4。根据腾讯官方的说法，相比此前的Hy4 preview，新模型首次引入视觉理解能力，并重点强化指令遵循、长文本理解、长程Agent及真实生产力任务表现。 拿到Hy4之后，我没去跑那些名字
11月4日，腾讯混元发布新一代大语言模型Hy4。腾讯官方称，与此前的Hy4 preview相比，新模型第一次具备视觉理解能力，并在指令遵循、长文本理解、长程Agent以及真实生产力任务上做了重点加强。
拿到Hy4，我没去跑那些名字很长的基准测试。我更关心一件事：它能不能替一个普通人，把生活和工作里那些又烦又碎的小事干完。
网易科技《态度》栏目从几个角度做了一手实测：算清一笔AA制的烂账、去购物网站比价、把一张乱糟糟的攻略截图变成网页、做一个交互网页。
这几个场景，正好对上近来模型圈争抢的视觉理解、长程任务和“许愿式”代码编程等需求。结果有好有坏，大部分任务完成得挺高效。
1、场景一：AA账单
四个朋友去杭州玩，住宿、打车、三顿饭，付钱的人各不相同，回来在群里算账算到吵架。我们把六笔开销原样丢给它，要求生成一个.xlsx文件，所有计算必须走Excel公式，不许手写结果，还要加一个校验格，用公式检查“所有人垫付之和”是否等于“总支出”。
我用的Prompt：
以下是Hy4给出的答案：
这个场景主要考模型的文件级交付和公式化逻辑推导。行业里评表格Agent，通常把“公式引用”和“硬编码数字”当作分水岭。这张表被清清楚楚分成四块，点开每个空格都能看到引用的公式，验算下来数据准确。
另外，模型能直接交付Excel表格，中间不用粘贴或再做处理。从准确度到产品便利性，这部分测评过关。
2、场景二：购物网站比价
桌上堆着两件旧物，一直闲置没怎么用，如今能卖多少钱心里没数，挨个上京东查又嫌麻烦。干脆拍了张桌上杂物的照片发过去，同时附上这段Prompt：
第一张截图是识图，结果说得过去，耳机包的大致图样和帽子款式都认出来了。
第二张截图里，京东真被它用浏览器打开了，搜索框里的关键词是它自己敲进去的。
问题出在这一步的搜索上：关键词被限定在“老虎”和“条纹”这两个词里，做不到直接看图、按商品款式精准去找。也就是说，老虎图案的耳机包能搜出一大堆，可原图里那种同款老虎加条纹的帽子，搜不到。
第三张截图里，桌面上已经躺着“估价单.docx”。点开一看，表格里的价格和截图对得上，不是瞎编的。
这个场景是整轮测评里最硬的一关，考的是CUA。过去的AI只会“看”和“说”，CUA等于给它装上了手，能像人一样盯着屏幕、动鼠标敲键盘，去操作真实的软件界面——识图、浏览器、桌面Word，三个界面彼此完全不同。行业里有个判断标准：Agent能不能在长会话里始终记住目标、不搜完就忘，这区分了“演示级”和“生产级”。
不过要让它调用自己的浏览器，权限授予还是少不了一大堆。用户隐私和安全怎么护住，这个问题依然摆在那儿。
3、场景三：随手截图做旅游攻略
手机里攒了一堆西湖特种兵攻略的截图，密密麻麻全是网红打卡点，字挤着字，看两眼就头大。想照着走一遍，又懒得自己查地图排路线。
我们把这些截图一股脑丢过去，发了这样一段Prompt：
这一关考的是大模型圈最近挺火的“许愿式”代码编程。用户不用懂前端，也不用指定框架，只管“许愿”——把想要的效果描述出来。它先把图里的信息提取干净（多模态理解），在脑子里重新理一遍逻辑（空间推理），最后交出一个双击就能跑的网页。
清单基本没漏。网页打开后是按天分组的时间轴卡片，地点名称都来自截图，没有凭空编造。这一环节也算过了。
4、场景四：交互网页制作
想给不在数码圈的朋友讲明白机械键盘里的“轴体、PCB、定位板”长什么样，我们直接甩过去一段长Prompt：
这道题考的是空间逻辑推理，加上用程序生成几何体，再做3D状态机动画。模型没从网上扒图，全靠代码里的数学公式把键盘算出来，长宽高、圆柱体、长方体都用上了。空间约束也考到了：拆的时候外壳朝下走、键帽朝上飞，两边不打架。看得出它懂点“物理常识”，不是乱画。
四个任务本身都不复杂，可正好压中Hy4这一代主打的几个点：视觉理解、长程任务、CUA跨应用操作、多模态转代码。这几件事上Hy4都没交白卷。碰上标准化程度高、算一算就能出结果的问题，答案基本可以打满分。
不过它露出的边界也一样清楚。任务定义得够明确，它能把流程稳稳走完；细处还是替不了人，得靠人去看、去判断。
还有个问题，部分复杂任务生成起来太慢。上面这些任务没有一件能在两三分钟内搞定，短的要6-7分钟，长程的交互视觉类生成甚至要半小时上下。
混元官方自己写得很直白：跟顶尖闭源模型比还有不小差距，尤其在前沿数学、长程开发、模型迭代、视觉问答这些内部高难度测试集上。发布当天能上手体验的东西也有限。最终成色，还得看上线后真实工作流里跑成什么样。
