姚顺雨带队近一年，腾讯混元追上来了吗？我们实测了Hy4

“Hy4 在同一道 3D 发动机任务中，比 Kimi K3.1 Pro 快了 28 分钟。”

作者丨吴海明

编辑丨李娜 岑峰

11 月 4 日，腾讯发布混元 Hy4 正式版。消息公布后，腾讯首席 AI 科学家姚顺雨在 X 上转发，称自己为团队在不到一年时间里取得的成绩感到自豪。

这份自信并非没有来由。

去年底，姚顺雨从 OpenAI 加入腾讯，随后混元经历了研发团队整合和基础设施重建。从今年 4 月的 Hy3 preview、7 月的 Hy3 正式版，再到如今的 Hy4，腾讯的大模型迭代明显提速。过去总被认为在基础模型竞争中慢了半拍的腾讯，这次甚至在官方发布中宣称，混元首次跻身全球最强开源模型行列。

Hy4 也确实拿出了些新东西。除了模型能力的提升，它第一次加入了视觉理解和电脑操作（Computer Use）能力，不仅能看懂屏幕，还能通过命令行和图形界面操作软件。腾讯还专门针对 Blender、CAD 等专业工具和跨应用长程任务进行了训练。

不过，第三方榜单给出的成绩并没有那么悬殊。在 Artificial Analysis 最新的综合智能指数中，Hy4 拿到 35 分，虽然已位居中国模型前列，但距离 Kimi K3.1 Pro 的 46 分还有 11 分差距。

有意思的是，我们在一道实际测试题里，却看到了另一种结果。

我们让 Hy4 和 Kimi K3.1 Pro 使用同一个 Agent 工作台 WorkBuddy，完成一台可拆解、可运转的 3D 四缸发动机。不仅要制作教学网页，还要自己打开浏览器，检查播放、暂停、角度调节和气缸运动等功能。

最终，两款模型都交出了可以在本地运行的网页工程。Hy4 用了 44 分 11 秒，Kimi K3.1 Pro 则花费 1 小时 12 分 39 秒，前者快了近半小时。Hy4 还在浏览器中发现并修复了页面遮挡问题，最终通过了自己编写的 55 项自动化检查。

榜单上落后 11 分，实际交付却更快，Hy4 的表现多少有些出人意料。

而这次测试更值得看的，是模型与工作台如何配合完成一项任务。当 AI 不仅能写代码，还开始自己打开网页、操作按钮、发现问题并修改作品，模型之间的较量，也有了一套不同于传统跑分的衡量方式。

01

对比评测：一道四缸发动机题

考验AI能否交出可操作的课堂工具

这次测评，我们设计了一个“发动机原理”拆解的评测题目，让模型化身机械教师，给出一份面向教学的设计方案：发动机的四个气缸如何配合？活塞上下运动，又是怎么带动曲轴旋转的？一起看看测试题：

请制作一个用于课堂教学的交互式 3D 四缸汽车发动机演示网站，帮助教师讲解四冲程发动机的工作过程和基本物理原理。

电脑已安装 Blender，并已配置 WorkBuddy 浏览器控制。请根据任务需要选择工具，完成网页制作、浏览器操作和检查。


1. 使用 Three.js 展示一台直列四缸四冲程发动机，至少包含缸体、活塞、连杆、曲轴、进气门、排气门和火花塞。模型可使用程序化几何体制作，重点是结构清晰，便于观察内部运动。

2. 支持旋转和缩放模型，并提供“显示／隐藏外壳”或剖视功能，让教师能够观察四个气缸内部。

3. 演示进气、压缩、做功、排气四个冲程。活塞、连杆、曲轴和气门应协调运动，火花塞在点火时给出可见提示。四个气缸应按照合理的四冲程工作时序运行，并在页面中说明点火顺序。

4. 提供自动播放、暂停、重置和速度调节功能。教师可以手动拖动曲轴角度，或通过按钮逐步推进，停在任意位置观察各部件状态。

5. 页面实时显示曲轴角度、各气缸当前冲程及进排气门状态。点击主要部件时，显示名称和简短说明。

6. 提供简洁的教学说明，解释燃料燃烧释放能量、气体推动活塞、连杆带动曲轴旋转的过程，并说明四冲程需要曲轴旋转两圈。使用示意动画表示进气、燃烧和排气即可。

7. 交付可在本地运行的完整网页工程。完成后请打开浏览器，实际检查模型显示、播放与暂停、手动调节、冲程切换、部件说明和重置功能，并修复发现的问题。最后告知我启动方式和检查结果。

在我们的测试电脑上，提前安装了 Blender 和 WorkBuddy，同时也配置了浏览器控制插件。我们让 Hy4 和 Kimi K3.1 Pro 都使用 Three.js 程序化几何体制作发动机模型，并将浏览器纳入检查流程。

下面看看 Hy4 的表现：

Hy4 为发动机做了一张深色背景的教学台，四个气缸从左到右排开，活塞下方是连杆和曲轴，右侧面板列出每个气缸的冲程、活塞方向与气门状态。如下图所示，0° 时 1 缸显示为做功，2、3、4 缸依次显示排气、压缩、进气。

Hy4 制作的发动机原理拆解系统的 0° 状态

之后，发动机开始运转，活塞和连杆的位置发生变化。为了更好地配合演示，Hy4 设计了丰富的操作按钮，教师可以通过下方控制栏提供的播放、前后 180° 步进、角度滑块和速度选择等操作，把动画停在需要讲解的位置。

▲Hy4 制作的发动机原理拆解系统的不同状态

一起来看看综合表现：

Hy4 制作的发动机原理 3D 网站动态演示（5倍速）

整体来看，Hy4 的网页把四个气缸、连杆、曲轴和工作状态放在同一个画面中，0°、90°、270° 和剖面截图展示了不同角度下的模型状态，播放和角度控制也为课堂讲解提供了操作入口。

紧接着是 Kimi K3.1 Pro 的交付物了，K3.1 采用 Three.js + Vite 构建这个网站，凸显了其在代码领域的专业性。从网站来看，页面中央是发动机演示区，右侧用卡片显示四缸工作状态，下方放着播放、速度和曲轴角度控制，在 0° 时刻，1 缸处于做功，其他三个缸分别处于排气、压缩和进气。

K3.1 Pro 制作的发动机原理拆解系统的 0° 状态

和 Hy4 一样，K3.1 Pro 构建的演示在发动机运转后，活塞和连杆的位置同步发生变化。K3.1 也设计了丰富的操作按钮用来控制演示操作。

▲K3.1 Pro 制作的发动机原理拆解系统的不同状态

K3.1 Pro 制作的发动机原理 3D 网站动态演示（5倍速）

和 Hy4 一样，K3.1 Pro 的页面把发动机模型放在中央，四缸状态、冲程进度和讲解笔记集中在右侧。从页面内容上看，Hy4 更像老师输出知识一样，给出了更多的知识细节。

我们进一步统计了两个模型在平台上的后台运行情况：

后台运行数据对比分析图

这组数字背后，是两次长任务的完整工作过程，Hy4 共发起 97 次模型请求，Kimi 为 106 次；工具调用分别为 96 次和 110 次，涉及文件、命令行和浏览器操作。Hy4 累计输入约 1392 万 Token、输出约 13.33 万；Kimi 输入约 938 万、输出约 4.71 万，显然 K3.1 Pro 更省 token，但从时间成本上两者则存在差异：Hy4 的时间支出是 44 分 11 秒，Kimi 为 1 小时 12 分 39 秒。

整体来看，两个模型都交出了可继续编辑的网页工程，能用于教师给学生的上课演示，证明到了现阶段，模型的能力已经足够日常办公使用，而且很难区分出模型能力的高低。

02

WorkBuddy+Hy4双子星

模型思考，Agent操作浏览器

在上述测试中，模型需要理解四冲程时序、组织代码，并根据页面反馈修改；WorkBuddy 提供任务运行环境，连接文件、命令行和浏览器。模型和工作台搭档，一个任务才能被从被生成到在浏览器中被打开和被检查。

回到 Hy4, 在最新 v5.0.1 版的 Artificial Analysis 中，Hy4 取得了35 分，同榜单的 Kimi K3.1 Pro 为46分，Deepseek V4.1 Flash 1017 为33分。这项综合指数覆盖知识工作、代码、科学与通用知识等任务。Hy4 的成绩显示了腾讯的模型具备很强的综合实力，已经能让腾讯继 Hy3 之后又一次稳稳地回到大模型竞争的牌桌上。

Hy4 在 AA 榜单中取得 35 分，处于全球大模型前沿位次

从腾讯自己的评测结果来看，在 WorkBuddy 场景评测中 Hy4 的平均效果得分为 83.18 分、通过率为 96.15%；在腾讯混元与腾讯金融科技组织的盲测中，213 位专家参与了 579 项真实金融任务的评分，Hy4 综合得分 3.04/4，Kimi K3.1 Pro 为 2.68/4。整体来说，Hy4 在办公与金融场景更能展现其实力。

腾讯官方公布的 Hy4 评测结果

此外，我们还记录了 WorkBuddy+Hy4 操作浏览器的演示。WorkBuddy 在 Chrome 打开网页，点击播放和暂停，切换快慢速度，再用 180° 步进按钮查看四缸状态。工作台还操作了剖面视角、外壳三态和 3 缸高亮，并将角度定位到 360°，观察模型和状态面板的变化。演示中也遇到了小插曲：窗口尺寸改变后，按坐标点击没有落到目标按钮上，WorkBuddy 随后改用页面元素点击。

WorkBuddy + Hy4 操作浏览器对 “发动机原理 3D 网站” 进行演示（5倍速）

据腾讯官方披露，团队在 Hy4 训练过程中，针对专业软件和跨应用长程任务开展了专项训练。结合本次测试，两款模型都以 WorkBuddy 为工作台，在浏览器中进行对交付物进行测试从而验收，Hy4 打开页面后发现图例遮挡曲轴、操作提示遮住缸号，随后调整了布局，同时编写浏览器自动化脚本，检查四缸时序、剖面视角、按钮、滑块与控制台，最终完成了 55 项基于浏览器的检查。

WorkBuddy+Hy4 操作浏览器的能力，让任务多了一轮可观察、可调整的过程。模型通过工作台打开生成的页面，结合截图或工具返回的信息，判断界面是否需要修改。未来，这种能力势必会成为一种新的生产力，让更多的产品测试人员逐步放开手脚。

03

从Hy3到Hy4

腾讯的Agent组合走向真实任务

这条线要从 Hy3 说起。2026 年初，腾讯重建预训练与强化学习基础设施；4 月 Hy3 preview 发布时，模型已经接入 WorkBuddy、CodeBuddy、元宝等产品，产品里的真实调用，一边让外界重新看到腾讯的模型能力，一边把用户的反馈送回训练环节。到 7 月 Hy3 正式版发布，腾讯重新坐回大模型竞争的牌桌。

Hy4 沿着这条线继续加码：训练规模扩大，视觉理解与电脑操作进入模型本体。模型的输出从一段文字、一份代码，扩展到“把一件事在屏幕做完”，WorkBuddy 提供了落点，文件、命令行、浏览器都在同一个工作台里，模型的一次判断可以立刻被执行、被看见、被修正，任务因此有了可观察、可调整的过程。

这种组合的分量，在海外社区的讨论里也能看到，Reddit 上有开发者关心权重何时开放下载、能不能在本地跑起来，以及更大的参数规模会带来多高的硬件门槛。他们盯着的不只是榜单上的分数，还有这套能力能否被自己接手。

这次，交出的答卷是一台能在网页里转动的四缸发动机。下一道题，可以是在画板上用鼠标画图，也可以是做一把能拆解的 3D 键盘，或交付一份附带财务模型的研究报告。题目越往真实工作里走，模型与工作台的配合就越有看头：网页挡住了能不能自己调整，软件报错了能不能接着往下做，最后留下的文件能不能交给别人继续用。

点击关键词查看对应实测内容

月之暗面 Kimi

智谱 GLM

深度求索 DeepSeek

阿里 Qwen

字节跳动

更多测评