腾讯Hy4正式版实测：免费额度与视觉能力成看点

又有免费 Token 可以领了。

腾讯把 Hy4 正式版端了上来，后训练做了两个月，重新回到最强开源模型那一档。

领取方式也不绕弯，在 WorkBuddy 上打开就能免费用，一直用到 11月15日。

额度当然有上限，世超自己用了三个半小时才见底，具体烧掉多少 token 看不到，不过还算经用。

从测试结果看，提升最明显的是它“长了眼睛”，用起来顺手不少。

先看跑分。能看出来，它瞄准的是第二梯队头部的位置。

经过后训练加强，Agent 和 Coding 相关能力整体往上提了一截。

和预览版比，Hy4 在传统 DeepSWE 里从 64.3 升到 74.9，Terminal-Bench 从 26.3 升到 44.4，已经能和 DeepSeek、Kimi 的旗舰过招了。

腾讯那边也坦然承认，和 GPT、Claude 还差得不少，跑分的柱子摆在那儿，OA 两家仍在前头。

有意思的地方在于，长了眼睛之后，很多以前干不了的事现在能干。

比如预览版没有的 OSWorld，这回直接做到 78.9，MMMU-Pro 也有 78.6。

能看图就能看懂屏幕，再配合 Computer Use 去操作电脑，海外旗舰模型玩过的那些花样，Hy4 也补上了一部分。

别的先放一放，先看这双后训练装上的眼睛到底好不好使。

拿前段时间挺火的谐音梗游戏来测。题目是手绘风格的图，上面给提示，下面让人填谐音梗，光靠 OCR 识别是填不出来的。

结果十道题它全答对了。像虫子拉彩蛋是“重庆”、冰块亲御姐是“冰清玉洁”这种，我都得愣一会儿，它也能想到，冷笑话这块估计没少练。

中间还有个小插曲。前几分钟它解出来之后，后面居然自己跑去找题库了。

还精准找到了 Steam 小游戏《这是谐音梗》，就在题库第 6 页，然后对着攻略比了一遍，确认自己答对了才交卷。

这种小心思以后得防着点。这么看，不少 benchmark 的题库也不见得牢靠，还是得多更新。

那就直接上难度，测它的手眼协调：喂一张图片，再让它调用画板画出来。

结果怎么说呢，能干是能干，但确实费劲，整整画了三个小时才弄完。

而且比起官方 Demo 那种 95% 的还原度，如果给的图精度稍高一些，就做不到 95%，只能掺点水。

这还是它自己复盘时说的，称考虑了各种因素，这是“不得已的妥协”，不然内存爆掉就不好看了。

行吧，看在还原了个七七八八的份上，这个选择也算明智。

眼睛测得差不多了，回到正题。

既然 Agent 和 Coding 的能力已经提上来了，那不如让它直接做一支前段时间很火的科普视频——就是配着 Opus5.5 那段经典小曲的那种，顺便看看它的前端本事。要求很简单：不许调用技能，纯靠自己画，内容就讲 P = NP 这个数学猜想。

怕它走老路子，还专门叮嘱过，别再整 PPT 幻灯片那一套。结果还是挺遗憾，出来的东西仍旧是一张接一张地播片，看得出来，不这么干它是真没别的招了。

不过话说回来，有几处小动效设计得还不错。38 秒那个像磁盘扫描的动画，还有 1 分 40 秒的环状星图，都挺有想法。能感觉到它确实拼尽全力了，可 PPT 这东西本身就有天花板。同样的提示词丢进 Hy4 preview 预览版，PPT 味更冲，动效也更单薄。

再看 Opus5.5 的效果，用的是谷歌 Antigravity 上的版本，别问为什么没在 Claude 上用原汁原味的。哟，这一次直出的居然也带点 PPT 味儿？仔细看还是不一样：谷歌那边每一幕的光点都能接到下一幕，接着变换形态，过渡动效也顺滑得多，更像一段视频。

那接着加点难度，拿 Astra 带火的 Blender 建模来试水。给它一张同福客栈的内景图，让它调用 Blender 尽量还原，看看精细度如何。挺快，22 分钟它就把大堂场景掏出来了。

怎么说呢，看上去确实像模像样，内饰和家具的特征也对得上号。基本格局是有的，可不少细节的准确度还差点意思：前面拐角式的楼梯直接被它捋直了，左边的前台位置也放错了。简单示意、对精细度要求不高的场景，倒也能凑合着用。

只能说，有了眼睛之后潜力确实更大。要是时间给足，再把子 Agent 分配好分头去跑，估计能雕琢得更精细些。

最后来把大的，让它接进虚幻引擎，做个游戏 Demo 看看。毕竟上面那个 Demo 还是 Hy4 预览版做的，这回据说他们跟游戏开发者合作，针对游戏引擎做了不少深度适配，期待值一下被拉满。索性忍痛借了张好显卡，就想看看咱这种小白能不能靠它搞 3A。话不多说，直接看结果：

本以为 Agent 会像长出三头六臂一样库库干活，结果恰恰相反，这东西明显还得专业人士在旁边辅助操作。提示词我都是照抄官网的，实测下来还是得自己出手，帮忙把环境配好。而且就这鸟样，还是我替它下了个 50 多 G 的素材包、又配好 MCP 连接，才勉强搞出来的。

想复现演示里那种效果，光靠嘴说不行，还得手动调——把模型载进去、把渲染管线对准了，才有点样子。

游戏引擎本身就复杂，这道坎一时半会儿迈不过去。说一句话就能做出 3A 游戏，眼下还差得远。

前面聊的都是动手折腾的部分。Hy4 这次发布，还有两处值得单独拎出来说。

头一个是科研。数学这种大模型出道必刷的科目先放一边，物理建模、地球环境等 7 个领域里，Hy4 的跑分都排在开源模型第一位，算是个小惊喜。

另一个是 RSI，全称递归自我改进。说白点，就是让模型自己去训模型，左脚踩右脚往上蹿。

他们拿 Hy4 训了个 Jev 模型。这玩意跟传统语言模型不一样，更接近一个 if else 选择器：你给选项，它替你挑。

规模不大，很适合做实验。之前世超就测过：被全网吹爆的Jev，真有那么神吗?

跟官方版本比，Hy4 训出来的这个算 plus 升级版，8 项测试里有 6 项跑分更高。

科研这条线上还延伸出一样东西——Hyra2.0 的 Harness。目标定得不低，想摸索科研的新范式，把 AI 自动化做起来。

看下来，各方面基本都在对着国外旗舰比：视觉装上，科研不落，性价比还能顾上一手。

回头再看，确实像姚顺雨讲的，一年就追到了前排，迭代做到两个月一次。

没多久，更便宜、更快的 Hy4 Flash 版也要拿出来。

这套剧情，前不久在 Meta 那儿好像刚演过一遍。

过程虽然绕，最后还是靠决心和钞能力，重新坐回了牌桌。

WorkBuddy 和 Muse 这俩在 C 端市场也都挺能打。

这些信号一个接一个亮起来，真有点重新集结、再冲一波的意思。

顺带把世超的期待也吊起来了：什么时候能真刀真枪捅破 OA 两家的天花板，来个新 SOTA 模型尝尝鲜。

毕竟要真出个国产的 Fable，蹬上去应该不烧心。。。