腾讯混元Hy4正式版：首次能操作电脑，4小时25分调用工具1492次

从零搭一款3D赛车、为14平米卧室添张床、清理近千条错账，还得帮北大团队给数学猜想找反例——不盯跑分看实效，打工人中途改主意时它接得住吗？

腾讯混元的模型能力，这回确实追上来了。

11月4日，混元Hy4正式版对外发布。跟8月的preview相比，这一版头一次加上视觉理解和电脑操作两项能力，模型权重也计划开放。

常规跑分结果整套公开：12项对比中，Hy4多数优于8月的preview，可多数项仍落在GPT-6.1 Sol和Claude Opus5.5后面；腾讯方面也直言“与顶尖闭源模型仍然存在较大差距”。

「甲子光年」留意到，腾讯混元这次把“前端与游戏开发”“科研与模型研发”单独拎出来亮了成果。

游戏本就是腾讯的地盘，混元拉上IEG的专业开发者一起打磨评测，GameDev、GameLogic两个基准较preview分别涨了19.1%和9.8%；TenureTrail内部评测覆盖7大学科、123项可执行研究任务，Hy4在数学构造、物理建模、地球环境、系统工程、社会经济决策等方向都拿出了科研表现。腾讯混元方面称，Hy4在该评测中排开源模型第一。

科研案例里，腾讯混元摆出一项与北京大学数学团队的合作：Hy4找到了Méndez–Pinto–Villarreal（MPV）猜想的反例，接着补上附加条件，并在这些条件下把问题正向解掉，相关证明还做了Lean形式化验证，反例发现、命题修正、证明验证这一整条研究链路走通了。

「甲子光年」得知，这支团队由北京大学博雅特聘教授董彬在2023年组建，名为AI4Math，成员在数学和人工智能两块都有积累。今年4月，团队曾对外宣布，靠自建的自动化AI框架拿下了交换代数里的开放问题“安德森猜想”——国内头一回用AI框架攻克交换代数开放问题，并完成了大规模形式化验证。

正式版上线前24小时，「甲子光年」在WorkBuddy里拿到了内测模型Hy4-dev，布置了四项制作任务：海岛赛车、太阳系科普短片、卧室布置工具、年度消费报告。测试走两轮：第一轮从零做起；第二轮留下首版，在原工程上追加需求，允许重构和扩展；之后在工程副本里单独复核。

有几点要交代：四道题只给明确要求，现成工程或代码一概不给；房间尺寸和价格都是题目设定，账单数据全部虚构。文中原始截图、视频剪辑等，均由Hy4按需求自行采集和渲染。

结果先说：四项测试并行跑，实际耗时约4小时25分，单项完成时间从1小时51分到3小时28分不等。四题加起来调用工具1492次，全程由Hy4自己找工具、自己调。

「甲子光年」实测下来的感受是，数小时、上千次工具调用的过程中，外部检索、数据清洗、空间约束求解、多模态音画合成都由它自主完成；更关键的是，加上视觉理解与电脑操作之后，它既能从零搭出可交互原型，也会自己打开作品截图验货，第二轮需求变了还能读懂既有代码、在原工程上接着改。跨模块的细节一致性（比如前端状态与底层数据同步）偶尔出bug，除此之外整体够得上生产工具的水准。

1.四道题，外加两次“变卦”：

Hy4的作业是怎么交的？

第一轮赛车任务，要的是一款能在浏览器里真跑起来的3D游戏。海岛、赛车、跟随镜头之外，规则也得齐：按顺序过检查点、沿正确方向冲线才计圈数；原地压线、逆向冲线、抄近路，都不能白捡成绩。

海岛赛车第一轮，原指令节选

“做一个完整能玩的3D迷你赛车游戏，主题定在明亮轻松的海边赛道，统一用低多边形风格。我要求能在浏览器里真正开车、把比赛跑完，最后录一段视频把成品展示出来。”

从第一条指令发出算起，Hy4在40分6秒时给出首次交付回复，48分37秒补完试玩视频，工具调用共103次，主要是JavaScript/Three.js、Chrome/Playwright、FFmpeg等。交上来的是一条低多边形风格的海岛赛道，圈数、计时、小地图都有；记录显示中途明显返工两次——错误提示层挡住界面、车辆冲出护栏，交付前都已修好。

Hy4第一轮自己截的项目画面。此时是固定赛道上的单人比赛，赛道编辑器还没影，图片来源：「甲子光年」实测

赛车·第二轮加码，原指令节选

“把眼下这个海边low-poly3D赛车升级成《我的海岛赛道》：赛道要能由我亲手改动，三维世界跟着变，然后我再开车跟AI比一场。”

“一次修改，路面、护栏及其碰撞、起终点、顺序检查点和AI路线都根据当前赛道更新；起终点随1号点及道路方向调整。”

难度跟着上来了。路面一改，护栏不能杵在原地，检查点不能飘到路外，对手也不能照旧路线跑。看上去只是拖拽一下，动的却是整套游戏规则。

Hy4给这些部件找了同一个依据：八个控制点用向心Catmull–Rom曲线连成一条平滑线，沿线取600个点；路面两侧、护栏、四个检查点、起终点和AI的前视目标，全部由这600个点生成。改赛道时先过一遍合法性校验，通过了才接纳新点、重建场景，失败则保留上一个有效版本。

这次复核中，Hy4把3号点往岛的上方拖动，二维地图和三维道路随之同步更新；赛道长度从约705变成735，这个数字是游戏场景单位。图片来源：「甲子光年」实测

拖点造路、非法提示、镜头落回车后、新路驾驶直到完赛，这些赛车自动化操作过程由Hy4自己录制并剪辑。最后9秒剪自另一局同一赛道的完赛画面。视频来源：「甲子光年」实测

小bug也有。导入非法赛道文件后，主“进入试玩”按钮会变灰，而且不会自己恢复。不过编辑道路、重建规则、在新赛道上跑完比赛这条主流程已经走通，作品也不再是固定赛道游戏，而是多了编辑功能。图片来源：「甲子光年」实测

太阳系科普短片任务也遇到了同样的追加修改考验——第二轮我们让它给视频工程加上“导演模式”。

第一轮的要求是给8—10岁孩子做一支90秒太阳系科普片。模型得自己去查NASA、ESA等原始资料，核对知识和比例，再把画面、中文旁白、字幕与动画组织起来，交付工程和可播放的MP4。

Hy4首轮交出的90秒太阳系科普成片，分辨率1920×1080。视频来源：「甲子光年」实测

首轮交付之后，我们接着加要求：主体要有至少60秒的连续3D长镜头，工程还要提供“导演模式”，能调整土星飞掠段的观察距离与绕行方向，改完再把镜头导出。

Hy4加上导演模式后复核的成片，时长90秒、分辨率1920×1080。这次核验的重点是工程修改、输出结果和镜头要求。视频来源：「甲子光年」实测

用原工程副本，改完镜头参数，土星与环带的构图跟着变了，随后按新参数重新渲染。视频展示的是导出后的片段，渲染与编码花了约115秒。视频来源：「甲子光年」实测

但有一项核心要求没过：连续长镜头。

成片约42秒处，相邻两帧之间相机大幅转向，上一帧还居中的土星，下一帧已经出了画面。另一个叫“逆行绕转”的选项只改了路线偏移，绕行方向并没有真正反转。另外还有“距离说明数字陈旧”“键盘调参同时快进”两条明确缺陷，多花些时间可以修。

上面两帧是Hy4从基准成片直接解码出来的相邻画面。土星位置突变，连续长镜头这一项没通过复核。图片来源：「甲子光年」实测

房间改造更贴近日常生活：一个14.4平方米的房间，空间该怎么规划？

房间规划第一轮原指令节选

“请依据我上传的png，给一个小房间做全套家具布置与3D呈现。附件里的假想房间只作测试用途，尺寸和价格都是题目设定的，不必去查真实商品。”

第一轮，Hy4照着假想户型图，把平面布局、3D预览和预算放进同一个页面，约28分钟交付，是四道题里耗时最短的一轮。图上标了床侧通道、衣柜开门区和门扇范围；书桌靠窗，衣柜沿侧墙，双人床放在另一侧。另外加了床头柜、书架、落地灯，按题设价格合计560元，还剩640元。

左图是上传的原始平面图，右图是Hy4首轮自己截的三维布局：在给定尺寸下完成布局、3D展示和预算。图片来源：「甲子光年」实测

第二轮，我们把背景设成“朋友要来过夜”。除了加床，还要求家具能拖动、旋转、锁定，再按当前状态“一键安排来客”。没锁的家具可以挪，原有家具尺寸、门窗位置和通行要求都得保留。

房间第二轮加码，原指令节选

“我希望能在平面图上拖动家具、按90°旋转、逐件锁定位置和朝向，3D画面同步跟着变。点一下“一键安排来客”，就按当前摆放、锁定项和空间条件重新排，未锁定的家具可以挪，尽量少动大件。”

“用两次不同编辑验证结果确实响应输入，不能只在两套固定坐标之间切换。”

到了升级版，Hy4先把手边的床头柜拖到南墙边，转90度，再把位置和朝向都锁住。按下安排后，床头柜原地没动，床、衣柜、书桌这三件大件也都没挪窝，客床则移到东南侧展开。换个摆法再试，把床头柜锁到别处，客床的落点随之改变，这次双人床也往西退了10厘米。加码那轮耗时2小时10分51秒、调用237次；两轮加起来是2小时39分13秒、316次调用。

Hy4自己录的房间设计自动化操作记录：移动、锁定、一键安排，再返回日常。原采集约5fps，之后重新采样，画面有卡顿。视频来源：「甲子光年」实测

消费报告实测是这次Hy4检查里最细的一项，也是唯一跑了独立审计程序逐事件比对的（965事件×8字段），还做了Excel16.0原生重算和边缘状态UI复现。

测试方搭了一个虚构的账单压缩包：里面装着微信、支付宝、银行卡三个渠道的账目，分两批共六个CSV，另外附一张商户类别表和两份数据说明。

三个渠道的格式各不相同。金额有的按元记，有的用整数分；时间戳带着时区；银行卡把收入和支出拆成两列。同一笔付款可能在两个平台各记一遍，中间还夹着退款、转账、充值和没成功的交易。

任务是按说明把口径统一起来，最终交出一份可编辑的Excel账本和一份互动年度报告，而且每个数字都要能翻回明细对得上。

首轮交付同样经历了修正。初版曾把一笔4999元消费显示成4999.09元，大额榜和类别明细也出现过异常，最后都改了过来。这一轮花了34分52秒。

第二轮只加了一项要求：让使用者改动一次分类，看报告会不会随之重新组织。

剩下的都是验收条件——改完之后刷新页面改动还在、可以撤销、原始CSV不许动；同一批圆点要能从按12个月排队切换成按类别聚合；分享卡要即时采用当前状态；追加包重复导入不能重复入账；还得给出把修改同步回Excel重新计算的路径。这一轮加码到1小时16分22秒。

本次复核中，Hy在通用明细控件里把4999元从「数码」改成「学习」，最大类别随之由数码41277.41元变为居住40723.52元，全年净消费仍是152675.83元。账单为模拟数据，图片来源：「甲子光年」实测

总体看，改分类、图表联动和防重复入账都跑通了。不过独立复核逮到两处细节出问题：一处是点了撤销后，页面弹窗提示“撤销成功”，底层账单数据其实没改回去；另一处是某个页面的状态没跟主表实时同步。

Hy4自己录的自动化演示覆盖图形变换、分类修正、退款和分享卡，其中部分步骤由页面内部函数触发，图片来源：「甲子光年」实测

2.跑分之外的真问题：

它能替人类省下多少事？

把四项测试摆到一起看，Hy4已经能把文字需求做成可运行的作品，还能在原有工程上接着处理追加要求——写代码、调工具、排错改功能，一整套相互关联的工作接连跑通。

这也回应了「甲子光年」此前在《腾讯、阿里、字节，为什么都在给Agent“造世界”？》里提出的疑问：基准测试拿到的分数，到底能不能变成实际干活的能力？

当时的梳理显示，今年4月至9月，混元至少有4组研究人员围绕Agent环境发了6篇论文，内容涉及长时任务、手机操作，以及训练环境的自动生成与更新。

这些研究想做的事，是让模型在交互里学：先执行操作，拿到反馈，再调整下一步。衡量Agent的工作能力，同样得看这个过程，以及操作完之后到底发生了什么。

在「甲子光年」看来，这轮实测体现出两方面的生产力价值。

一面是Hy4能分担多种技术活。做视频、整理账单、规划房间布局，往往要用到不同的软件和技能。模型接手一部分编程、计算和音画制作之后，用户能把更多精力放在说清需求、比较方案和判断结果上。动手的门槛低了，个人也有机会去试更多原本很难独自完成的事。

另一面是它能接着处理变化中的需求。实际用起来，人常常看到第一版成果，才想清楚还要加一张床、换一个账单分类，或者调整一段镜头。Hy4能在原工程上完成多项修改，让首轮生成的代码、数据和素材继续派上用场。上一次做出来的东西，可以成为下一次调整的基础。

腾讯混元官方测试还公布了模型参与科学研究的进展。从这次发布的内容看，数学探索、科学工具和模型研发，正成为混元的一个重要方向。

这次披露的MPV猜想研究，为国产模型在科研场景落地提供了一个有力证明。该猜想由墨西哥Cinvestav研究中心的Fernando O. Méndez、Rafael H. Villarreal，以及葡萄牙里斯本大学的Maria Vaz Pinto在2024年的论文中共同提出，属于交换代数领域的开放问题。

北京大学AI4Math团队公开的记录显示，猜想与参考文献被交给混元内部模型，由数学研究系统Pharos牵头推进探索。反例最先由混元模型找到，原猜想并非总能成立由此得到说明。探索并未就此止步：模型接着给出了附加条件，使原结论得以成立，并附上了证明。之后，证明又被模型转写成Lean代码，可供计算机逐步检查。项目团队说明，相关证明已通过形式化检查；代码中主要定理的陈述与论文表述是否一致，研究者也做了人工核对。

这项合作让混元在科研中的贡献变得具体：研究者定问题，模型承担探索、证明和形式化验证，研究者最后审查结果。

「甲子光年」认为，实测案例已经展示出Hy4分担制作和修改工作的能力，这次数学研究披露的案例则展现了模型深入真实数学科研场景、攻坚开放问题的潜力。接下来，这些能力还得在持续使用中证明自己的可靠性：让普通用户少花时间排错和返工，让研究者拿到经得起核查、能接着往下做的成果。成果能被检查，也能被接着使用，模型的能力提升才会变成更稳定的生产力。