腾讯Hy4正式版开源实测：免费额度、跑分与视觉能力表现如何？
sina qqZone renren ydCloud 0
差友们，又能薅免费的 Token 了。
腾讯把 Hy 4 正式版模型端了出来，后训练做了两个月，重新回到最强开源模型那一档。
它没搞什么花活，在 WorkBuddy 上打开就能免费用，从现在起一直能用到 11 月 15 号。
额度当然也有上限，世超自己用了三个半小时才见底，具体消耗多少 token 看不到，不过还挺耐用。
从测试结果看，提升最大的地方是长了眼睛，用起来确实顺手了不少。
先看跑分。很明显，它是冲着第二梯队头部去的。
Agent 和 Coding 相关能力经过后训练加强后，整体往上蹿了一截。
跟预览版比，Hy4 在传统的 DeepSWE 里从 64.3 涨到 74.9，Terminal-Bench 从 26.3 涨到 44.4，已经能和 DeepSeek、Kimi 的旗舰掰手腕了。
他们自己也大方承认，跟 GPT 和 Claude 还有较大差距。看看跑分的柱子就很明显，还是 OA 两家顶在前面。
有意思的是，长了眼睛之后，很多以前干不了的事现在能干了。
比如预览版里没有的 OSWorld，这次直接拉到 78.9，MMMU-Pro 也有 78.6。
能看图就能理解屏幕，再配合 Computer Use 操作电脑，海外旗舰模型那些花活，Hy4 也算补上了一部分。
所以别的先放放，先来看这双后训练装上的眼睛到底好不好使。
前阵子那款靠谐音梗走红的游戏，正好拿来试了试。题目给的是手绘图片，上方是提示，下方要你补出谐音梗，单靠 OCR 识别根本答不上来。
结果它十个题全都答对了。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，它也能想到，冷笑话这块估计没少练。
向左滑动
说起来中间还有个小插曲：前面几分钟它解出来后，后面居然自己去找题库了。
还精准定位到是 Steam 小游戏《这是谐音梗》，就在题库的第 6 页，然后对比了一下攻略，发现自己答对了才交卷。
这种小心机以后不得不防。而且这么看，很多 benchmark 的题库也不见得多牢靠，还是得多更新才行。
接下来直接上难度，测一测它的手眼协调能力：喂给它一张图片，再让它调用画板画出来。
结果怎么说呢，能是能，但确实挺费事，足足画了仨小时才搞定。
而且比起官方 Demo 那种 95% 的还原度，如果给的图精度略高一些，是做不到 95% 的，只能掺点水。
这还是它自己复盘的时候告诉我的，说考虑种种因素，这是“不得已的妥协”，否则内存爆掉就不好看了。
行吧，看在还原了个七七八八的份上，这选择倒也算明智。
眼睛测得差不多了，回归主题。
Agent 和 Coding 这两块能力既然已经上来了，那就干脆让它做一条前段时间挺火的科普视频，配乐用 Opus5.5 那段经典小曲，看看前端水平到底怎么样。
需求本身很简单：不调用任何技能，直接画一条科普视频，把 P = NP 这个数学猜想讲清楚。怕它走老路，还专门叮嘱了一句，别整 PPT 幻灯片那一套。
结果还是有点遗憾，画面依然是一张一张播片的感觉，看得出来，不这么搞它是真没别的招。
不过话说回来，一些小动效设计得还不错。比如 38 秒处那个像磁盘扫描的动画，还有 1 分 40 秒的环状星图。
能感觉到它确实尽力了，问题是 PPT 这套东西本身就有上限。
同样的提示词丢进 Hy4 preview 预览版，PPT 味儿更重，动效也更单薄。
再看 Opus5.5 的效果，跑在谷歌 Antigravity 上，别问为什么没在 Claude 上用原汁原味的版本。哟，这回直出的居然也带点 PPT 味儿？
但仔细看还是不一样。谷歌这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，更像视频。
接下来把难度再往上抬一档，试试 Astra 带火的 Blender 建模。
给它一张同福客栈的内景图，让它调用 Blender 尝试还原，看看精细度。挺快，22 分钟就把大堂场景掏出来了。
乍一看挺像模像样，内饰和家具的特征也对得上号，基本格局也有。但很多细节的准确度还是差点意思：前面拐角式的楼梯被它直接捋直了，左边的前台也放错了位置。
做个简单示意，或者对精细度要求不高的场景，凑合着能用。只能说有了眼睛之后潜力确实更大，要是给更多时间，把子 Agent 分配好分头去跑，估计能雕琢得更精细。
最后再整把大的，让它接到虚幻引擎里，做个游戏 Demo 看看。
毕竟上面那个 Demo 还是 Hy4 预览版做的。这回他们说跟游戏开发者合作，对游戏引擎做了很多深度适配，期待值直接拉满。
索性忍痛借了张好显卡，就想看看咱这样的小白能不能用它搞 3A。
话不多说，直接看结果：
跟预想中 Agent 长出三头六臂库库干活不同，这玩意儿明显还得专业人士在旁边辅助操作。提示词我都照抄官网的，实测还是得自己出手，帮忙把环境配好。
而且就这鸟样，还是我帮它下了个 50 多 G 的素材包，又配了 MCP 连接才搞出来的。
想复现演示里那种效果，还得再细调一轮，把模型载进去、把渲染管线调顺才行。
游戏引擎本身就够复杂，这道坎短期内恐怕迈不过去，一句话生成3A大作风，眼下还差得远。
实操之外，Hy4 这次发布还有两处可以聊聊。
一处是科研。数学这种大模型必刷的项目先放一边，在物理建模、地球环境等 7 个领域里，Hy4 的跑分都排到了开源模型第一，算是个小惊喜。另一处是 RSI，全称递归自我改进，说白了就是模型自己训模型，左脚踩右脚往上窜。
他们用 Hy4 训了个 Jev 模型。它不像传统语言模型，更接近一个 if else 选择器，你给选项，它来做选择。规模不大，挺适合拿来做实验，之前世超就测过：跟官方版比，Hy4 训出来的这个相当于 plus 升级版，8 项测试里有 6 项跑分更高。
沿着科研这条线，他们还做了个 Hyra2.0 的 Harness，目标定得很高，想摸索科研的新范式，让 AI 自动化。方方面面基本都在跟国外旗舰对标，眼睛装上了，科研也没落下，甚至还兼顾了性价比。
回头看，还真像姚顺雨说的那样，一年就挤进了前排，迭代做到两个月一次。不久后，更便宜更快的 Hy4 Flash 版也要端出来。同样的剧本，咱好像刚在 Meta 那儿也见过一回。
中间虽然有波折，但终究靠决心和钞能力，重新回到了牌桌上。
WorkBuddy 和 Muse 这两个，在 C 端市场都挺能打。这些信号一个个亮起来，还真有点重新集结、再冲一波的味道。
顺带把世超的期待也吊起来了，想着啥时候能真刀真枪捅破 OA 两家的天花板，来个新款的 SOTA 模型尝尝鲜。毕竟要是出个国产的 Fable，蹬着应该不烧心……
美编：焕妍
图片、资料来源：WorkBuddy、腾讯混元、哔哩哔哩@比特新语、Antigravity、《武林客栈》、UE5、X，部分图源网络
