11 月 4 日，腾讯混元发布了新一代大模型 Hy4 正式版。在官方通稿里，腾讯用了两句颇具反差的话来给它定调：一边宣布混元“首次跻身最强开源模型之列”，另一边又主动承认，Hy4 与顶尖闭源模型“仍有较大差距”，尤其是在前沿数学、长程开发和视觉问答这类高难度测试上。
这种务实的姿态，很大程度上是因为大模型的竞争重心变了。Hy4 正式版没有去卷参数规模，依然沿用了 8 月 Preview 版 770B 总参数、49B 激活参数的 MoE 架构，真正的升级全押在了“感官”和“手脚”上——首次引入视觉理解，首次支持直接操作电脑（Computer Use），并把大量的后训练算力花在了代码、办公和金融等真实工作流上。用腾讯集团高级执行副总裁汤道生的话说，产品必须满足用户需求，解决痛点，创造价值，用户才会买单。
官方演示材料里自然不乏高光案例：比如 1.5 小时无人干预重建 84 张无序的小鼠胚胎切片、与北大数学团队合作找到数学猜想的反例，或是在 213 位金融专家参与的 579 个真实任务众测中拿到 3.04 分（高于 DeepSeek-V4.1-Flash 的 2.97 分及 Kimi K3.1 Pro、GLM-5.3 的 2.68 分）。
但比起官方展示的能力上限，真正决定一个模型能不能进公司干活的，其实是它的下限。目前 Hy4 在 WorkBuddy 上限时免费（11 月 4 日至 15 日），我们设计了涵盖财务算账、图表核查、旧代码维护、前端 3D 交互和经典论文复现的 7 个任务，测试它的实际工作表现。
算账与核查：管住了数字，也管住了嘴
在日常商业办公里，人们不敢把活彻底交给 AI，往往是怕它在数字上“一本正经地胡说八道”。而这次 Hy4 宣称在自建测试中，幻觉率从 Hy4 preview 的 15.76% 降至 5.45%，猜测导致的错误率从 23.1% 降至 5.6%。因此，我们的前两个测试直接瞄准了容错率最低的财务报表与经营核查。
第一件事是很多公司每个月都要经历的痛点：做销售月报。我们扔给 Hy4 7 份业务数据文件，里面特意埋了真实职场里最常见的“脏数据”——同一笔订单被重复同步、销售目标改过好几个版本、一张订单拆成几批发货、9 月发的货到 10 月才退款，外加几个未核实所属区域的客户。要求很明确：交出一份带公式、能复算的 Excel 月报，附带一篇 800 字以内的经营简报。
部分图表展示
Hy4 交回的工作簿包含 11 张工作表、7711 个公式和 3 张图表。它算出的结论是：10 月净销售额约 870.4 万元，环比增长 8.52%，整体达成率 100.06%；但在“达标”表面下，华北、华南、西部三个区域合计欠账约 51 万元，全靠华东区超额才补上窟窿。我们从原始数据重新跑了一遍，3475 笔发货、350 笔退款、六万多个明细字段全部严丝合缝。
为了验证它是不是把算好的死数字直接填进表格，我们在工作簿副本里把一笔 17 件的订单单价调高了 1 元，结果公司净额和三张图表同步增加了 17 元——所有结果确由公式动态驱动，接手报表的人随时可以改数追溯。唯一的小瑕疵是目标明细表里有 8 条旧版本目标被误标为“已选”，好在实际参与计算的是正确的新版本，没有污染最终结果。
第二项任务是看图核查。这也是对 Hy4 新增视觉理解能力的直接考验。我们把一份三页的经营报告转成图片喂给它，里面包含双坐标轴图表、跨页表格，以及管理层写的五条摘要。Hy4 不仅准确读出图表、拼合跨页表格，把毛利率从 32%降到 30%规范地表述为“下降 2 个百分点”（而非外行常犯的“下降 2%”），还在核查管理层摘要时展现出了清晰的逻辑边界：其中一条摘要拿同比数据下结论，但原图里根本没有去年的数据，Hy4 没有武断地判“错”，而是标记为“证据不足”；对本来就正确的摘要，它也没有为了迎合“找茬”指令而硬挑毛病；至于毛利率下滑的原因，它干脆写下“证据不足，不作推断”。
这印证了腾讯在后训练阶段对“幻觉”的专项治理。虽然在大模型领域还没有谁能做到零幻觉，但在规则明确的商业核查里，一个知道自己“不知道什么”、实事求是写下“证据不足”的模型，已经能让复核者省去大半防备心。
工程与复现：经得起反向验算的交付
如果说算账考验的是严谨，那么写代码、做交互网页和复现科研论文，考验的就是模型能不能在长链条逻辑里管住状态与精度。在这方面模型从零生成一个前端页面往往会很惊艳，但一旦涉及复杂交互，往往会出现跨模块状态不同步、或者游戏玩到中后期就出现频繁挂机的 Bug。
为了检测 Hy4 在这些复杂环节里的真实水平，我们接下来按难度递进安排了五项测试，从前端的视觉交互一路测到底层代码维护和算法推导。
先看视觉与交互逻辑的结合。我们给了一组街区降雨数据和简化水量计算规则，让它做一个名为《把一场暴雨装进一座透明城市》的离线交互网页；随后又给了一份文字策划案，让它做一个双击就能离线运行的三维微缩旅行游戏《云海四季列车》——玩家乘小火车穿行在春、夏、秋、冬四座云海浮岛间，必须依次完成复现风铃声、抓潮汐出航、调风车方向三个小游戏，集齐三枚邮戳后，才能在冬日车站点亮极光灯塔。
这两道题交付的视觉完成度都很高。“透明城市”把传统硬化街区与雨水花园街区并排放在深蓝背景上，不仅能掀开地下剖面看雨水积存与下渗，底部的积水曲线和逐分钟水量账本也完全由底层公式实时驱动（默认情景下硬化街区积水峰值 152.5 毫米，改造后降至 53.8 毫米），角落里还老老实实注明了“简化模型，非工程预测”。而在《云海四季列车》里，我们重点关注的“状态管理”全部过关：切换车站进度不丢、邮戳不会重复发放、集齐前点不亮灯塔、点击重新开始后上一局的状态干净归零。
不过首版画面在 3D 空间贴合上还是留了个瑕疵：小火车和轨道结合得不够紧密，车尾全程翘在半空。我们在原工程基础上直接让 Hy4 重新调整，它很快修好了这个问题，让车体稳稳贴合轨道，同时也没有把原本跑通的游戏逻辑改崩。
切回程序员最真实的日常修旧代码，Hy4 的表现同样稳健。我们给了一个带典型 Bug 的 Python 工单查询服务（因“先分页、再筛选”导致查询数量和页数错乱），要求它在不破坏原有功能的前提下修好 Bug，并补齐组合筛选、稳定排序和参数校验。Hy4 不仅修好了逻辑、保证原有数据和测试文件一字节未动，还自己写了 47 条新测试。除了跑通全部 56 条提交测试和我们私藏的 24 项验收测试外，我们还做了一个反向实验：偷偷把旧的错误逻辑换回去，结果它新写的测试很快报警抓出了问题，证明这些测试绝非充数的摆设。
光看常规工程代码还不够，我们又准备了两道科研人员最耗时的基本功测试——禁用现成算法库，纯手写代码复现经典论文。
第一道是 Lee 和 Seung 关于“非负矩阵分解（NMF）”的经典论文，要求用 Python 手写更新公式，从三组初始值出发各迭代 500 次。
本题使用的论文《Algorithms for Non-negative Matrix Factorization》
Hy4 交付的重建结果，依次为观测数据、重建结果、残差与样本曲线
核查结果令人印象深刻：在 NMF 任务中，我们设置的 156 个检查点全部对上，换环境重跑、修改迭代次数和初始值，程序依然稳稳算出正确结果，连残差图以零为中心、三图共用一套色标的科研作图规范都挑不出毛病。
第二道是天文学与显微成像常用的 Richardson–Lucy 图像去模糊算法，要求手写代码对加噪模糊图像迭代 80 次，且严禁在恢复过程中偷看用来打分的“清晰原图”。
我们用独立编写的程序做交叉核对，两边的计算差异小到 10 的负 15 次方量级（纯属计算机浮点舍入误差）；把标准答案图替换掉，恢复结果纹丝不动，证明它确实没有“偷看答案”。
拟合误差持续下降，图像质量却先升后降
不同迭代次数下的恢复效果对比
最出彩的是 Hy4 在实验报告里的洞察。随着迭代推进，算法对观测数据的拟合误差一直在降，但衡量画质的峰值信噪比（PSNR）却先从 17.04 分贝升至第 10 次的 20.02 分贝，随后一路跌到第 80 次的 15.09 分贝。Hy4 指出：后期算法开始“拟合噪声”，把噪点当成了细节，因此“拟合得更好，不等于恢复得更准”。这是真正泡过实验室的研究者才有的体感。
当然，这两份报告也暴露出一点共性问题：模型在写文字结论时，有时会比实际证据“多迈半步”。比如 NMF 里 500 步数值实验严格来说只能证明目标值没有上升，还不足以断言“收敛到驻点”；去模糊报告里写的“第 10 次达到峰值”只是针对我们指定的 7 个检查点而言，逐次核算的真正峰值其实在第 9 次。从结果看，Hy4 已经能把最耗时的代码复现和数据计算跑通，唯独在把实验数据总结成文字结论时，还需要人工最后把一道关，防止它把话说得太满。
以这 7 个测试场景为代表，在这些规则明确的任务里，它的交付下限很高。你无需再怀疑它“数算得对不对”，更需把关它“结论措辞有没有越界”；但如果遇到需求模糊、中途反复改主意的情况，或者需要在陌生命令行环境里一步步试错配环境的复杂工程，它依然可能会漏掉跨模块细节，而且跑完一个复杂长任务往往需要几十分钟甚至数小时，免费额度在高频使用下也比较容易触发限流。
行业坐标与真实账本：当“大脑”接上腾讯的产品矩阵
跳出这几道测试题，在国内外模型坐标系里看，Hy4 是一个不偏科、性价比极高的“务实派”。在官方公布的 12 项基准看板里，它其实没有拿到一个单项第一，在 Terminal Bench 等纯命令行终端排错测试上，分数也明显落后于 Kimi K3.1 Pro。
第三方机构 Artificial Analysis 给出的 Hy4 智能指数为 35 分（在 106 个模型中排第 43）。但一旦进入综合性的智能体实战，它的均衡性就显现了出来：在考察真实任务完成度的 Agent Arena 动态榜单上，Hy4 居全球总榜前 13 名左右，在国产模型里则与 Kimi K3.1 Pro 咬得很紧——两者得分相差不到 1%，随榜单实时对战数据更新，常常在国产第一和第二的位置上交替浮动；但 Hy4 的单任务平均成本仅约 0.55 美元，比 Kimi 低了约 62%。同时，它的 API 定价维持在输入 6 元、输出 18 元/百万 tokens，缓存命中更是低至 0.3 元/百万 tokens。
Artificial Analysis 智能指数
Agent Arena 动态榜单
不过，比起模型本身的跑分与单点表现，Hy4 这次更值得关注的，或许在于它落地的姿势。
就在 Hy4 发布前一周的 10 月 29 日，腾讯刚刚推出了办公一体化套件 Buddy One，以 WorkBuddy 为工作台，把腾讯文档、腾讯会议、ima 知识库和腾讯网盘串成了一个跨应用体系，共用一套账号与积分。
紧接着一周后，补齐了“看图”和“操作电脑”能力的 Hy4 正式装入 WorkBuddy。我们也顺手测试了一个多步视觉生成任务：先做一张晨雾中的山间茶摊图，再把桌上的蓝布巾改成砖红色，最后以改好的图为首帧生成一段 8 秒的倒茶视频。虽然画面本身由工作台调用的生成工具完成，但 Hy4 在中间对修改意图的理解和串联还是可圈可点的。
把这两件事放在一起看，腾讯的打法其实很像 Google 把 Gemini 塞进 Workspace 办公全家桶：Buddy One 加上腾讯现成的文档、会议、网盘和企微是前台的“全家桶”入口，而补齐了看图和操作电脑能力的 Hy4，则是驱动这套全家桶运转的底座。相比于单纯比拼跑分的模型厂商，腾讯的优势在于手里握着国内最庞大的日常办公与沟通工具矩阵，能把模型能力顺理成章地变成用户手边的默认功能。而接下来腾讯怎么把这套“全家桶”彻底揉进几亿人的日常工作流里——它能不能在微信聊天、腾讯会议和腾讯文档之间真正打通上下文，让人习以为常地把杂活甩给它，会是生产力竞争真正的胜负手。
