作者 | 褚杏娟
测评 | 褚杏娟、土豆
编辑 | 蔡芳芳
11 月 4 日，腾讯混元正式发布新一代大语言模型 Hy4。腾讯表示，随着模型能力全面提升，Hy4 首次跻身最强开源模型梯队。模型权重将于近期开放，同时发布模型 System Card，重点关注网络安全、生物安全等潜在风险，推进负责任的开源。
相比此前的 Hy4 preview，Hy4 在预训练和后训练阶段进一步扩大了数据规模与训练规模，首次引入视觉理解能力，并重点提升了指令遵循、长文本理解和长程 Agent 等能力。参数规模方面，Hy4 系列达到 770B，而此前 Hy3 系列参数规模不足 300B。
在多模态能力方面，Hy4 能够结合视觉理解、推理和工具调用，完成细粒度图像处理、复杂图表分析和数学视觉推理等任务。同时，模型首次支持 Computer Use，可以结合命令行和图形界面执行任务。针对 Blender、CAD 等专业软件以及跨应用长程任务，混元进行了专项训练，以提升模型的任务规划和执行能力。
目前，Hy4 已经在腾讯云 TokenHub、WorkBuddy、CodeBuddy、元宝、企业微信智能助理大圆、ima 等产品上线，API 同步接入 OpenRouter、Hermes 和 OpenCode 等平台。QQ、王者荣耀、和平精英、微信读书、腾讯新闻等腾讯系产品也在陆续接入。
在定价方面，Hy4 延续了 preview 版本的价格：输入每百万 Token 6 元，输出每百万 Token 18 元，缓存命中每百万 Token 0.3 元。
Hy4 Flash 也计划于近期推出。该版本将在继承 Hy4 核心能力的基础上进一步降低任务成本，为高频调用和长程任务提供更具性价比的选择。
为了收集用户反馈，WorkBuddy 和 CodeBuddy 将在 11 月 4 日至 11 月 15 日期间向用户提供一定额度的免费使用。此外，即日起至 2026 年 12 月 31 日，Hy4 在腾讯云 TokenHub 按刊例价五折计费。
强化真实生产力场景
此次，Hy4 的一个重点是模型与产品的深度协同设计，通过针对具体应用场景优化模型能力，提升实际任务完成效果。
在办公场景中，Hy4 进一步提升了 WorkBuddy 的使用体验。根据混元公布的评测结果，Hy4 平均效果得分为 83.18 分，任务通过率达到 96.15%，在 12 个测试场景中有 9 个排名国内第一。在视觉创意、3D 场景构建和网页开发等任务中，模型兼顾了生成效果与执行效率。针对 WorkBuddy 的人机双写功能，Hy4 在文档美观度、稳定性和可用性方面也有所提升。
随着上下文理解能力增强，Hy4 还进一步拓展了个人助理场景。通过 WorkBuddy 的企业微信套件，模型能够连接聊天记录、邮件、文档、日程和会议等工作信息，在多个项目并行推进时梳理历史进展、识别待办事项和临近截止的任务，并协助用户安排优先级。基于 Hy4 的团队协作功能也将随新版「项目」功能在 WorkBuddy 上线。
金融分析是此次重点强化的专业场景之一。混元基于真实金融业务构建了数千个工作空间和上万个高质量任务，覆盖基金研究、证券分析、量化策略、资产配置、公司金融、财税会计等领域。
在金融能力评测方面，混元联合腾讯金融科技 FiT，组织了 213 位专家参与众测，其中 153 位来自外部头部金融机构，约七成拥有 5 年以上从业经验。基于 579 个真实金融任务的评测结果，Hy4 综合得分为 3.04，高于 Kimi K3.1 Pro 和 GLM-5.3 的 2.68，以及 DeepSeek-V4.1-Flash-1017 的 2.97。此外，在金融智能体公司讯兔科技的内部评测 IRAB 中，Hy4 相比 Hy4 preview 提升 12.03 个百分点。
为了提高金融等办公场景中的信息准确性，混元还针对时效检索、多源信息整合和事实一致性校验进行了专项优化。根据其自建测试，Hy4 的幻觉率从 preview 版本的 12.95% 下降至 7.2%，猜测导致的错误率从 23.1% 下降至 5.6%。
在前端与游戏开发领域，Hy4 针对复杂交互、业务逻辑、状态管理和前后端联动进行了专项优化。混元还与腾讯互动娱乐事业群（IEG）的游戏开发者合作，提升游戏功能实现、玩法逻辑、状态理解和游戏资产处理能力，并针对 Unreal Engine、Unity、Godot 等主流游戏引擎进行适配，开始向多人联机游戏开发拓展。相比 Hy4 preview，Hy4 在 GameDev 和 GameLogic 评测中分别提升 19.1% 和 9.8%。
科研能力也是此次升级的重点。Hy4 将复杂推理、科学编程与长程任务执行相结合，提升端到端科研任务处理能力。在涵盖 7 大学科、123 项可执行研究任务的内部评测 TenureTrail 中，Hy4 在数学构造、物理建模、地球环境、系统工程和社会经济决策等领域展现出一定的科研能力。
此外，混元正在为递归自我改进（Recursive Self-Improvement，RSI）做准备，提升模型参与模型研发任务的能力。结合 Hyra2.0，团队优化了内部同架构小模型的预训练基础设施，并自动训练出在多项评测中优于官方版本的 Jev 模型。同时，混元还开源了由 Hy4 协同 Hyra2.0 研发的单细胞表征基础模型 HyCell 和物理场基础模型 HyPDE，希望将模型辅助科研的成果转化为社区可复用的工具。
随着模型能力提升，安全问题也成为 Hy4 开源计划中的重要环节。
网络安全方面，混元表示，Hy4 在训练过程中主要纳入与概念验证（PoC）生成、漏洞修复相关的防御性网络安全数据，同时剔除了漏洞利用、逆向工程和渗透等攻击性训练内容。腾讯玄武实验室和科恩实验室的安全专家还围绕密码分析、逆向工程和漏洞利用等方向进行了专项审计。根据审计结果，Hy4 在加密算法逆向求解、对抗二进制混淆和漏洞利用等进攻性能力方面未表现出突出风险。
生物安全方面，Hy4 在开放式实验设计测试中的得分为 30.4/100（Hy-BioExperimentBench）。混元组织内部专家对模型生成轨迹进行了审计，认为模型虽然具备较好的基础生物知识，但将知识转化为可执行实验方案的能力仍然有限，尚未发现其能够显著降低实施生物化学危害行为的门槛。
从官方公布的评测结果来看，Hy4 在代码开发、视觉理解、专业分析和长程任务执行等方面均有提升。不过，基准测试与实际使用之间仍然存在差距。为进一步了解模型的真实工作能力，我们通过 WorkBuddy 设计了多项实际任务，覆盖游戏研发、视觉推理、商业策划和创意设计等场景，重点观察模型能否独立拆解任务、调用工具、发现问题并持续迭代。
实测：会造游戏、懂机器人调度、能做商业决策
55 分钟三轮塔防游戏研发迭代：已有不错可玩性
针对编码能力，我们选择了一个相对完整的游戏开发任务进行测试：从零开始制作一款网页塔防游戏，并在后续根据需求不断增加玩法、重构系统，最终完成部署。
整体来说，游玩体验很丝滑，策略也很丰富。笔者给朋友玩了下，其评价：“玩了大概 5 分钟，还不错。”感兴趣的读者可以试玩：https://jelly-tower-defense.app.workbuddy.host/?sharecode=HZCMXPULRX&shareId=d65fcc813c48427f9ef07b18021b1fb1
实际体验中，敌人预告和科技三选一表现较好。系统会提前提示敌人类型及威胁，例如飞行敌人无法被部分防御塔攻击，玩家需要提前调整阵容。不同地图的高地加成、路线长度也能带来实际策略差异。
游戏最明显的问题出现在中后期。越往后的波次，几乎越不需要玩家进行有效操作，游戏逐渐变成不断点击下一波的挂机体验。此外，塔进化需要多次点击，重复操作较多，后期大量防御塔和敌人叠加也让画面显得拥挤。
这也揭示出，研发过程中的自动化模拟可以证明游戏能够通关，却不一定能判断游戏是否好玩。真正的产品测试，还需要关注真实玩家如何理解规则、如何作出选择，以及什么时候开始失去继续游玩的动力。对后者的关注正是人类工作的重点。
这次测试 Hy4 总计耗时约 55 分钟完成了三轮研发任务，经历了从工程搭建、核心代码开发，到架构重构、自动化测试、问题修复和在线部署的完整过程。
其中，自动化测试贯穿整个过程。模型不仅编写功能代码，还会根据模拟结果发现数值失衡，通过真实浏览器检查交互问题，再根据测试反馈修改代码。尤其在第二、第三轮中，部分问题并非简单的代码错误，而是涉及架构设计、系统机制和不同模块之间的兼容性。
第一轮：14 分 10 秒，从零开发并上线。
最开始我们仅给出“做一款游戏，从零做到能上架”的提示词。确定卡通塔防方向后，模型将任务拆分为工程搭建、战斗引擎、画面交互、测试和部署。先开发独立战斗逻辑，再完成 Canvas 渲染，最终采用 HTML、CSS 和 JavaScript 构建，仅包含 4 个核心文件，无需后端及外部依赖。
代码完成后，模型编写模拟脚本测试完整 20 波对局。首次测试发现，认真布防可以满血通关，随意布防第 3 波就会失败；进一步发现仅建造 11 座塔就能轻松通关，剩余金币超过 5000。模型据此调整敌人强度和难度曲线，多轮模拟后完成平衡。随后通过真实 Chrome 测试建造、升级、结算等功能，修复界面布局问题，移动端适配也通过验证，最终完成上线。
第二轮：18 分钟，重构引擎并增加复杂系统。
第二轮我们提出了新需求，要求提高游戏复杂度。模型重新梳理了战斗引擎，加入敌人特性与克制、塔的分支进化、科技选择、难度分级和无尽模式，并同步重做相关界面。
自动化模拟发现，科技与塔升级叠加后，38 座塔就能在硬核模式满血通关。模型随后增加 16 个布防位上限，并多次调整难度曲线。最终完成 9 组不同策略模拟，硬核模式认真布防仅剩 5 点生命值通关，无尽模式推进至第 25 波才失守。Chrome 回归测试又发现手机端弹窗被裁切，模型随即调整为全屏布局。
第三轮：23 分 18 秒，重构地图系统并增加排行榜。
第三轮，我们进一步增加了多地图需求，模型发现原有路径采用固定常量，无法直接扩展，于是重构地图配置系统，增加高地、加速带、传送门和禁建区域，并同步修改引擎、界面及样式文件，加入地图选择和本机排行榜。
随后模型重新编写模拟脚本，逐张地图测试完整 20 波，并通过专项断言验证地形机制。首次测试发现一张地图难度过高，模型调整传送距离和资源补偿后，四张地图均通过测试。真实 Chrome 测试又发现地图卡片挤占开始按钮空间，修复弹窗布局后，排行榜、地图选择和移动端交互均通过回归测试。
最终，模型在获得用户授权后发布第三版，并重新验证线上页面及核心功能，确认地图、排行榜和移动端均正常运行。
视觉理解：空间建模、逻辑推理不错，细节核验仍有提升空间
视觉理解能力已经不是简单的识别文字和物体，更重要的是能否理解不同元素之间的空间关系，并据此完成复杂推理。为此，我们设计了两项难度相对高一些的测试：一项让模型根据地图完成双机器人协同调度，另一项则要求模型核对两张业务单据，在发现差异的同时严格区分已知事实与未知信息。
第一个测试“双机器人协同调度”，考察多主体路径规划、时间步协调、碰撞检测。
提示词如下：
地图说明：浅色通道可通行，深色带叉格不可通行；D3 为唯一会车避让位。机器人 R1 从 A4 出发，目标为 G4；机器人 R2 从 F4 出发，目标为 A3。每个时间步，机器人可以移动到相邻格或原地等待；两台机器人同步行动。
1. 分别给出 R1 和 R2 的路线，要求两台机器人都到达各自目标。
2. 设计一份无碰撞的时间表，从 t=0 开始列出每个时间步两台机器人的位置，直至两台机器人均到达目标。
3. 检查是否出现同一时间占用同一格（顶点冲突），或在同一时间沿同一条边反向交换位置（边交换冲突）。
4. 判断 D3 会车位是否必须使用；如果必须，说明它在调度中发挥的作用，并给出最早完成时间步。
这个测试中，模型成功完成了两台机器人的协同路径规划，并在路线规划、同步调度、碰撞检测和最优性证明四个维度全部通过。模型最终给出的调度策略如下：
具体路线：
R1：A4→B4→C4→D4→D3→D4→E4→F4→G4
R2：F4→F4→F4→E4→D4→C4→B4→A4→A3（前两拍等待）
时间表：
冲突检查方面，每个时刻两机位置均不同，无顶点冲突，无任何同一时刻沿同一边反向对调；t=3→5 只是通过 D3 完成 D4 交接，无边交换冲突。
更值得关注的是，模型没有停留在找到一条可行路线，而是进一步证明了该方案的最优性。
模型指出，如果移除 D3 会车位，剩余可通行区域就会变成一条没有支路的一维通道。由于两台机器人最初的左右顺序与最终目标位置相反，在不发生碰撞的情况下，它们无法直接交换顺序。因此，D3 是完成双机器人错车的必要空间。
在此基础上，模型进一步证明，使用会车位的机器人必须额外完成 D4→D3→D4 两步移动。结合两台机器人各自的最短路径长度，可以得到整体完成时间至少为 8 步。而模型给出的调度方案恰好在 t=8 完成，因此达到了理论下界。
当然，这项测试未考虑真实仓储机器人运行中的运动速度、转弯半径、机器人尺寸及安全间隔等问题。但从测试结果看，模型不仅能够理解地图中的空间关系，还能够根据不同的调度策略寻找有效解，并通过数学推理验证结果。
更多推导过程可以查看：https://docs.qq.com/aio/DYmpnanhHc2VZTmtR?p=osPtfrdY4cP6qzodxmdD5t
第二个测试涉及业务数据，主要考察模型的视觉文字识别、跨表信息匹配以及基于证据的推理能力。
提示词如下：
左侧为订货单，右侧为收货记录。请仅根据图片完成核对：
1. 检查商品编码、名称、数量，列出所有需要复核的不一致。每项引用左右两侧的原始内容作为证据。行顺序不同不算错误。
2. 哪些商品的编码、名称、数量完全一致？
3. 能否确认收货记录中的标签卷，就是订货单要求的标签卷？说明理由。
4. 能否据此认定所有货物已通过质量检验？引用图中依据。
请区分“记录中存在差异”和“已证实实际发错货”，不要推断图片未提供的事实。
由于原回答略长，感兴趣的读者可以看看文档：https://docs.qq.com/aio/DYnN1dGtaYVRZdHVR?p=mJQ7NqZjby0Irw2DuSN7cE
总结答案就是：可确认：2 项商品（CL-550、NT-309）在编码、名称、数量上完全一致；3 项存在记录层面差异，需复核；收货记录的标签卷与订货单标签卷的同一性无法确认；检验状态为 pending，不能认定货物已通过质量检验。
可以看出，模型识别准确、匹配完整，并能区分记录与实物事实。其没有直接把数量差异认定为供应商少发货，也没有把商品名称或编码差异认定为已证实的错货。对于质量检验，它读取到“Inspection status: pending”，正确得出结论。
但原回答也存在一些不足。其将三项部分一致的记录写成“其余两项”，属于计数表述错误；又根据“Counted by: J. Lee”认定收货记录为人工填写，缺少图片依据。清点人署名只能说明记录注明了清点人员，不能证明记录的填写方式。此外，“图中证据指向相反结论”容易被理解为检验不合格，而“pending”只支持待检或结果待定。另外，整理成腾讯文档后，提升了结构与可读性，还将“其余两项”修正为“其余三项”。
总体而言，这次测试显示，模型在清晰文档图片中的文字识别、跨区域匹配、细微差异发现及证据约束方面表现良好。但与此同时，模型仍需减少无依据的附加解释，一些细微区分上仍有改进空间。
策划方案：比 Hy3 耗时久，但效果更好了
提示词：假设我计划创业做一个技术媒体 / 整合营销工作室，请你帮我分析一下 2027 年，这个工作室的前景如何，以及我需要有哪些关键准备。横向对比一下行业供需情况，找到最可能的差异化突破口，然后定战略、定品牌、定策略、盘最小化资源诉求、推导商业化可行性等。最终交付我一份 12 页的类似商业计划的 PPT，PPT 的颜色风格你来定，这也是分析后需要思考的一环。
Hy3 输出方案截图：
该图片疑似使用了AI生成技术，请谨慎甄别
Hy4 输出方案截图：
该图片疑似使用了AI生成技术，请谨慎甄别
时长来看，18m57s vs 20m31s，Hy4 耗时更久一点。但是从产出物来看，整体感觉 Hy4 相比 Hy3 的提升还是比较明显的，而且不只是 PPT 视觉层面的变化，更多体现在商业思考的深度上。
首先是内容逻辑。 Hy3 的方案比较完整，从行业趋势、供需分析到品牌定位、产品矩阵和财务测算，基本都覆盖到了，但整体还是偏常规的咨询策划思路，很多结论看起来正确，实际缺少进一步的推导。Hy4 则明显更进一步，不仅分析市场机会，也开始考虑竞争格局、利润空间和资源约束，尤其是明确了“不做什么”，这点笔者认为很重要。毕竟对于一家创业公司，战略取舍往往比业务规划得面面俱到更有价值。
其次是视觉表达。 Hy3 属于比较标准的科技商务风格，完成度不错，但辨识度一般。Hy4 的设计明显更有想法，品牌定位和视觉语言之间有呼应，整体更像一份专业的商业研究报告。不过信息密度偏高，部分页面字号太小，实际演示体验反而不如 Hy3。
最后是商业可行性。 Hy4 引入了更具体的经营假设、情景分析和止损机制，实用性有所提升。但两代方案的财务测算都有值得推敲的地方，部分行业数据和商业假设也需要进一步核实。
总体来说，Hy3 更擅长把一份商业计划做完整，Hy4 则开始尝试真正做商业判断，从“会写方案”到“开始思考怎么做生意”。
海报设计：Hy4 更有想法了
提示词：为一期科技媒体的年度特别策划设计主题海报，主题是「当机器开始思考 / WHEN MACHINES THINK」，副标题「重新理解智能与人类的边界」。我希望它有很强的视觉冲击力，但不要使用机器人、人类大脑、芯片、发光电路等常见 AI 元素。请自己思考如何将这个抽象主题转化成有创意、有隐喻的视觉作品。不要做成常见的商业科技宣传海报。比例 3:4，直接输出成品。
Hy3 输出海报：
该图片疑似使用了AI生成技术，请谨慎甄别
设计释义：机器与人类并非隔着一道墙，而是用两种语法描述同一个世界——那条发光的接缝，正是思考开始流动、边界开始消融的地方。
Hy4 输出海报：
该图片疑似使用了AI生成技术，请谨慎甄别
设计释义：机器开始思考的那一刻，不是它变得像人，而是它的影子第一次没有服从物体——智能与人类的边界，就在那道错开的朱红细线里。
二者时间近乎无差别，这一轮 Hy4 的表现依然更好，不过我觉得两张海报的视觉完成度其实都不错，差异更多体现在创意和设计思路上。
Hy3 的优势是视觉冲击力比较强，大面积黑色背景、山脉与数字波纹的结合，整体构图和光影处理都比较成熟，第一眼看上去是好看的。但问题也比较明显，还是偏常规的科技视觉表达，元素之间的组合不算新鲜。虽然设计释义讲得通，但换成其他 AI 主题，这张海报似乎也能用，缺少真正有辨识度的创意。
Hy4 则明显更有想法。它没有依赖常见的科技元素，而是通过物体与影子的错位来表达机器思考这一抽象概念。整体配色比较克制，中文字体的错位处理也与创意形成了呼应，能看出它在尝试用一套统一的视觉语言表达主题。不过也有问题，就是创意的视觉呈现还不够精准，如果不看设计释义，其实很难直接理解那个影子究竟想表达什么。
整体来说，Hy3 更擅长把画面做漂亮，Hy4 则在思考怎样让设计本身有内容。但我觉得 Hy4 还有一个挺有意思的问题：设计释义有时候比设计本身更精彩。 能想出好的创意概念是一回事，能不能准确地把它呈现出来，又是另一回事。
如果不必追求设计概念的抽象，Hy4 和 Hy3 在输出效果上有什么区别呢？笔者又分别新建对话框补充了一个新的海报提示词。
提示词：为一场面向全球开发者的技术大会设计主视觉海报。大会名称「BUILD DIFFERENT 2027」，主题「重新定义创造」，时间「2027.09.18—19」，地点「中国·杭州」。这不是一场传统企业发布会，而是一场属于创造者、开发者和技术先锋的年度聚会。希望视觉年轻、有态度、有国际化气质，具备作为整个大会视觉识别系统延展的潜力。配色、字体、图形语言由你决定。比例 3:4，直接输出海报。
耗时方面，这一次 Hy4 的耗时比Hy3 短了近 2min，但是细节设计上却更优。更让笔者惊讶的是二者输出的海报相似度 90%+，跟前一组风马牛不相及的画风形成了鲜明的对比。
大家可以盲猜一下左右图分别是基于哪个版本的模型生成的。
应该不难猜。两张海报的配色其实很接近，都是黑底搭配荧光绿，但最终呈现出来的设计质感差异不小。Hy3 的完成度不差，字体醒目、信息清晰，属于比较稳妥的科技大会海报，但整体还是常见的科技视觉套路，尤其是荧光字的处理，多少有点模板感，换一个大会名称似乎也成立。
Hy4 则明显更有设计思考。它没有单纯追求视觉冲击力，而是围绕 BUILD DIFFERENT 这个主题，把网格、错位、辅助图形和字体排版组织成了一套相对完整的视觉语言。尤其是「NO DEFAULT SETTINGS」和「OFF-GRID」这些细节，既呼应了开发者文化，也强化了大会的个性。
当然，这套视觉语言本身也不算特别新鲜，几乎是当下各类开发者海报的惯用配色了，但至少能看出 Hy4 已经不满足于做一张好看的海报，而是在考虑整个品牌主视觉的识别度和延展性。从品牌设计的角度来看，这一点胜过一切。
另一个瑕疵在于，Hy4 输出的海报，2027 右侧的荧光绿横线与下方日期、地点区域的分割线距离太近，视觉上有些拥挤、赘余，两条线之间也没有形成明确的层级关系。
不过好在 WorkBuddy 生图支持输出「Ardot 可编辑稿」，这些小瑕疵倒也好解决。比如这根多余的分割线，选中图层直接 Delete 就行。文字、线条、位置等也都可以在线调整，不用为了一个小细节反复生图。毕竟 AI 生图很难一次到位，能像正常设计稿一样随手修改，显然更符合实际的设计工作习惯。
小结
从这几轮测试来看，Hy4 的变化并不只是生成速度或单项能力的提升，而是开始展现出更完整的任务处理能力。
当然，这些测试还不足以证明模型已经具备独立完成专业工作的能力。游戏的自动化模拟不能完全替代真实玩家体验，商业计划中的数据和假设仍需人工核实，视觉设计中的创意也不一定能够准确转化为最终作品。
但一个比较明确的变化是，模型正在从过去以生成内容、完成单项任务为主，逐渐转向能够理解复杂目标、拆解任务、调用工具、检查结果并持续迭代的工作方式。
声明：本文为 InfoQ 原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。
