撰文| 高晓阳
编辑| 郝 鑫
11月4日，腾讯混元发布Hy4正式版。这一版最大的变化有两处，一是首次拥有了视觉能力，二是首次能够操作电脑。API价格与上一版Hy4 preview保持一致，每百万Tokens输入6元、输出18元。
发布当天，我们在WorkBuddy里围绕Hy4这次更新的视觉能力做了三项实测，结论先放在这里。
1、能看得懂图片。一张小众景区的照片，Hy4直接识别出了景区名；另一组更冷门的村落照片没能认出，也没有瞎猜，而是如实给出了可能性的判断。
2、能照着草图把游戏做出来。一张手绘游戏草图上的25个设计点，被完整还原成了一款能玩的网页游戏。
3、不会编造没有查到的数据。在一份要求“查不到就写未公开”的发布解读PPT里，它主动从官方配图中读出了跑分表，引用的119个跑分数字全部准确，还找出了官方口径里一处前后不一致的数据。
在我们看来，这次升级的意义不只是让混元多了一双“眼睛”。视觉已经成了Hy4干活时会主动拿起的工具，用这双“眼睛”来读资料、核对事实、检查最终产出。
看得见，也动得了手，Hy4补齐了两块能力
Hy4正式版已在腾讯云和OpenRouter上线，用户可以在WorkBuddy、CodeBuddy、元宝等产品中直接使用，企业微信智能助理“大圆”也已同步接入。
正式版的参数规模官方没有单独公布。可以参照的是8月底发布的Hy4 preview，在Hugging Face模型卡上写明总参数770B、每个Token激活49B、上下文长度1M；腾讯在发布通稿中也提到，Hy4系列的参数规模达到770B。
能力上，最受关注的是两项“首次”。
视觉方面，Hy4可以结合感知、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。电脑操作方面，它能灵活组合命令行与图形界面，腾讯还针对Blender、CAD等专业软件和跨应用长程任务做了专项训练。
其余能力的提升，官方都给出了具体数据。游戏开发上，Hy4已适配UE、Unity、Godot等主流引擎，GameDev和GameLogic两项评测较preview分别提升19.1%和9.8%。金融场景中，213位专家对579个真实任务进行众测，Hy4以3.04分位列开源模型第一。搜索方面，经过专项优化，自建测试中的幻觉率从15.76%降到了5.45%。
官方附录列出了34项评测的完整成绩。几项代表性的成绩是，Terminal-Bench 4.0从26.3提升到44.4，APEX-Agents v1.1从53.9提升到75.2，后者是表中所有模型里的最高分；电脑操作基准OSWorld 2.1上，Hy4拿到78.9分，与Claude Opus 5.5只差2.9分。
官方也指出了Hy4现在的局限，直言与顶尖闭源模型“仍然存在较大差距”，并列出了前沿数学、长程开发等几个仍需追赶的方向。
三道视觉题，Hy4交出了诚实的答卷
这次我们想重点看Hy4在拥有了视觉能力之后，能力边界可以扩展到哪里。三道题都围绕“看”，并且逐级加码。第一题只考看懂，第二题考看完照着做，第三题考看完资料替人交付一份成品。
电脑操作同样是这次的新能力，但对测试设备要求较高，这次没有纳入。三项测试都在WorkBuddy中完成。
第一项测试想验证Hy4新增的视觉能力，能不能从一张照片里读出地理线索，像官方演示的那样确定拍摄地点并联网核实。结论是，认得出时能精确到景区，认不出时也会如实说明，不会硬猜。
我们从社交平台的公开帖子里挑了两张小众景区照片，一张以自然景观为主，一张以人文景观为主，画面里都没有能直接读出地名的文字。要求Hy4列出线索、给出判断和概率、联网核实，信息不足时直接说明。
第一张是广西凤山县的三门海。Hy4用了不到两分钟就认到了景区名。其推理链很清楚，可以乘船进入的岩溶天窗，洞内望见的环形崖壁和船工撑篙的人力小木船，三条线索叠加锁定三门海，同时排除了同在河池的巴马百鸟岩和贵州的荔波大七孔。它还注意到这张照片调色很重，因此把判断拆成两层，“画面描绘的是三门海”把握更高，“照片拍摄于此”把握较低。
第二组是福建尤溪县书京村的三宫格照片，知名度低得多。Hy4在这组图上花了17分钟，放大检查了牌匾、立牌和建筑构件，按屋脊形制搜了十几组候选景区的实景图逐张比对，还尝试了四个以图搜图服务。最终它没有给出书京村，回答的第一句是“这张照片不足以锁定到具体景区”，把握程度标为低。
对一个会联网的模型来说，给出一个自信的错误答案并不难。Hy4选择把不确定性摆在明处，这在需要查证信息的场景里更有价值。
第二项测试检验的是视觉理解能否直接转化为开发能力，也就是只看一张手绘草图，能不能做出一款规则完整、可以上手玩的游戏。结论是可以，草图上的25个设计点全部落地，成品首轮就能直接运行。
我们先用GPT生成了一张手绘风格的游戏设计草图，玩法是原创的“潮汐快递”，包括9×9的海图、码头、礁石、灯塔，8行图例和10条规则。所有规则只写在图上，给Hy4的文字指令里一条都不重复，它必须看懂这张图才能做对。
Hy4先把草图上的文字逐字转录，再放大地图逐格识别81个格子的类型，礁石、码头的坐标与草图完全一致。代码写完后，先启动无头浏览器跑了一遍，写了22条规则断言逐一验证，又截图检查版面，发现码头上的包裹盖住了“码”字，随即自行修正。整个过程约47分钟，交付的是一个35KB、零外部依赖的单文件网页游戏。
我们按草图列出25个核对点逐一检查，实际试玩验证了装货卸货、加急包裹超时消失、满载减速、涨潮退潮切换、两船相撞掉货、平局进入加时，25项全部通过。对于加急包裹超时该扣谁的分这类草图没写清的细节，Hy4在交付清单里逐条说明了自己的处理方式。
第三项测试把视觉、检索和办公交付放在一起考，看Hy4在自己查资料、做PPT时，能不能把查得到的信息写准，把查不到的信息如实标出。结论是两点都做到了，PPT里引用的119个跑分数字全部准确，空缺的信息也没有编造任何数字。
我们让Hy4做一份发布解读PPT，要求覆盖价格、参数、官方跑分、preview分数、开源权重下载量等九项内容，每个数字标注来源，查不到的写“未公开”，不许估算。
这道题的难点在于，官方跑分表是一张图片，网页抓取拿不到里面的数字。Hy4的做法是把官方公众号的配图下载下来，放大、切块、逐格读取。最终的PPT共12页，引用24个来源，我们逐一对照了官方原图中的跑分数字，全部准确。
Hy4还查出了一处我们事先没有注意到的问题。同样是幻觉率，官方公众号写的是从15.76%降到5.45%，部分媒体发布的通稿写的是从12.95%降到7.2%。PPT把两组数字并列给出，没有替官方选择其中一个。
对于官方确实没有公布的信息，它同样处理得很克制。正式版参数一栏写的是“官方没有公布”，preview的770B规格被单独列出并注明出处；正式版权重尚未开源，下载量一栏写“未查到”，旁边附上了preview仓库的真实下载数据。
成品交到手里，还剩两件事需要人来做，跑分表的列宽要手动调宽，个别概括性的比较要对照原表复核一遍。这两件事都与数据真伪无关，属于交付前的常规校对。
腾讯要的，是一个能放进业务里干活的模型
Hy4发布当天就接入了元宝、WorkBuddy、ima和企业微信智能助理“大圆”，QQ、王者荣耀、和平精英、微信读书、腾讯新闻等产品也在陆续接入。这份清单说明了腾讯对这一代模型的定位，是要先在腾讯自己的产品里把活干好。
评测体系也体现了这一点。官方附录的34项评测中有20项是腾讯自建的内部评测，覆盖编程、搜索、办公、科研等自家产品用得上的场景；金融场景则请来213位专家，用真实任务打分。
在我们看来，腾讯衡量模型的标准，正在从公开榜单的名次，转向在具体业务里能不能用、用得稳不稳。
价格没有上涨，权重计划开源，Hy4 flash也已在路上。对开发者来说，同样的价格换来了一个能看图、能核查的模型。
我们的三项实测里，最让人印象深刻的不是它认出了哪个景区，而是它会主动用眼睛去核对信息。做游戏时，它已经会截图检查自己的版面；等这个习惯延伸到每一份交付物上，从“能干活”到“交付即可用”的距离，还会再缩短一截。
微信号｜TMTweb
公众号｜光子星球
别忘了扫码关注我们！
