腾讯的新旗舰能打开Blender搭场景、读电子表格截图,在一套从没见过的软件里点着完成三步任务——按腾讯的发布演示。它能在同一次会话里操作命令行与图形界面。
它做不到的是离开这栋楼。
混元Hy4于2026年11月4日以API形态对外:腾讯云TokenHub、OpenRouter、WorkBuddy、CodeBuddy,以及元宝和ima。权重不在这次发布里。腾讯说权重与安全报告会随后给出,没给日期。
相比预览版变了什么
8月28日的预览版只支持文本;Hy4是混元系列第一个把图像理解与电脑操作放进同一检查点的模型。
能力清单很具体,这通常是好迹象:读屏(图表、文档、截图、多图对比);图形界面控制(点、打字、走菜单,也能执行命令);100万token上下文,输入上限96万、输出上限6.4万;工具调用与视觉在同一条请求路径。
第三方追踪机构列出约7700亿参数、混合专家结构。腾讯没发布完整架构说明,这个数字只能算暂定。
在办公活上训练,不是在聊天上
Hy4最值得说的是训练重心,因为它太窄。
腾讯称重心在办公、财务分析与游戏开发——含Blender、CAD这类设计工具,虚幻、Unity、Godot三套引擎,自家游戏工作室准备测试素材。这是一个明确的赌注:未来两年值钱的智能体工作,像一个人跟表格和3D视窗搏斗,而不像聊天。
一个数字说明路径:579个真实财务任务、由财务专业人士打分,腾讯称Hy4得3.04,某DeepSeek模型得2.97。自制评分表上0.07不是压倒性胜利,但这种窄而具体的测量比头条榜单更能说明意图。
腾讯还说幻觉明显下降:编造事实的回答占5.45%,此前15.76%。那仍是每二十个回答里有一个编出来的事实——下次有人把智能体称作可靠时,值得想起。
分数,以及分数是谁做的
Hy4的结果让它进入与闭源前沿的同一个对话,但没真正赢过:OSWorld 2.1(电脑操作)78.9,Claude Opus 5.5为81.8、Kimi K3.1 Pro为79.6,腾讯图表显示它领先GPT-6.1 Sol的75.2。Terminal-Bench 4.0为44.4(腾讯报),Snorkel AI用Claude Code框架跑的独立榜列39.1——同模型、同任务集,不同框架与运行器。APEX-Agents v1.1(办公智能体任务)75.2,高于DeepSeek V4.1 Flash的72.9、Kimi K3.1 Pro的68.2与Claude Opus 5.5的74.8。DeepSWE v1.1(编程)74.9。带工具的人类最后考试59.1,落后Kimi的61.8与Opus 5.5的66.2。
整张表规律一致:结构化办公与电脑操作强,终端密集型编程与研究级数学落后。腾讯自己也承认在研究级数学、长程编程、自我改进与高级视觉问答上与顶部闭源差距很大。公司很少主动列这份清单,等营销材料上门时值得引用。
价格就是论点
每百万输入token 6元、输出18元(约0.83美元/2.50美元,或6.5港元/19.6港元),缓存输入每百万token 0.3元。Hy4与美国价目表顶端不在同一个价格宇宙。TokenHub对符合条件的用量打五折,直到2026年12月31日;WorkBuddy与CodeBuddy在11月4日至15日提供免费额度。
这个差距干实活:如果一个电脑操作智能体完成一次任务要看两百次屏幕,每次便宜一个数量级的模型会先被试,哪怕它在OSWorld上落后三分。
"开源"这个词承担了太多
这是发布里尴尬处。
8月预览版以Apache 2.0开源权重发布,谁都能下载;更强更完整的Hy4没有,至少现在没有。GitHub把发布列为即将到来;第一天没有下载链接、许可证或系统卡。Hugging Face上能拿到的Hy4文件只有8月预览版。
而同一个两周内,月之暗面发布2.8万亿参数的Kimi K3.1 Pro,百度以区域受限的自定义许可发布ERNIE 5.5 Flash Base,美团以MIT发布1.6万亿参数模型。腾讯说Hy4跻身最强开源模型之列,说的是计划,不是文件。
这对做采购决定的人有意义:API产品可被改价、地域锁、下架;下载的检查点不能。权重不存在之前,Hy4是一个演示能力异常强的服务。
关键要点
- Hy4把读屏与电脑操作做进同一检查点,100万token上下文,11月4日以API形态发布。
- 办公与电脑操作强(OSWorld 78.9),终端编程与研究数学弱;Terminal-Bench两框架给出44.4与39.1。
- 权重没有随发布给出,只承诺"随后";同两周另三家都发了权重。
诚实的局限
除Snorkel那个数字外,每个基准都是腾讯自己的,未经独立复现;OSWorld对Opus 5.5与Kimi的比较,三方都用厂商自报数字。约7700亿参数来自第三方,腾讯未公布激活参数或架构细节。财务任务研究用自制评分表加专业评委,0.07的差距落在"评分表设计比模型质量更起作用"的区间。电脑操作不等于安全的电脑操作:能点遍你软件的智能体也能点错按钮,基准分数抓不住。没有权重,就没有对训练数据、安全微调的独立检查。本文没有直接测试该模型。
普通人现在能做什么
- 拿一个你已经讨厌的重复屏幕任务去测:填表循环、报表导出、每周对账。免费额度已结束,但按每百万输入token 0.83美元算,这次测试比你在它跑时喝的那杯咖啡便宜。
- 暂时别围绕Hy4规划私有部署。若你的架构假设权重可下载,这个月它不是那样的模型;现在就把退路设计好,别等签约。
- 读它承认的短板,不只读图表。腾讯自己列的弱项——研究数学、长程编程、自我改进、高级视觉问答——比任何一行基准更适合做路由指南。