文｜晓静
编辑｜徐青阳
11月4日，腾讯混元正式发布新一代大语言模型Hy4。相比此前的Hy4 preview，新模型进一步扩大预训练和后训练规模，首次引入视觉理解能力，并重点强化指令遵循、长文本理解、长程Agent及真实生产力任务表现。
Hy4总参数规模为770B，采用混合专家架构，并首次支持电脑操作（Computer Use），能够结合命令行与图形界面执行复杂任务。
从评测结果来看，Hy4已跻身全球第一梯队开源模型行列，模型权重也将于近期开源。混元团队表示，尽管Hy4已经是目前最强的开源模型之一，但与顶尖闭源模型仍然存在较大差距。混元将持续稳健地扩展预训练和后训练规模，努力缩小和顶尖闭源模型的差距。
针对模型在网络和生物等方面潜在的安全风险，混元以更负责任的方式进行训练、开源与发布。
在视觉理解方面，Hy4能够识别图像中的细节，分析复杂图表，并结合推理能力完成视觉数学任务。首次引入的Computer Use能力，让模型可以操作图形界面和命令行。针对Blender、CAD等专业软件，以及需要跨应用协作的长程任务，腾讯混元开展了专项训练。
与此同时，腾讯正在通过模型与产品深度协同设计（Co-Design），提升模型在真实工作中的表现。
在WorkBuddy办公场景评测中，Hy4平均效果得分83.18分，任务通过率达到96.15%，在12个场景中有9个排名国内第一。借助企业微信套件，模型还可以关联聊天记录、邮件、文档、日程和会议等信息，梳理多个项目的进展，识别待办事项并协助安排优先级。
专业金融分析是另一项重点升级。腾讯针对基金研究、证券分析和量化策略等场景，构建了数千个工作空间和上万个高质量训练任务。
在213位金融专家参与、覆盖579项真实任务的众测中，Hy4获得3.04分，高于同场比较的Kimi K3.1 Pro（2.68分）、GLM-5.3（2.68分）和DeepSeek-V4.1-Flash-1017（2.97分）。
针对金融等场景对信息准确性的要求，混元还开展了时效检索、多源信息整合和事实一致性校验的专项优化。自建测试结果显示，Hy4的幻觉率从preview版的12.95%降至7.2%，因猜测导致的错误率从23.1%降至5.6%。
在前端和游戏开发上，Hy4进一步提升了复杂交互、业务逻辑和状态管理能力，并强化了对UE、Unity、Godot等主流游戏引擎的适配。相比preview版，GameDev和GameLogic评测成绩分别提升19.1%和9.8%。
在科学研究领域，Hy4进一步结合复杂推理、科学编程和长程任务执行能力。在覆盖7大学科、123项可执行研究任务的TenureTrail内部评测中，模型在数学构造、物理建模、地球环境和系统工程等方向展现了较强的任务处理能力。
更值得关注的是，Hy4开始参与AI模型自身的研发。腾讯混元正在为递归自我改进（RSI，Recursive Self-Improvement）做准备，利用Hy4与Hyra 2.0研发框架协同优化小模型的预训练基础设施，并自动完成模型训练。混元还开源了由这一体系辅助研发的单细胞表征基础模型HyCell和物理场基础模型HyPDE，尝试将AI辅助科研的能力转化为可复用的工具。
网络安全方面，Hy4 在训练中仅纳入与 PoC 生成、漏洞修复相关的防守性网络安全数据，同时剔除漏洞利用、逆向、渗透等攻击性训练内容，力求避免潜在进攻性能力的提升。混元组织来自腾讯玄武和科恩实验室的安全专家，围绕密码分析、逆向工程、漏洞利用等方向进行了审计，结果表明：Hy4 在加密算法的逆向求解、对抗二进制混淆、漏洞利用等进攻性能力上未展现出突出风险。
生物安全方面，Hy4的开放式实验设计能力与前沿模型存在明显差距（Hy-BioExperimentBench: 30.4/100）。混元组织了内部专家对轨迹进行审计，发现模型基础生物知识的掌握能力较强，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。
这些升级也延续了腾讯混元2026年以来的研发节奏。自2月重建基础设施以来，混元平均每两个月推出一个大版本，先开放Preview，再结合用户反馈迭代正式版。从参数规模不到300B的Hy3系列，到770B的Hy4系列，模型规模与训练投入持续扩大。据悉，下一代Hy5规模将进一步扩大。
腾讯混元以“模型实用性”为核心原则，在不断追求智能上限的同时，为用户提供高性价比服务。Hy4在模型性能大幅超越Hy4 preview的同时，定价不变：输入 6元/百万 tokens，输出 18 元/百万 tokens，缓存命中 0.3 元 / 百万 tokens。
Hy4 flash 也将于近期发布。Hy4 flash 在继承 Hy4 能力的基础上，大幅减低任务成本，为用户提供极致性价比的模型。
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、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持续接入中。
为收集更多用户反馈、持续提升模型能力，WorkBuddy/CodeBuddy 将在 11月 4 日至 11月 15日期间，为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5折计费。
从这些技术升级和评测数据来看，Hy4正在向更复杂的实际任务延伸。我们也在第一时间选择了四个不同场景，进行了实际体验。
我们首先给Hy4安排了一项“许愿式”的工作：为一个9岁的孩子制作太阳系互动网页，让孩子能够点击行星、观察运动、调整公转速度，理解为什么不同星球的一年长短不同。提示词就是这样短短一句。
模型最终交付了一份互动式网页。
页面采用深蓝色星空背景，中央是发光的太阳，八颗行星分布在各自轨道上。整体视觉风格接近科学博物馆的数字互动展。
至于“让孩子明白一年为什么不一样长”，模型设计了一个直观的对比：随着时间推进，当地球绕太阳运行一周，水星已经运行了四圈多，而海王星只走过轨道的一小段。
它还加入了地球年快进、行星档案、时间流速调整、视角切换等交互功能。点击不同星球，可以查看直径、距太阳的距离以及自转、公转周期。
这些细节并没有被逐项写进原始指令。
例如，为了让孩子理解公转周期，模型自己补充了一套进度条；为了避免科学误导，它还注明行星大小和轨道间距经过压缩，公转周期按照真实天文数据设置。
从完成的页面来看，模型已经能够将一个相对模糊的教育需求，转化为兼顾视觉效果、知识表达和交互操作的具体作品。
执行记录还显示，它使用Chrome进行了15项交互检查，涉及点击、拖拽、主题切换和时间快进等操作。
用户提出的是一个教学目标，AI需要自己思考，怎样让9岁的孩子真正理解这个知识点。这也是“许愿式编程”最吸引普通用户的地方：人可以用接近日常交流的方式提出需求，让模型承担更多产品设计和技术实现工作。
“制作太阳系模拟网页”这类任务的起点仍然是文字。当用户不再提供清晰的语言描述，而是直接把现实世界中的问题拍给AI，它又能理解多少？
我们还给Hy4发了一张塞得满满当当的冰箱照片，让它为一家三口安排未来三天的九顿饭，额外采购预算不超过100元，每顿做饭时间不超过40分钟。
这项测试首先考验的是视觉理解。冰箱里有大量重叠、遮挡和包装不透明的物品，灯光反射也增加了辨认难度。模型先按区域放大照片，逐层盘点食材，识别出番茄、黄瓜、西葫芦、冷冻混合蔬菜、面包、调味品等，还对库存数量进行了初步估计。
有意思的是，它并没有假装看清所有东西。
对于左侧中层的粉色真空包装，模型判断可能是鸡肉、猪排、火腿或鱼；右门的白色大罐究竟是酸奶、奶油还是奶酪酱，也无法确认。它一共列出四处影响菜单安排的视觉疑点，将这些食材标记为待确认，并在后续方案中采用保守处理。
随后，模型根据识别结果继续制定采购清单和三天菜单。
这项任务考验了模型从视觉识别到实际规划的能力。它需要在照片提供的信息并不完整的情况下，判断哪些食材可以使用、哪些需要进一步确认，同时兼顾预算、口味、时间和食材消耗。
真正有用的视觉理解，除了看见什么，还包括知道什么没有看清，以及这些不确定性会怎样影响接下来的决定。
更复杂的是，我们提出了进一步的要求：第二天晚上突然多了两位客人，其中一位吃素，另一位对花生过敏。预算不能增加，第三天的伙食也不能受到影响。
这种任务要求模型维持一个持续变化的库存和预算状态。它需要记住前面已经消耗了什么，重新安排接下来的食材分配，还要把饮食禁忌纳入考虑。Hy4甚至还给出了一个防浪费的兜底策略。
现实世界中的许多要求就是如此。用户往往只描述目标，剩下的限制和细节，需要模型主动发现、合理推断，或者进一步确认。
除了创造力和规划能力，现实中，我们也经常需要模型提供独立判断的参考。
我们给Hy4一张虚构AI公司的业绩宣传图，给到提示词：请分析我上传的这张虚构AI公司的业绩宣传图。你需要像一位严谨的财经编辑一样，判断图片中的宣传结论是否真实。
请完成以下任务：
1. 完整提取图中全部关键财务数字和文字。
2. 独立计算营业收入增长率、营业利润及利润变化比例。
3. 识别图中所有明显错误、夸大宣传或者可能误导读者的视觉设计。
4. 解释为什么柱状图的纵轴设置会改变读者对增长幅度的直观感受。
5. 给出一张更规范的图表应该如何修改的具体方案。
6. 写一段150字以内的财经新闻核查结论。
模型很快发现，宣传图中的三条结论，有两条存在明显问题。
第一条是“营收增长80%”。实际数据是从1.2亿元增加至1.5亿元，模型重新计算后发现，真实增幅只有25%，远低于宣传中的80%。
第二条是“利润翻倍”。但图中列出的金额却从3000万元下降至1800万元，实际下降了40%，方向完全相反。这里没有直接信息，是需要通过推理计算得来。
第三条“付费用户增长50%”是正确的。不过，模型继续追问了这组数字背后的含义：如果客户数量增长50%，而营收只增长25%，那么平均每位付费用户带来的收入实际上下降了约16.7%。
它还发现，图表纵轴从110开始，而没有从零开始，使柱状图里的收入增长显得格外夸张。
随后，模型给出了两张对照图和一张规范化重绘图，将纵轴归零，补充数据口径，并用简洁的150字的文字解释问题所在。
这个案例有意思的地方在于，模型没有顺着宣传图的逻辑继续包装数据，而是主动质疑了输入材料本身。
事实上，用户要求AI“帮我分析这张图”，通常隐含着一个期待：它应该帮我识别问题，而不只是将图片里的文字重新组织一遍。
但这对模型提出了更高要求。它必须知道哪些数据可以直接计算，哪些结论需要额外证据。
例如，宣传图没有交代完整的成本费用，也没有注明数据是否经过审计。模型据此指出，能够计算的只是给定数字之间的关系，无法凭这张图片确认企业真正的净利润。
这类边界意识，对于AI进入金融、法律、医疗和其他专业场景尤其重要。
一个模型可能非常擅长生成解释，也能迅速完成计算。但如果它对不完整的信息作出过度确定的判断，原本试图提高效率的工具，就可能制造新的风险。
真正有价值的分析助手，需要知道什么时候应该质疑输入，什么时候应该承认信息不足。
最后一个任务，我们故意设置了一个无法完成的要求。
假设一家AI公司只有一名运营员工，却同时要为三个老板工作。CEO要求准备董事会材料、发送投资人摘要；产品负责人要求分析用户反馈、输出改进方案；市场负责人要求撰写发布稿、设计配图、回复合作邮件。
所有工作必须串行完成，不能同时执行。工作日从9点到17点，只有480分钟。但把所有任务的耗时相加，需要555分钟。
也就是说，无论怎么安排，都至少有75分钟的工作无法在当天完成。
我们让模型给出一份最合理的执行计划，随后又追加了两个临时变化：CEO把董事会材料的截止时间提前，市场负责人则要求发布稿延后开始。
模型最终没有给出一份所有任务都能按时完成的完美时间表。相反，它识别了任务本身存在的冲突，并提出三种分配方案，分别让不同老板承担延期后果。
其中一套方案的总超时为300分钟，另外两套分别为360分钟和450分钟。
模型倾向于选择总超时较少的方案，并指出，如果想进一步满足任务要求，需要由相关负责人主动批准延期。
它甚至给出了一句很有意思的建议：“别在排序里找平衡，去把不可行的截止时间改成可行的。”
这个结果展现了模型在复杂约束下的一种判断能力。
当用户提出的任务无法同时完成时，AI需要识别冲突、说明代价，并提出可供选择的解决方案。
但这里也出现了一个更深层的问题。模型所说的“最优”，到底是谁的最优？
对公司整体而言，总超时最少的方案可能更有效率；但对于CEO来说，一份必须在董事会前完成的材料，也许无论如何都不能延期。
模型可以按照设定的目标寻找最优解，却未必知道每一项工作背后的真实商业后果。而且，如果延期需要老板批准，模型即使给出了合理建议，也不能擅自把“计划申请延期”当成“已经获得批准”。
这意味着，当AI越来越多地参与工作安排，它需要理解的不仅是任务之间的逻辑关系，还包括目标优先级、真实权限和每个人愿意承担的代价。
一个永远答应用户要求的Agent，反而可能是最不可靠的。
有时候，AI需要告诉用户：这个要求目前做不到。更进一步，它还应该解释为什么做不到，以及改变哪些条件才有可能完成。
从生成太阳系网页、识别冰箱食材，到核查财务数据、安排工作任务，四个案例展现了Hy4在不同场景下的能力。
这些任务有一个共同点：用户往往只提出目标，却不会说清所有要求。
制作太阳系网页，模型需要考虑孩子的理解能力和交互体验；安排三天菜单，要兼顾食材、预算和口味，甚至客人的过敏源；核查财务数据，需要主动识别错误；面对三个老板互相冲突的要求，还要判断哪些任务根本无法按时完成。
用户可以用自然语言提出需求，但模型真正理解用户意图，还需要两种能力：主动性和判断力。
既要能在用户没有说清楚时多想一步，也要在信息不足、要求冲突时提出疑问，必要时说“不”。尤其当AI开始替人安排工作、作出选择，它还需要知道哪些决定可以自主完成，哪些必须交还给用户。
Hy4强化视觉理解、长程任务和Agent能力，也是在探索这种更复杂的人机协作方式。
当AI越来越擅长将一句话变成具体成果，最值得关注的或许是它能否理解那些没有说出口的要求，并判断什么时候该主动行动，什么时候该提醒用户改变主意。
这也许才理解到了人与人的交流的精髓，没说出口的，也许才是最重要的。
