騰訊混元發布Hy4：跻身開源最強，實測四大實用場景

文｜曉靜

編輯｜徐青陽

11月4日，騰訊混元正式發布新一代大語言模型Hy4。相比此前的Hy4 preview，新模型進一步擴大預訓練和後訓練規模，首次引入視覺理解能力，並重點強化指令遵循、長文本理解、長程Agent及真實生產力任務表現。

Hy4總參數規模為770B，採用混合專家架構，並首次支持電腦操作（Computer Use），能夠結合命令行與圖形界面執行複雜任務。

從評測結果來看，Hy4已跻身全球第一梯隊開源模型行列，模型權重也將於近期開源。混元團隊表示，儘管Hy4已經是目前最強的開源模型之一，但與頂尖閉源模型仍然存在較大差距。混元將持續穩健地擴展預訓練和後訓練規模，努力縮小和頂尖閉源模型的差距。

針對模型在網絡和生物等方面潛在的安全風險，混元以更負責任的方式進行訓練、開源與發布。

01 跻身最強開源模型之列

在視覺理解方面，Hy4能夠識別圖像中的細節，分析複雜圖表，並結合推理能力完成視覺數學任務。首次引入的Computer Use能力，讓模型可以操作圖形界面和命令行。針對Blender、CAD等專業軟件，以及需要跨應用協作的長程任務，騰訊混元開展了專項訓練。

與此同時，騰訊正在通過模型與產品深度協同設計（Co-Design），提升模型在真實工作中的表現。

在WorkBuddy辦公場景評測中，Hy4平均效果得分83.18分，任務通過率達到96.15%，在12個場景中有9個排名國內第一。借助企業微信套件，模型還可以關聯聊天記錄、郵件、文檔、日程和會議等信息，梳理多個項目的進展，識別待辦事項並協助安排優先級。

專業金融分析是另一項重點升級。騰訊針對基金研究、證券分析和量化策略等場景，構建了數千個工作空間和上萬個高質量訓練任務。

在213位金融專家參與、覆蓋579項真實任務的眾測中，Hy4獲得3.04分，高於同場比較的Kimi K3.1 Pro（2.68分）、GLM-5.3（2.68分）和DeepSeek-V4.1-Flash-1017（2.97分）。

針對金融等場景對信息準確性的要求，混元還開展了時效檢索、多源信息整合和事實一致性校驗的專項優化。自建測試結果顯示，Hy4的幻覺率從preview版的12.95%降至7.2%，因猜測導致的錯誤率從23.1%降至5.6%。

在前端和遊戲開發上，Hy4進一步提升了複雜交互、業務邏輯和狀態管理能力，並強化了對UE、Unity、Godot等主流遊戲引擎的適配。相比preview版，GameDev和GameLogic評測成績分別提升19.1%和9.8%。

在科學研究領域，Hy4進一步結合複雜推理、科學編程和長程任務執行能力。在覆蓋7大學科、123項可執行研究任務的TenureTrail內部評測中，模型在數學構造、物理建模、地球環境和系統工程等方向展現了較強的任務處理能力。

更值得關注的是，Hy4開始參與AI模型自身的研發。騰訊混元正在為遞歸自我改進（RSI，‌Recursive Self-Improvement‌）做準備，利用Hy4與Hyra 2.0研發框架協同優化小模型的預訓練基礎設施，並自動完成模型訓練。混元還開源了由這一體系輔助研發的單細胞表徵基礎模型HyCell和物理場基礎模型HyPDE，嘗試將AI輔助科研的能力轉化為可重用的工具。

網絡安全方面，Hy4在訓練中僅納入與PoC生成、漏洞修復相關的防守性網絡安全數據，同時剔除漏洞利用、逆向、滲透等攻擊性訓練內容，力求避免潛在攻擊性能力的提升。混元組織來自騰訊玄武和科恩實驗室的安全專家，圍繞密碼分析、逆向工程、漏洞利用等方向進行了審計，結果表明：Hy4在加密算法的逆向求解、對抗二進制混淆、漏洞利用等攻擊性能力上未展現出突出風險。

生物安全方面，Hy4的開放式實驗設計能力與前沿模型存在明顯差距（Hy-BioExperimentBench: 30.4/100）。混元組織了內部專家對軌跡進行審計，發現模型基礎生物知識的掌握能力較強，但將知識轉化為可執行實驗方案的能力仍然有限，尚未發現其能夠顯著降低實施生物化學危害行為的門檻。

這些升級也延續了騰訊混元2026年以來的研發節奏。自2月重建基礎設施以來，混元平均每兩個月推出一個大版本，先開放Preview，再結合用戶反饋迭代正式版。從參數規模不到300B的Hy3系列，到770B的Hy4系列，模型規模與訓練投入持續擴大。據悉，下一代Hy5規模將進一步擴大。

騰訊混元以"模型實用性"為核心原則，在不斷追求智能上限的同時，為用戶提供高性價比服務。Hy4在模型性能大幅超越Hy4 preview的同時，定價不變：輸入6元/百萬tokens，輸出18元/百萬tokens，緩存命中0.3元/百萬tokens。

Hy4 flash也將於近期發布。Hy4 flash在繼承Hy4能力的基礎上，大幅降低任務成本，為用戶提供極致性價比的模型。

目前，Hy4已經在騰訊雲Tokenhub、WorkBuddy/CodeBuddy、元寶、企業微信智能助理大圓、ima等產品上線，API同步接入OpenRouter、Hermes、OpenCode等平台。QQ、王者榮耀、和平精英、微信讀書、騰訊新聞等騰訊系產品也在持續接入中。

為收集更多用戶反饋、持續提升模型能力，WorkBuddy/CodeBuddy將在11月4日至11月15日期間，為用戶提供一定額度的免費使用。此外，即日起至2026年12月31日，Hy4在騰訊雲TokenHub按刊例價5折計費。

從這些技術升級和評測數據來看，Hy4正在向更複雜的實際任務延伸。我們也在第一時間選擇了四個不同場景，進行了實際體驗。

02 一句話做出一個太陽系

我們首先給Hy4安排了一項"許願式"的工作：為一個9歲的孩子製作太陽系互動網頁，讓孩子能夠點擊行星、觀察運動、調整公轉速度，理解為什麼不同星球的一年長短不同。提示詞就是這樣短短一句。

模型最終交付了一份互動式網頁。

頁面採用深藍色星空背景，中央是發光的太陽，八顆行星分布在各自軌道上。整體視覺風格接近科學博物館的數字互動展。

至於"讓孩子明白一年為什麼不一樣長"，模型設計了一個直觀的對比：隨著時間推進，當地球繞太陽運行一周，水星已經運行了四圈多，而海王星只走過軌道的一小段。

它還加入了地球年快進、行星檔案、時間流速調整、視角切換等互動功能。點擊不同星球，可以查看直徑、距太陽的距離以及自轉、公轉周期。

這些細節並沒有被逐項寫進原始指令。

例如，為了讓孩子理解公轉周期，模型自己補充了一套進度條；為了避免科學誤導，它還注明行星大小和軌道間距經過壓縮，公轉周期按照真實天文數據設置。

從完成的頁面來看，模型已經能夠將一個相對模糊的教育需求，轉化為兼顧視覺效果、知識表達和互動操作的具體作品。

執行記錄還顯示，它使用Chrome進行了15項互動檢查，涉及點擊、拖拽、主題切換和時間快進等操作。

用戶提出的是一個教學目標，AI需要自己思考，怎樣讓9歲的孩子真正理解這個知識點。這也是"許願式編程"最吸引普通用戶的地方：人可以用接近日常交流的方式提出需求，讓模型承擔更多產品設計和技術實現工作。

03 雜亂的冰箱，Hy4直接規劃出未來菜單

"製作太陽系模擬網頁"這類任務的起點仍然是文字。當用戶不再提供清晰的語言描述，而是直接把現實世界中的問題拍給AI，它又能理解多少？

我們還給Hy4發了一張塞得滿滿當當的冰箱照片，讓它為一家三口安排未來三天的九頓飯，額外採購預算不超過100元，每頓做飯時間不超過40分鐘。

這項測試首先考驗的是視覺理解。冰箱裡有大量重疊、遮擋和包裝不透明的物品，燈光反射也增加了辨認難度。模型先按區域放大照片，逐層盤點食材，識別出番茄、黃瓜、西葫蘆、冷凍混合蔬菜、麵包、調味品等，還對庫存數量進行了初步估計。

有意思的是，它並沒有假裝看清所有東西。

對於左側中層的粉色真空包裝，模型判斷可能是雞肉、豬排、火腿或魚；右門的白色大罐究竟是酸奶、奶油還是奶酪醬，也無法確認。它一共列出四處影響菜單安排的視覺疑點，將這些食材標記為待確認，並在後續方案中採用保守處理。

隨後，模型根據識別結果繼續制定採購清單和三天菜單。

這項任務考驗了模型從視覺識別到實際規劃的能力。它需要在照片提供的信息並不完整的情況下，判斷哪些食材可以使用、哪些需要進一步確認，同時兼顧預算、口味、時間和食材消耗。

真正有用的視覺理解，除了看見什麼，還包括知道什麼沒有看清，以及這些不確定性會怎樣影響接下來的決定。

更複雜的是，我們提出了進一步的要求：第二天晚上突然多了兩位客人，其中一位吃素，另一位對花生過敏。預算不能增加，第三天的伙食也不能受到影響。

這種任務要求模型維持一個持續變化的庫存和預算狀態。它需要記住前面已經消耗了什麼，重新安排接下來的食材分配，還要把飲食禁忌納入考慮。Hy4甚至還給出了一個防浪費的兜底策略。

現實世界中的許多要求就是如此。用戶往往只描述目標，剩下的限制和細節，需要模型主動發現、合理推斷，或者進一步確認。

04 Hy4當編輯，敢於懷疑用戶給出的數字

除了創造力和規劃能力，現實中，我們也經常需要模型提供獨立判斷的參考。

我們給Hy4一張虛構AI公司的業績宣傳圖，給到提示詞：請分析我上傳的這張虛構AI公司的業績宣傳圖。你需要像一位嚴謹的財經編輯一樣，判斷圖片中的宣傳結論是否真實。

請完成以下任務：

1. 完整提取圖中全部關鍵財務數字和文字。

2. 獨立計算營業收入增長率、營業利潤及利潤變化比例。

3. 識別圖中所有明顯錯誤、誇大宣傳或者可能誤導讀者的視覺設計。

4. 解釋為什麼柱狀圖的縱軸設置會改變讀者對增長幅度的直觀感受。

5. 給出一張更規範的圖表應該如何修改的具體方案。

6. 寫一段150字以內的財經新聞核查結論。

模型很快發現，宣傳圖中的三條結論，有兩條存在明顯問題。

第一條是"營收增長80%"。實際數據是從1.2億元增加至1.5億元，模型重新計算後發現，真實增幅只有25%，遠低於宣傳中的80%。

第二條是"利潤翻倍"。但圖中列出的金額卻從3000萬元下降至1800萬元，實際下降了40%，方向完全相反。這裡沒有直接信息，是需要通過推理計算得來。

第三條"付費用戶增長50%"是正確的。不過，模型繼續追問了這組數字背後的含義：如果客戶數量增長50%，而營收只增長25%，那麼平均每位付費用戶帶來的收入實際上下降了約16.7%。

它還發現，圖表縱軸從110開始，而沒有從零開始，使柱狀圖裡的收入增長顯得格外誇張。

隨後，模型給出了兩張對照圖和一張規範化重繪圖，將縱軸歸零，補充數據口徑，並用簡潔的150字的文字解釋問題所在。

這個案例有意思的地方在於，模型沒有順著宣傳圖的邏輯繼續包裝數據，而是主動質疑了輸入材料本身。

事實上，用戶要求AI"幫我分析這張圖"，通常隱含著一個期待：它應該幫我識別問題，而不只是將圖片裡的文字重新組織一遍。

但這對模型提出了更高要求。它必須知道哪些數據可以直接計算，哪些結論需要額外證據。

例如，宣傳圖沒有交代完整的成本費用，也沒有注明數據是否經過審計。模型據此指出，能夠計算的只是給定數字之間的關係，無法憑這張圖片確認企業真正的淨利潤。

這類邊界意識，對於AI進入金融、法律、醫療和其他專業場景尤其重要。

一個模型可能非常擅長生成解釋，也能迅速完成計算。但如果它對不完整的信息作出過度確定的判斷，原本試圖提高效率的工具，就可能製造新的風險。

真正有價值的分析助手，需要知道什麼時候應該質疑輸入，什麼時候應該承認信息不足。

05 三個老闆同時派活，Hy4發現最好的方案是讓老闆延期

最後一個任務，我們故意設置了一個無法完成的要求。

假設一家AI公司只有一名運營員工，卻同時要為三個老闆工作。CEO要求準備董事會材料、發送投資人摘要；產品負責人要求分析用戶反饋、輸出改進方案；市場負責人要求撰寫發布稿、設計配圖、回覆合作郵件。

所有工作必須串行完成，不能同時執行。工作日從9點到17點，只有480分鐘。但把所有任務的耗時相加，需要555分鐘。

也就是說，無論怎麼安排，都至少有75分鐘的工作無法在當天完成。

我們讓模型給出一份最合理的執行計劃，隨後又追加了兩個臨時變化：CEO把董事會材料的截止時間提前，市場負責人則要求發布稿延後開始。

模型最終沒有給出一份所有任務都能按時完成的完美時間表。相反，它識別了任務本身存在的衝突，並提出三種分配方案，分別讓不同老闆承擔延期後果。

其中一套方案的總超時為300分鐘，另外兩套分別為360分鐘和450分鐘。

模型傾向於選擇總超時較少的方案，並指出，如果想進一步滿足任務要求，需要由相關負責人主動批准延期。

它甚至給出了一句很有意思的建議："別在排序裡找平衡，去把不可行的截止時間改成可行的。"

這個結果展現了模型在複雜約束下的一種判斷能力。

當用戶提出的任務無法同時完成時，AI需要識別衝突、說明代價，並提出可供選擇的解決方案。

但這裡也出現了一個更深層的問題。模型所說的"最優"，到底是誰的最優？

對公司整體而言，總超時最少的方案可能更有效率；但對於CEO來說，一份必須在董事會前完成的材料，也許無論如何都不能延期。

模型可以按照設定的目標尋找最優解，卻未必知道每一項工作的背後真實商業後果。而且，如果延期需要老闆批准，模型即使給出了合理建議，也不能擅自把"計劃申請延期"當成"已經獲得批准"。

這意味著，當AI越來越多地參與工作安排，它需要理解的不僅是任務之間的邏輯關係，還包括目標優先級、真實權限和每個人願意承擔的代價。

一個永遠答應用戶要求的Agent，反而可能是最不可靠的。

有時候，AI需要告訴用戶：這個要求目前做不到。更進一步，它還應該解釋為什麼做不到，以及改變哪些條件才有可能完成。

06 理解願望，也要懂得拒絕

從生成太陽系網頁、識別冰箱食材，到核查財務數據、安排工作任務，四個案例展現了Hy4在不同場景下的能力。

這些任務有一個共同點：用戶往往只提出目標，卻不會說清所有要求。

製作太陽系網頁，模型需要考慮孩子的理解能力和互動體驗；安排三天菜單，要兼顧食材、預算和口味，甚至客人的過敏源；核查財務數據，需要主動識別錯誤；面對三個老闆互相衝突的要求，還要判斷哪些任務根本無法按時完成。

用戶可以用自然語言提出需求，但模型真正理解用戶意圖，還需要兩種能力：主動性和判斷力。

既要能在用戶沒有說清楚時多想一步，也要在信息不足、要求衝突時提出疑問，必要時說"不"。尤其當AI開始替人安排工作、作出選擇，它還需要知道哪些決定可以自主完成，哪些必須交還給用戶。

Hy4強化視覺理解、長程任務和Agent能力，也是在探索這種更複雜的人機協作方式。

當AI越來越擅長將一句話變成具體成果，最值得關注的或許是它能否理解那些沒有說出口的要求，並判斷什麼時候該主動行動，什麼時候該提醒用戶改變主意。

這也許才理解到了人与人的交流的精髓，沒說出口的，也許才是最重要的。