对腾讯新模型 Hy4 的真实评价。
AI产品阿颖 · 人工智能
原创 阿颖 2026-11-04 18:48 北京 Hy4 正式发布了。朋友圈里，能感觉到腾讯同学的兴奋。 因为这次官方 Release Blog 的第一句话是：Hy 首次跻身最强开源模型之列。 从 Hy3 开始，混元每一次发布新模型，我几乎都会阅读他们的 Blog，经常看我文章的同学会知道，我的口头禅是，Release Blog 中有最一手的信息。 我听在几个大模型公司任职的朋友讲过，他们每次发 Release Blog，一号位都会逐字审核和修改。 所以，可以推断，这个 Blog 的表达一定程度上代表了模型团队最真实的想法和状态。 之前混元的表达一直比较谦逊，即便模型能力有了明显提升，也从没把话说这么满过。比如下面截图是当时 Hy3 发布时他们对模型能力的定位。 但这一次 Hy4，很明显，他们还是很有信心。 周末和某大模型创业公司的哥们交流，他说，这几个互联网大厂里，过去一年模型进步最大的，绝对是腾讯。毫无争议。 今年年初，大家对 Hy 的评价，基本上还是路边一条。 但后来 Hy3，再到 Hy4 preview，以及今天的 Hy4 正式版，我自己也能明显感觉到，腾讯这一年的进步确实太快了。 之前使用 WorkBuddy，遇到稍微复杂一点的任务，我总是习惯切换到 Kimi 或者 GLM 等等模型。但自从 Hy4 preview 发布之后，我发现需要切换的次数已经越来越少。 从 Hy3 preview 到 Hy3，腾讯主要扩大了后训练的规模，通过提高训练数据质量、增加强化学习的算力投入，提升模型的智能水准。 但这一次 Hy4 正式版，官方明确提到，预训练和后训练的规模都进一步扩大了。 也就是说，Hy4 的 Base Model，和 preview 版本已经有所不同了。 他们在原有 preview 模型的基础上，继续投入了更多数据和算力进行训练。 而且，官方也明确提到，这次 Hy4 首次引入了视觉理解和电脑操作能力。 所以，我的判断是，这次扩大预训练规模，应该也有一部分投入到了视觉能力和 Computer Use 的能力建设上。 视觉理解能力我也测试了一下，目前主要还是针对图片。 之前的 Hy 版本虽然也能处理图片，但更多是通过其他视觉模型或模块配合完成的，并不是 Hy 语言模型本身直接具备的能力。 这种方式在不同模块之间传递信息时，就会丢失一些细节。 而现在 Hy4 支持了原生的视觉理解能力，可以直接结合图片信息进行理解和推理，尤其是识别图片中的细节、分析复杂图表等任务，确实会有更好的表现。 官方的说法是，他们这次大幅提升了指令遵循、长文理解、长程任务、深度研究等各项综合能力。 我说下自己的感受： 1）幻觉体感上进步不小，特别是金融类的 Case。 2）审美有提升。页面的布局和字体搭配，比之前耐看很多。 3）前端视觉类的任务，因为有了原生的视觉能力，确实效果更好。 4）复杂任务上有时候过度思考的问题解决了。 下面我用 Hy4 做出来的一个卡片效果。 之前在 X 上看到的。直接扔视频，它给复现了出来。 鼠标滑过，悬挂的卡片会自动翻转。鼠标悬浮在卡片上面动的话，又会有对应的倾斜角度的效果，以及鼠标指针周围还有一圈光晕的特效。而且还可以左右滑动切换。 这个任务大概消耗了 3000 多万 Token。对比 Hy4 preview，我最明显的感受是，有了原生的视觉理解能力，模型对页面布局、色彩搭配和各种细节的把握确实都更好了。 给它视频，虽然它仍然需要先转换成一帧帧图片再进行理解，但至少能够直接分析画面里的内容，理解页面的视觉效果和设计细节。 尤其是在复刻网页或者制作复杂交互时，模型可以参考画面中的实际效果，不断调整代码，最终做出来的东西和参考素材也更接近。 我还用 Hy4 做了一个在街头打篮球的场景。 这个 Case 非常复杂。我之前用其他几个模型都跑过，效果不好。 这次 Hy4 搞定了。 可以看到，镜头会一直跟着场上持球进攻的球员移动。 球员之间有投三分、突破上篮、盖帽等一系列攻防动作，场边的观众也在不停地加油助威。 这个 Case 之前我用另外一个模型做过，已经有了初步效果，但我不太满意。因为整体看起来有些塑料感，人物的体态和动作也比较僵硬，不够自然。 这次，我直接把整个项目交给了 WorkBuddy 里的 Hy4，让它在现有基础上继续优化，重点调整场景的材质、人物形象和球员的攻防动作，尽量让整个画面看起来更加逼真、自然。 后面我继续加要求，让 Hy4 把双人单挑的逻辑补完整。两名球员要轮流进攻和防守，抢到球以后要按规则清球。镜头也得配合动作变化等等。 它重新整理比赛逻辑，再连续运行回合检查。中间发现投丢的球会飞得太远，再被拉回场内。镜头虽然改了缩放数值，实际取景仍然太远。 它就继续修正出界判断和镜头的取景范围。 最后，又进行了 1