实测混元 Hy4 Preview：腾讯终于踩下油门，能杀入国模第一梯队吗？

整个 8 月，大模型的更新节奏依旧让人喘不过气。

DeepSeek 相继更新 V4-Flash 和 V4 Pro，千问推出新一代旗舰 Qwen3.8-Max，智谱也在月中发布 GLM-5.3，前两天智谱和千问也同时掏出自己 Flash 模型试图刷新斩杀线……

在更加疯狂的 9 月到来之前，腾讯混元也压哨交卷了——Hy4 Preview 正式发布。

四个月前，姚顺雨发布 Hy3 Preview 的时候，把 Hy3 称之为「混元大模型重建的第一步」。

就在 Hy4 发布前，腾讯集团高级执行副总裁汤道生也回应外界「腾讯做 AI 慢了」的质疑。

他说，一点不焦虑是不可能的。混元经历了多个阶段、多次重构，而公司整体算力的严重不足，也确实拖慢了模型训练和产品发展。

但他同时提到，在姚顺雨和研究团队的推进下，Hy4 会迎来「更多突破与更大的进步」。

那这次发布的 Hy4 Preview 到底有什么进步，APPSO 这就给你实测看看。

姚顺雨此前反复提到一个思路，比起把模型训练成更会刷榜的「做题家」，混元更关心它到了真实场景里到底好不好用。

到了 Hy4 Preview ，还是这个路线，但是模型本身的尺寸明显大了一圈。总参数量达到了 770B，激活参数为 49B。

上一代 Hy3 Preview 的总参数只有 295B，激活参数是 21B。Hy4 Preview几乎翻了两倍多。

Hy4 Preview 这次把 agent 的长程执行能力又提升了一个档次。所以，APPSO 把它丢进了两个更真实的使用场景体验——写代码，以及日常办公。

Coding Agent 进入国模第一梯队了吗？

时至今日，编程能力依然是各家大模型正面交锋的战场。

这次腾讯新一代大模型 Hy4，在通用能力基础的提升上， 进一步强化了长链路复杂工程的任务完成能力。

在官方给出工程任务盲测中，Hy4 preview 甚至不输 GLM-5.3 和 Kimi K3，它真的进入国模第一梯队了吗？

来看看 Hy4 preview 的具体表现。

Prompt：不要制作视频或预渲染动画，必须是真正可以操作的实时 3D 场景。场景至少包含月球地形、基地建筑、陨石坑、信标、可驾驶月球车和货物运输任务。玩家需要驾驶月球车，将三箱设备分别运送到地图中的三个基地。车辆必须实现加速、制动和转向，并体现较低重力下明显不同于地球汽车的运动感，包括上坡减速、下坡加速；车辆需要与岩石和建筑物产生真实碰撞，不能穿过地面或障碍物；高速撞击需要导致货物掉落，车辆翻覆后允许复位。界面需要展示当前速度、剩余电量、当前任务、已送达货物以及简易地图。至少提供三种镜头：第一人称驾驶、第三人称跟随和远距离观察。完成开发后请自行运行并完整试玩，检查游戏能否从开始一直正常进行到完成三个运输任务；如果过程中发现碰撞、任务触发、车辆控制、镜头、货物状态或通关流程等问题，请自行定位、修复并重新验证，不要在页面能够运行后就直接宣布完成。

APPSO 让它制作了一个不能只靠「视觉诈骗」过关的 3D 世界，一个第一人称 / 第三人称可切换的「月球基地运输车」3D 网页游戏。如果发生碰撞，月球车上的货物被要求撞车后会掉落。

除了第一人称视角的玻璃不是透明的以外，它的任务完成度可以说非常高，让我们在测试的时候不禁多玩了好一会。游戏可以WASD来控制月球车行驶路线，还有自动驾驶功能，电量显示，充电站。而且还能切换不同的视角。整体体验非常丝滑，也没有发现明显的物理错误。

APPSO还让它把游戏部署到了互联网上，感兴趣的读者可以体验一下。

🔗 https://5a4c8f1eb5614758956ed9aa23fa01bb.app.workbuddy.link

随后，为了测试它在真实场景下的软件工程能力，我们交给它了一个「烂摊子」—— 带有Bug的「公司差旅报销系统」。看看它能不能真的接手项目。

此外，我们还给它加了一些限制，不准他看不该看的答案，从而测试它的指令遵循程度如何。

最终交付时，它严格按照指令执行，没有打开评测脚本和参考答案；

同时，它还修复了原本系统的诸多问题，比如权限错乱，统计口径不一致等问题。

让它新增的「异常报销审核」功能，也完美完成。（该功能只有财务和经理可见，员工只能报账。）

最有意思的测试场景是接下来这个案例。我们让 Coding Agent 去网上搜一下最近很火的牛来电影，用牛来形象，牛来风格，做一个真正能玩的网页 3D 牛来小游戏。

做出来的游戏特别好玩，有不同的传送门，可以传送的新的任务场景，不同的场景还有存档点，NPC 也是可以交互的。最终任务是收集道具，让牛来电影成功上映。

能成为 WorkBuddy 的好 Buddy 吗

除了代码开发的任务，我们还可以使用 WorkBuddy 进行文档处理、数据分析可视化、深度研究等方面的日常办公。但是这次 Hy4-Preview，真的强化了它的办公能力吗？

APPSO 要求 Hy4-Preview 自己去互联网搜索 APPSO 的风格，为我们制作一个招聘海报。全程给它补充任何额外信息，只在它第一轮交付时，提了一点视觉风格上的改进建议。

最后它交付的海报，不可谓不精美。而且和 APPSO 的视觉风格非常相似。

海报还可以在右侧工作台，实时手动修改，或者框选后让 Agent 执行修改。

在深度调研任务上，我们让 Hy-4 Preview 调查最近三个月「AI Coding Agent 在真实企业软件开发中的部署情况」。

它自动组织了多个 Agent 组建了一支调研团队，最后给出的文档内容详细，使用的数据来源也全是权威机构，经核查，引用的数据均准确无误，事实边界也界定的很好。

继续用 WorkBuddy 内的数据分析及可视化任务功能来测试时，要求 Hy4 preview 基于教育部官方发布的数据，围绕「全中国博士生正在变多吗？」这个问题，做一次可视化分析。

Hy4 preview 花了非常长的时间进行调研，最后给出的研究报告，可以说能直接拿过来用。

最后，它还结合数据给出了针对个人的学业建议。我们把这份建议贴了出来，希望也能通过这次测试，顺便帮助到有相关需求的读者。

腾讯混元开始踩油门了

APPSO 此前实测 Hy3-preview 的文章曾提到，混元的路子，从一开始就不是单纯刷高 benchmark，而是把模型做得在真实场景里更有用。

Hy4 这次更新，其实比 Hy3 时又往前走了一步。

当时 Hy3 总参数只有不到 300B 的时候，「不跟别人拼尺寸」多少还可以被理解成一种取舍。但到了更大的 Hy4，腾讯依然选择把场景、产品和模型绑在一起，说明这的确是他们的长期战略目标。

而且，这套方法论，相比之前 Hy3-Preview 发布时，已经有了一些真实世界的数据支撑。

Hy3 上线一周，API 调用量就达到上一代的 68 倍以上。腾讯自己的 WorkBuddy 评测里，它把任务成功率推到了 90% 以上，同时缩短了平均任务耗时。

模型变好，产品里的任务成功率提高；用户开始更多地调用模型；新的使用数据和失败案例再回到训练、评测和产品迭代里。

过去大家说 Co-design，多少还有一点 PPT 上画飞轮的感觉。

到了 Hy4，这个飞轮开始真的有东西可以喂了。

更好玩的是，腾讯刚刚把大语言模型和多模态团队合并成新的基础模型部，统一交给姚顺雨。文本、图像、视频、语音、3D，以及强化学习和 Agent，不再被拆成几条各自发展的路线。

Hy3 更像是混元重整之后找到方向的那一步，Hy4 则要验证，这个路子到底能不能做深，做大，做强。

当然，现在给混元下结论依然太早，它离真正的 SOTA 也还有距离。

当腾讯把更大的模型、更统一的基础模型团队，以及自己手里数以亿计用户每天真实发生的场景放到一起，终于可以试试将油门踩到底能跑多快了。

文章来自于微信公众号 “APPSO”，作者 “APPSO”