还是 770B，它长出了眼睛

参数一个没加。腾讯这次把力气花在了别的地方。

十一月四日，腾讯混元 Hy4 正式上线。

先纠正一个容易看错的地方。很多人扫到「770B」，以为是参数涨了。没有。今年八月开源的 Hy4 preview 就是 770B 总参数、49B 激活，正式版还是 770B。

官方的说法是「进一步扩大预训练和后训练规模」。翻过来讲，身板没动，动的是喂进去的料和练的方法。

从不到 300B 的 Hy3 系列，到 770B 的 Hy4，这条路走了大半年。今年二月重建基础设施之后，混元平均两个月出一个大版本，先放 preview，收一轮反馈，再出正式版。

这一版最值得看的有三件事。第一次有视觉，第一次能自己操作电脑，还有一件在后面。

先把数字摆出来

官方这次放了一张十二格的评测看板。蓝色实心柱是 Hy4，蓝色柱里那条虚线，是 preview 的分数。

十二项全在这儿。ProgramBench 30.0，FrontierCode 2.0 是 31.0，3DArena-Modeling 37.1，Terminal Bench 4.0 是 44.4，Agents' Last Exam 41.0，AutomationBench 56.2，E-Bench 2.0 是 70.0，Hy-BrowseComp 59.9，PostTrainBench 35.2，Terminal Bench Science 19.8，TenureTrail 53.6，OSWorld 2.1 是 78.9。

和 preview 比，每一根蓝色柱子里都有一条虚线，位置全在柱顶下面。十二项没有一项退步。

涨得最狠的两项也能看出来。Terminal Bench Science 从虚线的位置往上顶了一截，E-Bench 2.0 直接拉到 70.0，是整张看板里唯一挤进前二的一项。

官方给的结论是，综合表现已跻身最强开源模型之列。这句话没说错，但也留了余地。

看板里有六根柱子，另外四家是 GLM-5.3、DeepSeek-V4.1-Flash、Kimi K3.1 Pro、Claude Opus 5.5、GPT-6.1 Sol。十二项横向排下来，Hy4 一次第一都没拿过。

我把这十二项按三类拆开数了一遍。第二名一次，第三名四次，第四名七次。

参数没动，动的是数据和练法

一个模型升级，最常见的手法是加参数。这次反过来。

参数不动，还要把分数拉上去，只能从两头挤。一头是喂更多、更挑的数据，另一头是后训练阶段把「怎么用这些知识」重新教一遍。

官方在十个方向做了专项优化，落到我们能看到的地方，是三件事。

一是指令遵循和长文理解。这不是新能力，是把原来的做稳。

二是长程 Agent。preview 被吐槽最多的是「过度自我验证」，一个任务里反复检查同一个结论，白白烧 token。这一版专门收敛了这个毛病。

三是视觉。这是新长的。

腾讯内部把模型和产品放在一起调，他们管这叫 Co-Design。听着像流程词，实际做的事挺具体。WorkBuddy 有个「人机双写」的功能，人和模型同时改一份文档，这一版在文档美观度、稳定性、可用性上都做了针对性提升。评测里平均效果得分 83.18，通过率 96.15%，十二个场景里九个排国内第一。

这个分数是混元自己测的，看的时候心里留个数。

它第一次长了眼睛

preview 是纯文本模型。图片进来，它看不见。

这一版补上了视觉理解，能读细粒度图像，能分析复杂图表，能算带图的数学题。官方给的一个例子挺硬，在 28 亿像素的航拍图里定位一个两米宽的屋顶构件。

视觉进来之后，另一件事跟着通了。它能「看屏幕」。

配上鼠标键盘和命令行，模型可以自己操作软件。针对 Blender、CAD 这类专业工具，还有要跨应用协作的长程任务，混元做了专项训练。

训练得有地方练。混元和腾讯云 Agent Runtime 团队一起搭了沙箱，里面装了几百款应用软件，模型在里面反复执行任务、验证结果。这个 Agent Runtime 也对外开放，企业可以拿它训练和运行自己的 Agent。

冰箱那张照片，它没装作看清了

原文里我最喜欢的一个测试，是冰箱。

给模型一张塞满东西的冰箱照片，让它给一家三口安排未来三天的九顿饭。预算一百块，每顿不超过四十分钟。

看图这关就不好过。东西重叠、包装不透明、灯还反光。

模型先把照片按区域放大，一块一块盘。番茄、黄瓜、西葫芦、冷冻混合蔬菜、面包、调味品，认出来了，还估了数量。

然后它做了一件我没想到的事。它把看不清的东西列了出来。

左中层那个粉色真空包装，可能是鸡肉、猪排、火腿，也可能是鱼。右门那个白色大罐，酸奶、奶油、奶酪酱，分不清。一共四处，全标成待确认，后面排菜单时按保守处理。

这一步比认出多少食材重要。视觉模型最容易犯的错，是在模糊的地方给一个笃定的答案。它肯说「我看不清」，后面的菜单才敢信。

更狠的是追加条件。第二天晚上突然多两位客人，一位吃素，一位花生过敏，预算不加，第三天的伙食不能受影响。

它把花生酱和所有复合调味料从当晚的厨房里清出去，刀、砧板、锅铲、台面、擦手布全洗一遍，给过敏的朋友单独盛出来再动其他菜。预算最后剩 18 块。

这些细节没人写在提示词里。

三个老板派活，它说做不完

最后一个测试，题目本身是个坑。

一家公司只有一个运营，三个老板同时派活。CEO 要董事会材料和投资人摘要，产品负责人要用户反馈分析和改进方案，市场负责人要发布稿、配图和合作邮件回复。

全部串行，不能并行。一天 480 分钟。所有任务加起来 555 分钟。

差 75 分钟，怎么排都做不完。

模型没给一张「都能按时完成」的时间表。它先把冲突指出来，然后给了三套方案，每套让不同的人承担延期后果。总超时分别是 300、360、450 分钟。

它选了 300 那一套，还补了一句，「别在排序里找平衡，去把不可行的截止时间改成可行的」。

到这儿还没完。它同时说了另一半，延期需要相关负责人批准，它能提建议，不能替人批。

这两句话放在一起看，比分数有意思。一个什么都答应的助手，是最不可靠的那种。它得知道哪些事做不到，为什么做不到，要改哪个条件才做得到。

和国内三家比，它赢在哪

官方把「开源第一」说了几次。我把看板上十二项按国内四家重新排了一遍，结论细一点。

对 Kimi K3.1 Pro 是六胜六负。对 GPT-6.1 Sol 四胜八负。对 Claude Opus 5.5 全负。

赢的地方集中在三类。代码类的 ProgramBench 和 FrontierCode，三维建模，还有 E-Bench 这种改代码修 bug 的活。输的地方也集中，Terminal Bench Science 差了 21.9 分，Terminal Bench 4.0 差 22.4 分。

翻译成人话。它擅长从零写出一份能跑的东西，不擅长在终端里跟环境死磕，也不擅长科研级的编程任务。

这和 preview 的定位一致，只是差距缩小了。

还有一项值得单独说。金融，混元联合腾讯金融科技找了 213 位专家，对 579 个真实任务做盲测，其中 153 位来自外部头部机构，七成专家有五年以上经验。Hy4 拿到 3.04 分，同场的 Kimi K3.1 Pro 和 GLM-5.3 都是 2.68，DeepSeek-V4.1-Flash 是 2.97。

这一项它确实是第一。不过组织方是混元自己，评测集也是自建的，看的时候同样留个数。

幻觉率从 12.95% 降到 7.2%，因猜测导致的错误率从 23.1% 降到 5.6%。这两组数也是自建测试。

现在能用，多少钱

已经上线的入口有这些。腾讯云 TokenHub、元宝、ima、WorkBuddy 和 CodeBuddy、企业微信智能助理大圆。API 同步接了 OpenRouter、Hermes、OpenCode。QQ、王者荣耀、和平精英、微信读书、腾讯新闻在陆续接。

价格和 preview 一样。输入六元，输出十八元，缓存命中三毛。

限时优惠三条。按量调用到十二月三十一日打五折。Token Plan 订阅到十一月十八日，积分消耗二点五折。WorkBuddy 和 CodeBuddy 从十一月四日到十五日，给一定额度免费用。

还有一个 Hy4 flash 在路上，定位是极致性价比，继承视觉和 Agent 能力，把任务成本压下去。

三件得留个心的事

第一件，权重还没放出来。

官方的说法是「将于近期开源模型权重、发布模型系统卡片」。注意是近期。preview 当时是 Apache 2.0 直接放出来的，这一版目前只能用 API 和产品，下载链接还没有。

想本地部署的人，得再等几天。

第二件，看板上的分大多是自测。

十二格里标了星号的，官方在角上写了「首次发布时仅评估一次」。没标星的那几项，名字里带 internal 的，是内部评测集。这类分数用来判断进步幅度可以，用来横向比高低要打折。

第三件，科学和终端这两块是真短板。

Terminal Bench Science 19.8 分，比 Kimi 低一半还多。这类任务要的是在命令行里一步步试错、读报错、改环境，跟聊天完全两码事。要拿它做科研辅助或者运维自动化，先自己跑一遍再定。

一句话

参数没动，分数全涨，还多长了一双眼睛。

真正让我记住的不是这些。是它在冰箱照片前说「这四样我看不清」，在排不完的活面前说「这个截止时间得改」。

一个模型开始知道自己不知道什么，比它多考几分重要。