“Hy4 在同一道 3D 发动机任务中，比 Kimi K3.1 Pro 快了 28 分钟。 ”
作者丨吴海明
编辑丨李娜 岑峰
11 月 4 日，腾讯发布混元 Hy4 正式版。消息公布后，腾讯首席 AI 科学家姚顺雨在 X 上转发，称自己为团队在不到一年时间里取得的成绩感到自豪。
这份自信并非没有来由。
去年底，姚顺雨从 OpenAI 加入腾讯，随后混元经历了研发团队整合和基础设施重建。从今年 4 月的 Hy3 preview、7 月的 Hy3 正式版，再到如今的 Hy4，腾讯的大模型迭代明显提速。过去总被认为在基础模型竞争中慢了半拍的腾讯，这次甚至在官方发布中宣称，混元首次跻身全球最强开源模型行列。
Hy4 也确实拿出了些新东西。除了模型能力的提升，它第一次加入了视觉理解和电脑操作（Computer Use）能力，不仅能看懂屏幕，还能通过命令行和图形界面操作软件。腾讯还专门针对 Blender、CAD 等专业工具和跨应用长程任务进行了训练。
不过，第三方榜单给出的成绩并没有那么悬殊。在 Artificial Analysis 最新的综合智能指数中，Hy4 拿到 35 分，虽然已位居中国模型前列，但距离 Kimi K3.1 Pro 的 46 分还有 11 分差距。
有意思的是，我们在一道实际测试题里，却看到了另一种结果。
我们让 Hy4 和 Kimi K3.1 Pro 使用同一个 Agent 工作台 WorkBuddy，完成一台可拆解、可运转的 3D 四缸发动机。不仅要制作教学网页，还要自己打开浏览器，检查播放、暂停、角度调节和气缸运动等功能。
最终，两款模型都交出了可以在本地运行的网页工程。Hy4 用了 44 分 11 秒，Kimi K3.1 Pro 则花费 1 小时 12 分 39 秒，前者快了近半小时。Hy4 还在浏览器中发现并修复了页面遮挡问题，最终通过了自己编写的 55 项自动化检查。
榜单上落后 11 分，实际交付却更快，Hy4 的表现多少有些出人意料。
而这次测试更值得看的，是模型与工作台如何配合完成一项任务。当 AI 不仅能写代码，还开始自己打开网页、操作按钮、发现问题并修改作品，模型之间的较量，也有了一套不同于传统跑分的衡量方式。
01
对比评测：一道四缸发动机题考验AI能否交出可操作的课堂工具
这次测评，我们设计了一个“发动机原理”拆解的评测题目，让模型化身机械教师，给出一份面向教学的设计方案：发动机的四个气缸如何配合？活塞上下运动，又是怎么带动曲轴旋转的？一起看看测试题：
请制作一个用于课堂教学的交互式 3D 四缸汽车发动机演示网站，帮助教师讲解四冲程发动机的工作过程和基本物理原理。
电脑已安装 Blender，并已配置 WorkBuddy 浏览器控制。请根据任务需要选择工具，完成网页制作、浏览器操作和检查。
1. 使用 Three.js 展示一台直列四缸四冲程发动机，至少包含缸体、活塞、连杆、曲轴、进气门、排气门和火花塞。模型可使用程序化几何体制作，重点是结构清晰，便于观察内部运动。
2. 支持旋转和缩放模型，并提供“显示／隐藏外壳”或剖视功能，让教师能够观察四个气缸内部。
3. 演示进气、压缩、做功、排气四个冲程。活塞、连杆、曲轴和气门应协调运动，火花塞在点火时给出可见提示。四个气缸应按照合理的四冲程工作时序运行，并在页面中说明点火顺序。
4. 提供自动播放、暂停、重置和速度调节功能。教师可以手动拖动曲轴角度，或通过按钮逐步推进，停在任意位置观察各部件状态。
5. 页面实时显示曲轴角度、各气缸当前冲程及进排气门状态。点击主要部件时，显示名称和简短说明。
6. 提供简洁的教学说明，解释燃料燃烧释放能量、气体推动活塞、连杆带动曲轴旋转的过程，并说明四冲程需要曲轴旋转两圈。使用示意动画表示进气、燃烧和排气即可。
7. 交付可在本地运行的完整网页工程。完成后请打开浏览器，实际检查模型显示、播放与暂停、手动调节、冲程切换、部件说明和重置功能，并修复发现的问题。最后告知我启动方式和检查结果。
在我们的测试电脑上，提前安装了 Blender 和 WorkBuddy，同时也配置了浏览器控制插件。我们让 Hy4 和 Kimi K3.1 Pro 都使用 Three.js 程序化几何体制作发动机模型，并将浏览器纳入检查流程。
下面看看 Hy4 的表现：
Hy4 为发动机做了一张深色背景的教学台，四个气缸从左到右排开，活塞下方是连杆和曲轴，右侧面板列出每个气缸的冲程、活塞方向与气门状态。如下图所示，0° 时 1 缸显示为做功，2、3、4 缸依次显示排气、压缩、进气。
Hy4 制作的发动机原理拆解系统的 0° 状态
之后，发动机开始运转，活塞和连杆的位置发生变化。为了更好地配合演示，Hy4 设计了丰富的操作按钮，教师可以通过下方控制栏提供的播放、前后 180° 步进、角度滑块和速度选择等操作，把动画停在需要讲解的位置。
▲Hy4 制作的发动机原理拆解系统的不同状态
一起来看看综合表现：
Hy4 制作的发动机原理 3D 网站动态演示（5倍速）
整体来看，Hy4 的网页把四个气缸、连杆、曲轴和工作状态放在同一个画面中，0°、90°、270° 和剖面截图展示了不同角度下的模型状态，播放和角度控制也为课堂讲解提供了操作入口。
紧接着是 Kimi K3.1 Pro 的交付物了，K3.1 采用 Three.js + Vite 构建这个网站，凸显了其在代码领域的专业性。从网站来看，页面中央是发动机演示区，右侧用卡片显示四缸工作状态，下方放着播放、速度和曲轴角度控制，在 0° 时刻，1 缸处于做功，其他三个缸分别处于排气、压缩和进气。
K3.1 Pro 制作的发动机原理拆解系统的 0° 状态
和 Hy4 一样，K3.1 Pro 构建的演示在发动机运转后，活塞和连杆的位置同步发生变化。K3.1 也设计了丰富的操作按钮用来控制演示操作。
▲K3.1 Pro 制作的发动机原理拆解系统的不同状态
K3.1 Pro 制作的发动机原理 3D 网站动态演示（5倍速）
和 Hy4 一样，K3.1 Pro 的页面把发动机模型放在中央，四缸状态、冲程进度和讲解笔记集中在右侧。从页面内容上看，Hy4 更像老师输出知识一样，给出了更多的知识细节。
我们进一步统计了两个模型在平台上的后台运行情况：
后台运行数据对比分析图
这组数字背后，是两次长任务的完整工作过程，Hy4 共发起 97 次模型请求，Kimi 为 106 次；工具调用分别为 96 次和 110 次，涉及文件、命令行和浏览器操作。Hy4 累计输入约 1392 万 Token、输出约 13.33 万；Kimi 输入约 938 万、输出约 4.71 万，显然 K3.1 Pro 更省 token，但从时间成本上两者则存在差异：Hy4 的时间支出是 44 分 11 秒，Kimi 为 1 小时 12 分 39 秒。
整体来看，两个模型都交出了可继续编辑的网页工程，能用于教师给学生的上课演示，证明到了现阶段，模型的能力已经足够日常办公使用，而且很难区分出模型能力的高低。
02
WorkBuddy+Hy4双子星模型思考，Agent操作浏览器
在上述测试中，模型需要理解四冲程时序、组织代码，并根据页面反馈修改；WorkBuddy 提供任务运行环境，连接文件、命令行和浏览器。模型和工作台搭档，一个任务才能被从被生成到在浏览器中被打开和被检查。
回到 Hy4, 在最新 v5.0.1 版的 Artificial Analysis 中，Hy4 取得了 35 分，同榜单的 Kimi K3.1 Pro 为 46 分，Deepseek V4.1 Flash 1017 为 33 分。这项综合指数覆盖知识工作、代码、科学与通用知识等任务。Hy4 的成绩显示了腾讯的模型具备很强的综合实力，已经能让腾讯继 Hy3 之后又一次稳稳地回到大模型竞争的牌桌上。
Hy4 在 AA 榜单中取得 35 分，处于全球大模型前沿位次
从腾讯自己的评测结果来看，在 WorkBuddy 场景评测中 Hy4 的平均效果得分为 83.18 分、通过率为 96.15%；在腾讯混元与腾讯金融科技组织的盲测中，213 位专家参与了 579 项真实金融任务的评分，Hy4 综合得分 3.04/4，Kimi K3.1 Pro 为 2.68/4。整体来说，Hy4 在办公与金融场景更能展现其实力。
腾讯官方公布的 Hy4 评测结果
此外，我们还记录了 WorkBuddy+Hy4 操作浏览器的演示。WorkBuddy 在 Chrome 打开网页，点击播放和暂停，切换快慢速度，再用 180° 步进按钮查看四缸状态。工作台还操作了剖面视角、外壳三态和 3 缸高亮，并将角度定位到 360°，观察模型和状态面板的变化。演示中也遇到了小插曲：窗口尺寸改变后，按坐标点击没有落到目标按钮上，WorkBuddy 随后改用页面元素点击。
WorkBuddy + Hy4 操作浏览器对 “发动机原理 3D 网站” 进行演示（5倍速）
据腾讯官方披露，团队在 Hy4 训练过程中，针对专业软件和跨应用长程任务开展了专项训练。结合本次测试，两款模型都以 WorkBuddy 为工作台，在浏览器中进行对交付物进行测试从而验收，Hy4 打开页面后发现图例遮挡曲轴、操作提示遮住缸号，随后调整了布局，同时编写浏览器自动化脚本，检查四缸时序、剖面视角、按钮、滑块与控制台，最终完成了 55 项基于浏览器的检查。
WorkBuddy+Hy4 操作浏览器的能力，让任务多了一轮可观察、可调整的过程。模型通过工作台打开生成的页面，结合截图或工具返回的信息，判断界面是否需要修改。未来，这种能力势必会成为一种新的生产力，让更多的产品测试人员逐步放开手脚。
03
从Hy3到Hy4腾讯的Agent组合走向真实任务
这条线要从 Hy3 说起。2026 年初，腾讯重建预训练与强化学习基础设施；4 月 Hy3 preview 发布时，模型已经接入 WorkBuddy、CodeBuddy、元宝等产品，产品里的真实调用，一边让外界重新看到腾讯的模型能力，一边把用户的反馈送回训练环节。到 7 月 Hy3 正式版发布，腾讯重新坐回大模型竞争的牌桌。
Hy4 沿着这条线继续加码：训练规模扩大，视觉理解与电脑操作进入模型本体。模型的输出从一段文字、一份代码，扩展到“把一件事在屏幕做完”，WorkBuddy 提供了落点，文件、命令行、浏览器都在同一个工作台里，模型的一次判断可以立刻被执行、被看见、被修正，任务因此有了可观察、可调整的过程。
这种组合的分量，在海外社区的讨论里也能看到，Reddit 上有开发者关心权重何时开放下载、能不能在本地跑起来，以及更大的参数规模会带来多高的硬件门槛。他们盯着的不只是榜单上的分数，还有这套能力能否被自己接手。
这次，交出的答卷是一台能在网页里转动的四缸发动机。下一道题，可以是在画板上用鼠标画图，也可以是做一把能拆解的 3D 键盘，或交付一份附带财务模型的研究报告。题目越往真实工作里走，模型与工作台的配合就越有看头：网页挡住了能不能自己调整，软件报错了能不能接着往下做，最后留下的文件能不能交给别人继续用。
点击 关键词 查看对应实测内容
月之暗面 Kimi
Kimi K3丨Kimi K2.6
Kimi K2.7 Code
智谱 GLM
GLM 5.3 Flash
GLM5.3丨GLM 5.2
GLM 5.1 vs DeepSeek V4 Pro vs Kimi K2.6 vs Qwen 3.7 Max vs MiniMax M3
深度求索 DeepSeek
DeepSeek V4 Pro
DeepSeek Harness 插件社区
DeepSeek V4 Pro & Harness
阿里 Qwen
Qwen 3.8 Max丨Qwen 3.8 Flash
Qwen 3.7 Max丨Qwen 3.6 Plus
字节跳动
豆包2.1 Pro
Seedance 2.5 vs 可灵 3.0
Minimax H3 vs Seedance 2.0 Fast
WorkBuddy vs 豆包工作 vs 千问办公
更多测评
点击查看更多30篇测评
精彩评论