腾讯发布混元 Hy4:首次加入视觉理解与电脑操作，"最强开源"的权重却还没放出来

Fri, 06 Nov 2026 00:00:00 +0000

摘要

2026 年 11 月 4 日，腾讯发布混元 Hy4 系列模型，官方稿件里的表述是"首次跻身全球最强开源模型之列"。这句话有两个关键词需要拆开看：一个是"开源"，一个是"之列"。

先说能力。Hy4 是混元系列第一次同时具备视觉理解与电脑操作（computer use）能力的版本，并且在 Blender、CAD 这类专业软件上做了针对性训练。预览版在 Hugging Face 上披露的规格是 770B 总参数、49B 激活参数、100 万 token 上下文。

再说开源。权重没有发布，也没有给出发布时间表。 正式版的架构细节与许可证协议同样未公布。这让"最强开源模型"这个说法在发布当天处于一个尴尬位置：能力可以先对标，开源的承诺还在路上。

基准数据的另一面也需要看清楚。腾讯列出的 34 项评测里有 20 项是内部自测，多数竞品分数由腾讯自己跑。在编程与数学这两类最硬的指标上，Hy4 的落后幅度不小：Terminal-Bench 4.0 得 44.4，Claude Opus 5.5 是 66.4；ProgramBench 得 30.0，Claude 是 56.5；数学基准 Hy-FrontierMath T5 只有 13.0，GPT-6.1 Sol 是 97.5。

腾讯自己在稿件末尾承认，与顶尖闭源模型"差距仍大"。这句自评，比前面所有的"最强"都更值得记住。

事件背景

混元系列过去两年的路线一直是"开源换生态"。从 Hy2 到 Hy3，腾讯持续放出中小尺寸权重，靠开发者口碑积累调用量，同时把旗舰能力留在云端。这条路走得很稳，但始终缺一个"能上桌对打"的旗舰。

2026 年的开源格局已经变了。DeepSeek 用极致性价比把开源模型的天花板顶上去，Kimi 在 Agent 与长上下文方向连续加码，Meta 的开放权重路线虽然摇摆，但体量仍在。腾讯需要一个能被写进"全球最强"名单的模型，哪怕只是在部分维度上。

Hy4 就是这个节点上的产物。它要解决的不是"能不能用"，而是"能不能被当成第一梯队来讨论"。所以发布稿的结构很典型：先用几个领先分数建立印象，再用大规模内部评测堆出厚度，最后用价格和生态接入说明"现在就能用"。

但权重缺席这件事，把整场发布变成了一个半成品。对开源社区来说，没有权重就没有可验证性；对企业客户来说，没有许可证就没有合规判断依据。

核心技术解析

技术架构

从公开信息看，Hy4 是 MoE 架构的多模态模型，视觉理解与电脑操作共用一套感知—决策—执行链路。这与上一代只能处理文本和图像理解的版本相比，是结构性的扩展：模型不只要"看懂屏幕"，还要"在屏幕上操作"。

  graph TD
    A[混元 Hy4 基座] --> B[视觉理解]
    A --> C[文本与代码]
    A --> D[电脑操作 Computer Use]
    B --> D
    C --> D
    D --> E[屏幕元素定位]
    D --> F[操作序列规划]
    D --> G[执行与失败回滚]
    E --> H[专业软件场景 Blender / CAD]
    F --> H
    G --> H
    A --> I[腾讯云 TokenHub]
    A --> J[CodeBuddy / WorkBuddy / 元宝 / ima]
    A --> K[OpenRouter / Hermes / OpenCode]

这张图里最关键的是中间那条竖线：视觉理解不是独立能力，而是电脑操作的前置输入。OSWorld 这类基准考的就是这条链路——模型要看懂界面、找到可点击的控件、规划多步操作、在失败后回退。

关键创新点

第一，电脑操作首次进入混元主线。 上一代混元的定位是"能理解图片的对话模型"，Hy4 的定位是"能操作软件的智能体"。这个转变意味着训练数据从图文对扩展到完整的操作轨迹，包括界面状态、动作序列和结果反馈。

第二，专业软件场景的针对性训练。 官方提到 Blender 与 CAD 的训练。这类软件的特点是界面复杂、快捷键密集、没有统一的语义结构，通用界面数据几乎覆盖不到。针对它们做训练，等于绕开了通用基准，直接在垂直场景里建能力。

第三，幻觉率的大幅下降。 腾讯给出的口径是幻觉率从 15.76% 降到 5.45%（另一处表述为 12.95% 降到 7.2%），因"无依据假设"导致的错误从 23.1% 降到 5.6%。两个口径不一致本身是个小瑕疵，但趋势方向一致，且降幅在同类模型里属于显著。

第四，金融场景的盲评设计。 579 个任务、213 位专家（含 153 位外部专家）的双盲评测中，Hy4 得分 3.04，高于 DeepSeek-V4.1-Flash 的 2.97 和 Kimi K3.1 Pro、GLM-5.3 的 2.68。这场评测没有闭源模型参与，所以它证明的是"在国产开源阵营中领先"，而不是"全球领先"。这两种结论差别很大。

第五，防御性安全训练。 训练数据只包含防御性安全内容（PoC 生成、漏洞修复），剔除利用、逆向与渗透内容，并由玄武实验室与科恩实验室做攻击风险评估。在生物维度上，Hy-BioExperimentBench 得分 30.4/100，处于较低水平。

性能评测

基准	Hy4	Claude Opus 5.5	Kimi K3.1 Pro	GPT-6.1 Sol	备注
OSWorld 2.1	78.9	81.8	79.6	75.2	电脑操作，接近第一梯队
Terminal-Bench 4.0	44.4	66.4	66.8	55.5	终端任务，差距明显
ProgramBench	30.0	56.5	—	—	编程能力，约为对照的一半
Hy-FrontierMath T5	13.0	91.3	—	97.5	腾讯自测数学基准
ProofBench	5.5	42.2	—	70.5	证明题，落后幅度最大
APEX-Agents v1.1	75.2	74.8	—	—	腾讯自跑，仅小幅领先
金融盲评（3 分制）	3.04	未参与	2.68	未参与	213 位专家、579 任务
幻觉率	5.45%	—	—	—	上一代 15.76%
无依据假设错误	5.6%	—	—	—	上一代 23.1%

这张表最有信息量的地方不是 Hy4 赢在哪，而是它在哪输得最惨。OSWorld 上 78.9 对 81.8，差距 3 分，属于可接受区间；ProgramBench 30.0 对 56.5，差距接近一倍；Hy-FrontierMath T5 的 13.0 对 97.5，几乎是量级差距。这说明 Hy4 的能力分布非常不均衡——“会操作界面"和"会做数学证明"在它身上是两种完全不同的水平。

价格方面，Hy4 维持每百万输入约 0.90 美元、输出 2.70 美元、缓存输入 0.045 美元；在 OpenRouter 上打五折后是输入 0.417、输出 1.251 美元。目前只有腾讯云一个 provider，没有欧盟区内路由选项，这对有数据驻留要求的企业是个硬约束。

行业影响

对市场的影响

对国产开源阵营来说，Hy4 的价值在于把"电脑操作"这项能力拉进了开源竞争清单。此前的开源模型大多在文本、代码、数学上做对标，界面操作基本是闭源模型的领地。Hy4 把这个维度摆上桌，会迫使其他厂商跟进。

对腾讯自身，这是一次生态卡位。模型同时在腾讯云 TokenHub、WorkBuddy、CodeBuddy、元宝、企业微信 AI 助理（大圆）、ima 上线，API 侧接入 OpenRouter、Hermes、OpenCode。这种"自家产品全铺 + 第三方平台并行"的打法，说明目标不是卖模型，而是把调用量沉淀到腾讯的办公与开发工具链里。

对开发者的意义

短期最实际的问题是：你现在拿不到权重。 想本地部署、想做微调、想验证量化后的表现，都得等。能用的只有 API。

对做 Agent 的开发者，Hy4 的电脑操作能力有现实吸引力。OSWorld 78.9 意味着它在界面操作任务上已经接近可用水平，配合低单价，做多步 GUI 自动化的成本会比调用闭源模型低不少。但要留意 Terminal-Bench 只有 44.4，涉及命令行与复杂工程流程的任务，它并不擅长。

商业化前景

定价策略很清楚：用接近 DeepSeek 的价格，卖一个能力更宽的模型。0.90/2.70 美元的价格带，加上缓存输入 0.045 美元，针对的是高频、长上下文的企业场景。

风险有两处。一是交付风险——权重承诺如果长期不落地，“开源"标签会反噬口碑。二是能力不均衡带来的错配：客户如果按"全球最强"的预期采购，在编程与数学场景会明显失望。腾讯自己在稿件里承认差距，某种程度是在提前管理预期。

实际体验

需要说明的是，本次发布未开放权重，笔者无法做本地实测，以下判断基于官方数据、Hugging Face 预览版规格与第三方评测口径，不构成实测结论。

第一，把"最强开源"拆成三句话来读。 第一句：在电脑操作这一项上，它确实进了第一梯队（OSWorld 78.9，仅次于 Claude 的 81.8）。第二句：在编程与数学上，它落后顶级闭源模型一大截。第三句：权重还没发布。三句话合起来，“最强开源"是一个有条件的、待验证的说法。

第二，评测口径需要打折。 34 项基准里 20 项是内部自测，多数竞品分数由腾讯自己跑。这不是说数据造假，而是说复现性有限——第三方无法独立验证对手分数的跑法是否与自家一致。金融盲评那场做得比较规范（213 位专家、153 位外部、双盲、无闭源参与），但结论范围是"国产开源阵营内领先”。

第三，幻觉率的口径不一致值得留意。 15.76%→5.45% 与 12.95%→7.2% 是两组不同的数字，出现在同一份发布材料的不同位置。降幅都是显著的，但具体到哪个口径，采购决策时应该问清楚。

第四，专业软件训练是个聪明的切口。 Blender、CAD 这类场景的好处是没有公开基准，也就没有直接对标。它既是真的能力建设，也天然回避了被比较的压力。对做设计、工程类 Agent 的团队，这是值得关注的差异化。

优势与不足

优势:

首次在混元主线引入视觉理解与电脑操作，OSWorld 2.1 得 78.9，进入第一梯队区间
针对 Blender、CAD 等专业软件训练，垂直场景有差异化
幻觉率与无依据假设错误大幅下降，输出可靠性明显改善
定价维持每百万输入 0.90 美元、输出 2.70 美元，OpenRouter 五折后更低
生态接入密集，腾讯云、办公工具、第三方平台同步上线
防御性安全训练与低生物风险评分，合规侧包袱较轻

不足:

权重未发布且无时间表，“开源"承诺尚未兑现
ProgramBench 30.0 对 Claude 56.5，编程能力约为对照的一半
Hy-FrontierMath T5 仅 13.0，数学与证明类任务几乎是空白
34 项基准中 20 项为内部自测，第三方复现性有限
仅腾讯云一个 provider，无欧盟区内路由，数据驻留受限
官方自承与顶尖闭源模型差距仍大，能力分布严重不均衡

总结与展望

混元 Hy4 是一次"能力先到、承诺后到"的发布。它在电脑操作这个新维度上确实拿出了能打的数字，在幻觉控制上也有实质进步，价格策略对开发者友好。但它同时暴露了两个短板：编程与数学能力的硬差距，以及开源承诺的悬空。

接下来有三个观察点。一是权重什么时候放、以什么许可证放——这决定了"开源"是真命题还是营销词。二是 OSWorld 之外的电脑操作真实表现，尤其是长流程、易出错的企业软件场景。三是欧盟区内路由什么时候补上，这直接影响它在合规敏感市场的可售性。

对开发者来说，最理性的姿势是把它当成一个"便宜的 GUI 自动化选项"来评估，而不是当成"全球最强开源模型”。前者现在就能验证，后者还需要等权重落地。

参考来源:

Tencent launches Hy4, joining the ranks of the world’s leading open-source AI models — Tencent

Hy4 on 有鱼智界 | 森林有鱼