7700 亿参数"转正"：Hy4 到底升级了什么
11 月 4 日，腾讯混元正式发布了新一代旗舰大语言模型 Hy4。这不是一次例行的版本号递增：Hy3 系列参数规模不足 3000 亿，而 Hy4 系列一口气来到 7700 亿，并采用混合专家（MoE）架构；相比今年 8 月发布的 Hy4 preview，正式版显著扩展了预训练与后训练的数据规模和训练规模。自今年 2 月重建基础设施以来，混元保持着平均每两个月推出一个大版本的节奏，先以 preview 形式开放、再依据反馈打磨正式版，Hy4 正是这一节奏下的最新成果。
能力面上，Hy4 最受关注的变化是第一次"开眼"——原生视觉理解能力首次进入 Hy 旗舰序列。借助视觉理解、推理与工具调用的组合，Hy4 可以完成细粒度图像处理、复杂图表分析和数学视觉推理等任务，用户上传一张随手拍摄的照片，它就能尝试确定地理位置并核实信息，或者把一张课本图片变成可交互的 3D 讲解网页。与此同时，Hy4 首次支持电脑操作（Computer Use），能够结合命令行与图形界面处理工作和生活中的各类任务，并针对 Blender、CAD 等专业软件以及跨应用长程任务开展了专项训练，重点提升专业任务的规划与执行能力。
另一个信号是模型与产品的深度协同设计（Co-Design）。腾讯方面表示，伴随上下文学习能力的持续提升，Hy4 正在成为"长期个人助理"：接入企业微信套件后，它可以连通聊天记录、邮件、文档、日程与会议等日常工作信息，在多个项目并行时理清推进历史、识别待跟进任务、临近截止的事项，并及时提醒用户安排优先级。模型能力与产品场景互相定义，已经成为混元这条产品线的明确打法。
抢先实测：看图编程、操作微信、3D 建模
从提前拿到内测资格的媒体实测来看，补齐原生视觉是 Hy4 最实质的变化，它直接改变了编程、3D 建模等任务的交互方式。在网页改造任务中，测试者把官网链接和参考设计一并交给 Hy4，它会先阅读 HTML 代码熟悉结构骨架与样式基因，再通过截图确认版式比例、视觉重心与色彩气质；进入修改环节后，可以直接截图把想改的地方"指"给模型看，不必费力用文字描述布局与配色，小修改大约 1 至 2 分钟即可完成，思维链也比 preview 版本更简洁。
更重的任务同样过关。在一项 Blender 3D 建模实测中，测试者给出腾讯经典企鹅的二维图片，要求打造 3D 模型并预留屏幕嵌入位，Hy4 用 17 分钟交付了初版，红围巾、圆肚皮、嵌入位都在，还在未被要求的情况下主动加入了 USB-C 开孔、扬声器开孔与内部装配参考件；此后经过 6 轮截图改稿，还原度持续提升，且全过程没有出现"越改越偏"。这场任务用掉了约 50 万上下文窗口，Hy4 始终记得最初的目标——对需要长链路执行的 Agent 类产品来说，这种目标保持能力十分关键。短板同样真实：它的几何自检不错，但视觉自检偏弱，参考图里白色竖椭圆的眼睛，直到放大 4 倍、8 倍后才看清改对。
办公场景的测试则更接近"打工人"日常。让 Hy4 基于 SpaceX 官网的 Q3 财报物料生成介绍 PPT，它遇到 PDF 下载极慢时选择绕道 SEC 官网获取同源全文，遇到地域封锁时没有编造内容，而是检索补充信息并在回答中注明限制，约 30 分钟完成初版；被指出文字太密后，它又调用截图工具把财报中的视觉素材融入设计。电脑操作方面，让 Hy4 操作微信电脑版自动发布评论已经可以完整跑通，定位精准但速度偏慢；让它在微信群里"爬楼"总结工作消息，2 分钟左右就能输出包含清晰时间点的摘要，连图片里的修改意见都能识别。
考场换到真实生产力：金融众测开源第一
跑分之外，混元这次把考场直接搬到了真实生产力场景，金融是最硬的一场。混元联合腾讯金融科技 FiT 组织了 213 位专家开展金融众测，其中 153 位来自外部头部金融机构，七成拥有五年以上工作经验；基于 579 个真实金融任务的众测结果显示，Hy4 综合得分 3.04 分，位居开源模型第一，对比 Kimi K3.1 Pro 的 2.68 分、GLM-5.3 的 2.68 分和 DeepSeek-V4.1-Flash-1017 的 2.97 分。这些任务覆盖基金研究、证券分析、量化策略、资产配置、公司金融、财税会计等方向，模型需要学习的是专业流程与规范，而不是答题技巧。
办公侧的官方数据同样具体：Hy4 在 WorkBuddy 场景的平均效果得分 83.18 分，任务通过率 96.15%，12 个场景中 9 个排名国内第一；自建测试中的幻觉率从 preview 阶段的 15.76% 降至 5.45%。游戏开发场景针对复杂交互、业务逻辑、状态管理与前后端联动做了专项优化，与腾讯 IEG 专业游戏开发者合作持续打磨，GameDev 与 GameLogic 评测分别较 preview 提升 19.1% 和 9.8%，并实现了对 UE、Unity、Godot 等主流引擎的深度适配。当然，腾讯也没有回避差距：Hy4 目前与顶尖闭源模型仍有明显距离，尤其在前沿数学、长程开发、模型迭代等高难度内部测试集上，官方承诺将持续稳健地扩展预训练和后训练规模。
为 RSI 铺路：20.1% 吞吐提升与昇腾生态先行
如果说能力评测展示的是"现在时"，基础设施层面的动作指向的则是"将来时"。腾讯披露，结合自研科研智能体 Hyra 2.0，Hy4 自主定位了预训练系统中的性能瓶颈，并围绕多个方向开展多轮基础设施优化，最终实现端到端训练吞吐提升 20.1%，还自动训练出在多项评测中表现优于官方版本的同架构小模型 Jev——这正是为递归自我改进（RSI）做的准备：让模型参与优化训练自己的系统。
科研场景的产出也已开源。借助 Hyra 2.0，Hy4 研发了仅 1600 万参数的单细胞表征基础模型 HyCell，以约 1/14 的参数量在 7 个未参与训练的细胞图谱上达到与当前 SOTA 模型 Stack 相当的综合性能，并取得参评模型中最高的平均生物学保真度得分；在物理场建模方向研发的 HyPDE，在 13 个物理仿真数据集上分别有 9 个、10 个、8 个数据集取得低于 SOTA 模型 Walrus 的单步、短期与长期预测误差。在涵盖 7 大学科、123 项可执行研究任务的 TenureTrail 内部评测中，Hy4 同样位居开源模型第一。
国产算力生态的联动几乎与发布同步。11 月 2 日，适用于昇腾 NPU 的 vLLM-Ascend 开源插件仓库就新增了名为"Add Hy4 deployment guide"的提交，涉及 Hy4 在昇腾 950DT 上的单节点、多节点与 PD 分离部署；腾讯还联合 vLLM、SGLang 社区以及 Inferact Inc. 为 Hy4 提供开源生态支持。7700 亿参数的 MoE 模型要把权重开放出来只是第一步，真正考验的是云平台、算力集群与工程化服务能否让它稳定、经济地跑起来。
同一天的另一场考试：OpenAI 用 LifeVal 重新定义"AGI 考分"
就在 Hy4 正式发布的同一天，OpenAI 抛出了一份酝酿已久的"新考卷"——LifeVal，并附上一篇 16 页论文。这是全球第一个"个性化代理消费者任务"基准：它不测做题，只测"办事"。为了搞清楚人类到底最需要什么帮助，OpenAI 团队翻阅了美国劳工统计局的《美国时间使用调查》与多国时间使用研究，覆盖 25 个国家，随后对 3800 多名符合美国人口普查分布的真实消费者开展"支付意愿"问卷调查，最终筛选出 148 个高价值生活任务——从找保姆、搞定退税、规划跨国搬家，到洪水前管理志愿者团队、为确诊糖尿病的父母准备餐食。
这些任务的价值可以被量化：论文测算，如果交给一个完美的超级助理来完成，美国消费者每年愿意为此支付的钱高达 1.7 万亿美元，约等于韩国一年的 GDP 总和。测试形态也完全不同：LifeVal 会接入用户真实的 ChatGPT 历史对话与个人记忆档案，AI 必须从"记忆抽屉"里翻出过敏史、家庭状况来量身定制方案；同时在强化学习环境（RLE）中，AI 要自己打开浏览器、登录网站、筛选信息、填写表单并生成 PDF 报告。为防止作弊，OpenAI 部署了两套由 GPT-5.6 驱动的评分 AI——一套核对任务是否被真实完成，一套专抓"利用后台代码走捷径"，外加至少三轮人类专家交叉审核。
论文第 7 页还首次公开了 GPT-5.2、5.4、5.5、5.6 与 GPT-6 Astra 的 LifeVal 跑分。数据揭示的曲线相当陡峭：早期的 GPT-5.2 是唯一会因 Token 耗尽而任务失败的模型，到 GPT-5.4 和 5.6，随着电脑使用、浏览器使用与连接器上的密集训练，成功率直线飙升；目前"最对齐"的 GPT-6 Astra 面对高隐私上下文、跨网页复杂操作时表现最稳，但最大痛点依然是给出错误的信息或建议——如果把用户的附加任务背景删掉，表现立刻断崖式下跌。奥特曼则在同期推文中强调："人们应该永远掌控未来。"
还有几条值得记录的新动向
模型发布与基准更迭之外，这一两天的产品与工具层也有若干动静。OpenAI 确认收购 Pierre Computer 团队，其背后的 Code Storage 产品将为 Codex 带来一个原生的、基于 Git 的代码托管"家"，Codex 的版图从写代码延伸到管代码；开发者工具侧，Vercel Labs 开源了 agent-desktop 1.1，让任何 AI 智能体不靠像素匹配就能查看并点击原生桌面应用，Anthropic 则连续更新 Claude Code 至 2.1.317 与 2.1.318 版本，带来网关成本报告、登录过期提醒等改进。
评测与研究侧，英伟达与得州大学奥斯汀分校联合发布了 Realtime-Bench，把"实时互动任务"设为新考场，首批结果连 GPT-6 都被难住——大模型能看懂复杂网页结构，未必跟得上真人节奏的互动。零样本方向则出现了新玩家 Liber-0，其核心卖点是用约 220 万小时人类经验来拓展零样本泛化的边界，测试内容从 GPT 式的考题延伸到"点一杯奶茶"这样的日常事务，与 LifeVal 的"办事"思路形成有趣的呼应。
观察：当参数不再稀缺，"办事能力"成为新的度量衡
把 Hy4 与 LifeVal 放在同一天阅读，一条清晰的行业线索浮出水面：大模型竞争的度量衡正在从"参数规模"切换到"办事能力"。Hy4 用 7700 亿参数、原生视觉与电脑操作回应的是同一件事——模型要能看界面、能动手、能在长程任务里记住目标；LifeVal 则干脆把"帮用户找到靠谱保姆"写进了基准，并给这类能力标出了 1.7 万亿美元级市场的价签。当"最强模型"的定义从会做题变成会办事，训练数据、产品场景与工程体系的权重都会随之上升。
对国产模型而言，Hy4 的"转正"还有一层样本意义：开源第一梯队已经站稳金融众测、办公、游戏开发等真实场景，与顶尖闭源的差距被官方明确标注在前沿数学与长程开发等领域，追赶路径是继续加码预训练与后训练规模。接下来值得关注的至少有三件事：Hy4 开源权重何时落地、以性价比为卖点的 Hy4 Flash 何时登场，以及 LifeVal 这类"办事"基准会不会像此前的跑分一样，实质性改变模型进化的方向。可以确定的是，考场已经换题，而考生们都还没交卷。
暂无评论内容