腾讯混元Hy4发布:首次加入视觉与电脑操作

开源模型的分水岭，不是参数规模，而是它开始能看见屏幕并且动手操作。

11月4日，腾讯混元发布Hy4正式版，相比此前的preview版本扩展了预训练与后训练规模，首次把视觉理解和电脑操作放进同一个模型。

01 从会写走向会看会点

Hy4最值得注意的变化不是分数，而是它首次同时具备视觉理解能力和电脑操作支持，能做细粒度图像处理、复杂图表分析和数学视觉推理。

图1：视觉理解与操作能力结合的模型 · 来源：AI生图

官方给出的评测增量里，GameDev提升19.1%，GameLogic提升9.8%，这两个基准恰好都指向需要看画面再动手的任务类型。

长程智能体与指令遵循的提升同样被单独强调，模型评价的重点正在从一次问答，转向连续多步任务能不能收尾。

02 开源的不只是权重

Hy4将于近期开源模型权重，同时发布模型系统卡片，并把网络与生物安全风险列为开源推进时的重点关注项。

图2：权重开源与系统安全卡 · 来源：AI生图

系统卡片与安全声明同步出现，说明开源决策里已经包含了风险披露这一环，而不是把文件放到平台上让别人自己下载研究。

对做智能体的团队来说，权重可下载意味着可以做私有化微调，也能避开接口限流，成本结构可以自己重新算一遍。

03 视觉加操作意味着什么

当模型既能看懂屏幕又能发出点击与键盘指令，智能体就不再局限于文本接口，能直接接管一套已有的软件流程。

图3：智能体接管软件操作流程 · 来源：AI生图

这类能力的价值不在演示里点开几个按钮，而在于它能不能在真实业务里稳定跑完一条链路，比如在后台系统改一个字段。

真正的考验会落在长任务的失败率上，一次操作出错能不能自我纠正，比单点能力更能决定它能不能进生产环境。

🔥 今日互动

如果给你一个能看屏幕、替你操作软件的模型，你最想先把哪件重复劳动交给它？这些活现在是谁在做，做起来一天要花多少时间？

本文属于「国产突围」系列第 2 篇。

机器迷途每天早上 8 点更新，关注可连读这个系列。

---

本文由AI辅助创作，内容来源：腾讯混元官方发布页（腾讯官网2026年11月4日）、AIHOT 11月5日日报、量子位。