混元涨分靠的不是训练，是装了几百个软件

同一个模型，两张方向相反的榜。腾讯混元 11 月 4 日发布 Hy4 正式版，电脑操作那栏 78.9 分，甩开 GPT-6.1 Sol；终端干活那栏 44.4 分，落后 Claude Opus 5.5 的 66.4，差 22 分。同表 DeepSeek 4.1 只有 40.0——终端是开源阵营共同短板。

　　▍事件原因：官方这次没重报参数，770B 总参数、49B 激活、1M 上下文仍是 8 月 preview 那组数字，底座没换。变化在训练环境——混元跟腾讯云 Agent Runtime 团队搭了沙箱，部署数百款应用软件，模型在里面反复执行、反复验证、跑错了重跑。官方没说这是唯一原因，但这是唯一变量。

　　▍最反直觉的一点：操作电脑的能力不来自更大的模型，来自沙箱里装了多少真实软件。

　　▸ 图2：沙箱训练场怎么搭的
　　▸ 图3：三张基准榜对照
　　▸ 图4：价格没动，单任务成本差 62%
　　▸ 图5：今天能做什么，五条硬边界

　　▍信息留存区
　　▸ 文档：hunyuan.tencent.com/research/hy4
　　▸ 价格：输入 6 / 输出 18 / 缓存 0.3（每百万 token）
　　▸ 优惠：TokenHub 12 月底前 5 折
　　▸ 尺寸：770B 总参，49B 激活，1M 上下文
　　▸ 电脑操作：OSWorld 2.1 得分 78.9
　　▸ 终端干活：Terminal-Bench 4.0 得分 44.4
　　▸ 对比 DeepSeek 4.1：终端 40.0，电脑 68.4，权重已放（MIT）
　　▸ 开放状态：权重与许可未落地

　　▍反面证据
　　▸ 基准数字全来自腾讯自测，第三方未复现
　　▸ 「开源最强」只是承诺，权重未落地；DeepSeek 已放 MIT 权重
　　▸ 幻觉率两个口径：7.2% 与 5.45%
　　▸ 电脑操作只排第三；34 项里 20 项是内部基准

　　当模型的上限越来越由训练环境决定，你的 Agent 团队缺的是哪块沙箱？