腾讯混元Hy4正式发布：跑分近乎全面领先，新增视觉与电脑操作能力

腾讯混元Hy4正式版终于落地。官方声称这是混元模型第一次跻身最强开源模型之列。相比预览版，Hy4进一步扩大了预训练与后训练的规模，并首次加入视觉能力，在指令遵循、长文本理解、长程任务处理和深度研究等维度均有明显提升。

从B站UP主整理的12项跑分来看，Hy4基本领先或持平DeepSeek^广告与Kimi，仅在Terminal Bench Science 0.1中大幅落后于K3.1 Pro，整体跑分进入国内第一梯队。

跑分解析：Agent亮眼，但高难度编程与科研仍是短板

官方跑分显示Hy4在Agent类任务上表现突出，这与当前行业对智能体执行能力的重视方向一致。不过UP主也直言，其在“高难度编程和科研能力上仍有明显短板”，并提醒“后续看实际使用体验吧，别又是一个刷分王”。

目前公开的只有官方跑分，第三方评测如Artificial Analysis和Arena的成绩尚未出炉。UP主放出的几组简单测试合集显示，实际体验“好像不如DeepSeek”，但仍需等待更权威的独立评测验证。

Terminal Bench Science 0.1 是一个面向科研场景的终端操作基准测试，要求模型在模拟的 Linux 终端环境中完成与科学计算相关的多步骤任务，例如安装依赖、运行脚本、解析实验数据等。它同时考察命令行熟练度、长程任务规划与错误恢复能力，因此常被用来衡量模型的 Agent 执行水平。Hy4 在该项上大幅落后于 K3.1 Pro，说明其长程终端任务中的稳定性与工具链使用仍有明显提升空间。

Artificial Analysis 与 Arena（即 LMArena） 是两个常被引用的独立评测来源。前者以标准化 benchmark 组合给出综合能力与价格效率排名，后者则依赖真实用户对匿名模型两两对比投票形成 Elo 式排名，更贴近主观使用体验。两者与官方跑分互为补充，可减少模型方在自选测试集上的选择性报告偏差。文章强调这两项第三方成绩尚未出炉，意味着当前对 Hy4 的判断仍以官方数据为主，需谨慎看待。

视觉能力首秀：复杂图表分析与数学视觉推理

Hy4首次引入视觉能力，可结合感知、推理与工具调用进行多模态处理，覆盖复杂图表分析和数学视觉推理等任务。这一能力也让Hy4的前端与游戏开发场景显著受益——视觉理解可以帮助模型更准确地解析界面布局与设计稿。

电脑操作能力：命令行与图形界面灵活结合

Hy4首次支持电脑操作，可以灵活结合命令行指令与图形界面视觉理解完成任务。这意味着模型不再局限于文本对话，而是能像人一样操作软件界面，为自动化办公、测试等场景打开空间。

科研实战：从数学猜想到生物成像重建

在与北京大学数学团队的合作研究中，Hy4成功找到了Mandace、Pinto、Villa Real猜想的反例，并进一步提出新的条件完善了该猜想，还对相关证明进行了形式化验证。

在小鼠胚胎三维重建任务中，面对699万个细胞的84张无序二维切片，且无专用配准工具、无细胞类型标注的情况下，Hy4也完成了任务。这两项案例说明其在长程科研任务上的潜力。

形式化验证 指将数学命题及其证明翻译为 Lean、Coq 等证明助手的可检查语言，由机器逐步验证每一步推理是否合法。它能排除人工证明中的隐含假设与笔误，但要求命题本身可被精确形式化。Hy4 对猜想相关证明进行形式化验证，表明其不仅能生成自然语言论证，还能产出可被证明助手接受的代码，这是评估模型数学严谨性的重要信号。

安全与定价：防守性数据训练，价格高于DeepSeek

安全方面，Hy4表示训练时只使用了防守性的网络安全数据，剔除了漏洞利用、渗透等攻击性内容，经安全专家审计，模型在网络攻击能力上没有展现出突出风险。生物安全方面，Hy4虽掌握较强基础知识，但将知识转化为可执行实验方案的能力有限，未发现其会显著降低实施生物化学危害行为的门槛。

定价上，Hy4每百万tokens输入6元、输出18元、缓存命中0.3元。UP主直言“这价格比DeepSeek贵太多了”，但估计实际体验差距不会太大，套餐性价比值得关注。

缓存命中定价 是 API 计费中的一种折扣机制：当请求的提示词前缀与近期请求高度重复时，服务端可直接复用已缓存的中间计算结果，从而以远低于正常输入的价格计费。Hy4 的缓存命中价为每百万 tokens 0.3 元，仅为正常输入价的二十分之一，适合长系统提示、多轮对话或固定文档反复查询的场景。对比价格时需结合实际缓存命中率，单看输入输出单价可能高估真实使用成本。

体验渠道与差距认知

腾讯WorkBuddy^广告已正式上线Hy4正式版，11月4日至11月15日限时免费体验，UP主提醒可能需要排队。

尽管Hy4已是目前最强的开源模型之一，但其与顶尖闭源模型仍存在较大差距，尤其在内测的前沿数学、长程开发、模型迭代、视觉问答等高难度测试集上。对于开发者而言，Hy4的价值在于开源可及性与新增的视觉、电脑操作能力，而实际体验能否匹配跑分，还需第三方评测和真实场景检验。