发布仅数日，Hy4 的市场表现便显现出强劲势头。据媒体 11 月 9 日统计，Hy4 首周以约 12.8 万亿 Token 的调用量跻身 OpenRouter 周榜第四，仅次于 DeepSeek 和智谱旗下模型。同期，Kimi K3.1 Pro 以约 4.37 万亿 Token 调用量排名第九。

对于长期被视为在大模型基础竞争中稍显迟缓的腾讯而言，这一成绩颇具标志性意义。自去年底姚顺雨加入并主导团队整合与基础设施重建以来，腾讯大模型迭代显著加速：从今年 4 月的 Hy3 preview、7 月的 Hy3 正式版，到如今宣称跻身全球最强开源模型行列的 Hy4，进步轨迹清晰可见。

Hy4 的核心突破在于首次引入了视觉理解与电脑操作（Computer Use）能力。模型不仅能解析屏幕内容，还能通过命令行和图形界面直接操控软件，并针对 Blender、CAD 等专业工具及跨应用长程任务进行了专项训练。

然而，调用量的飙升并不完全等同于基础能力的绝对领先。在 Artificial Analysis 的综合智能指数中，Hy4 得分为 35 分，与 Kimi K3.1 Pro 的 46 分仍有差距。

但在实际任务测试中，结果却呈现出另一番景象。在一项要求制作可交互 3D 四缸发动机教学网页并自行检查功能的测试中，Hy4 耗时 44 分 11 秒，比 Kimi K3.1 Pro 的 1 小时 12 分 39 秒快了近半小时，且自主修复了页面遮挡等问题，通过了 55 项自动化检查。

综合榜单落后 11 分，实际交付效率却大幅提升。腾讯混元的进步究竟体现在何处？

注：WorkBuddy 为腾讯旗下产品，Hy4 对此类场景有专项优化，因此本次测试主要反映特定工作流下的效能，而非纯粹的基础模型能力对比。

这一案例揭示了一个关键趋势：当 AI 具备代码生成、界面操作、问题发现与自我修正的全流程能力时，模型竞争力的衡量标准正从单一指标向任务完成效率转变。

01 对比评测：一道四缸发动机题，考验 AI 能否交出可操作的课堂工具

本次测评设定了一个具体场景：让模型扮演机械教师，设计并交付一个用于讲解四冲程发动机原理的交互式 3D 网页。任务要求涵盖模型构建、动画演示、交互控制及自我验收。

测试环境预装了 Blender 和 WorkBuddy，并要求模型使用 Three.js 程序化几何体构建模型，将浏览器纳入验收流程。

Hy4 交付成果分析

Hy4 生成的网页采用深色背景教学台风格，四个气缸从左至右排列，右侧面板实时显示各气缸冲程、活塞方向与气门状态。在 0° 初始状态下，1 缸处于做功冲程，其余三缸依次处于排气、压缩和进气状态。

Hy4 制作的发动机原理拆解系统初始状态（0°）

随着引擎运转，活塞与连杆同步运动。Hy4 设计了丰富的控制栏，支持播放、步进、角度滑块及速度选择，方便教师在任意位置暂停讲解。

Hy4 制作的发动机原理拆解系统不同运行状态

整体而言，Hy4 的交付物将核心部件与工作状态集中呈现，配合多维度的控制入口，较好地满足了教学演示需求。

Kimi K3.1 Pro 交付成果分析

Kimi K3.1 Pro 采用 Three.js + Vite 技术栈，体现了其在代码工程领域的专业性。页面布局上，中央为演示区，右侧卡片显示四缸状态，下方为控制栏。初始状态逻辑与 Hy4 一致。

Kimi K3.1 Pro 制作的发动机原理拆解系统初始状态（0°）

Kimi 同样实现了部件联动与控制功能，但相比 Hy4，其界面更侧重于代码结构的规范性，而在知识细节的直观呈现上略少。

Kimi K3.1 Pro 制作的发动机原理拆解系统不同运行状态

后台运行数据对比

后台运行数据对比分析

数据显示，Hy4 发起 97 次模型请求，工具调用 96 次；Kimi 发起 106 次请求，工具调用 110 次。在 Token 消耗上，Kimi 更为节省（输入约 938 万，输出约 4.71 万），而 Hy4 输入约 1392 万，输出约 13.33 万。但在时间成本上，Hy4 以 44 分 11 秒显著优于 Kimi 的 1 小时 12 分 39 秒。

结论表明，现阶段两款模型均能胜任此类复杂办公任务，难分伯仲，但 Hy4 在特定工作流下的执行效率更具优势。

02 WorkBuddy+Hy4 双子星：模型思考，Agent 操作浏览器

在上述测试中，模型负责逻辑理解与代码生成，WorkBuddy 则作为执行环境，连接文件、命令行与浏览器。这种“模型+工作台”的组合，使得任务从生成到验收形成了闭环。

尽管在 Artificial Analysis v5.0.1 榜单中，Hy4 综合得分 35 分（Kimi K3.1 Pro 为 46 分，Deepseek V4.1 Flash 1017 为 33 分），但在腾讯内部评测中，Hy4 在 WorkBuddy 场景下平均得分 83.18 分，通过率 96.15%。在涉及 213 位专家、579 项真实金融任务的盲测中，Hy4 综合得分 3.04/4，高于 Kimi 的 2.68/4，显示出其在办公与垂直场景的潜力。

Hy4 在 AA 榜单中处于全球大模型前沿位次

腾讯官方公布的 Hy4 评测结果

在实际操作中，WorkBuddy 能够模拟用户行为：打开网页、点击控件、切换视角等。测试中出现窗口尺寸变化导致坐标点击失效的情况时，WorkBuddy 能自动切换为页面元素点击策略，展现了较强的容错与适应能力。

Hy4 针对专业软件和长程任务的专项训练效果显著。在浏览器验收环节，Hy4 自主发现图例遮挡、提示遮罩等问题，调整布局并编写自动化脚本，完成了 55 项基于浏览器的功能检查。这种“可观察、可调整”的能力，预示着 AI 代理将在产品测试等领域释放新的生产力。

03 从 Hy3 到 Hy4，腾讯的 Agent 组合走向真实任务

回顾腾讯混元的发展路径，2026 年初重建基础设施，4 月发布 Hy3 preview 并接入 WorkBuddy、CodeBuddy 等产品，通过真实调用反馈优化模型。7 月 Hy3 正式版发布，标志着腾讯重回竞争前列。

Hy4 在此基础上进一步升级，将视觉理解与电脑操作内化为模型本体能力。输出形态从文本、代码扩展为“在屏幕上完成任务”。WorkBuddy 作为落点，整合了文件、命令行和浏览器，使得模型的判断能被即时执行、验证和修正。

海外社区对此高度关注，开发者不仅关心权重开放与本地部署门槛，更看重这套能力在实际工作流中的可用性。从绘制 3D 键盘到生成附带财务模型的研究报告，任务越贴近真实工作场景，模型与工作台的协同价值就越凸显。

此次交付的可运转四缸发动机网页只是一个开端。未来，面对软件报错、界面遮挡等突发状况，AI 能否自主应对并交付可用成果，将成为衡量其智能化水平的关键标尺。