Hy4 preview上线！“在线考核”姚顺雨的新作业丨附实测案例

发布时间：2026-08-28来源：腾讯科技

文丨苏扬

编辑丨徐青阳

8月28日，姚顺雨又交作业了，这一次是混元Hy4 preview。

混元Hy4 preview，总参数770B，相比前一代产品Hy3 的295B，有了大幅度的提升。770B的Hy4 preview激活参数为49B，也同样实现了翻倍，并且实现了100万的上下文长度。

概括来说，Hy4 preview在尺寸、上下文长度、数据规模上进行了全面的扩展，“在代码、办公、科学等生产力任务上展现出卓越能力。”腾讯混元团队在新闻稿中透露。

智力代际跃迁

基于上述提升，Hy4 preview在包括Terminal Bench 2.1、DeepSWE等在内的12项基准测试中，在前一代Hy3的基础上，可以说实现了代际飞跃。

Hy4 preview基准测试表现

尤其是在聚焦终端命令行编程的Terminal Bench 2.1中，Hy4 preview拿下85.4的高分，与Hy3的分差拉到了14.6分，成功超越DeepSeek V4 Pro，并且与Claude Opus 5得分持平，跻身该项测试的第一梯队。

另外，在聚焦软件工程实战的DeepSWE测试中，Hy4 preview实现巨大跨越，从Hy3的28.0翻到64.3，逐步缩小与一线模型之间的差距。

也就是说，姚顺雨的新作业，不仅核心聚焦在“写代码、修代码”这件事情上，并且在提升幅度上，相比前代模型表现得非常激进。

腾讯混元团队透露，Hy4 preview 定位“为生产力而生”的模型。

在Toolathlon-Verified（工具调用马拉松）的测试中，拿到了74.1的高分，超越千问 3.8 Max、GPT-5.6 Sol等，并且逐步逼近Kimi K3和Opus 5。而在测试智能体一次性成功率的APEX-Agents（pass@1）中，Hy4 preview也拿到了37.1分，紧追37.2分的Kimi K3。

在腾讯内部组织的163名内部专家、203个WorkBuddy环境下工程任务的盲测中， Hy4 preview（均分2.99/4.00）略优于 GLM 5.3（均分2.92/4.00) 和 Kimi K3（均分2.94/4.00）。

如果我们把整个12项基准测试全部放在一起，你会发现一个现象：Hy4 preview每一项测试都不是最低的。要知道，它的总参数和激活参数也只有770B、49B，远不及上述第一梯队中的“竞争对手”。

这个角度看Hy4 preview的进步是巨大的。当然，进步没有掩盖现在preview版本的不足，比如多模态能力的缺失。现在，Hy4 preview还无法支持视觉，这需要在后续的正式版当中来补齐。

能力大幅提升，价格依旧维持在低水平。

“Hy4 preview 继续走普惠的高性价比路线。”腾讯混元团队表示。根据公布的价格信息，Hy4 preview 输入6元/百万tokens，输出18元/百万tokens，缓存命中0.3 元/百万tokens。

目前，Hy4 preview已经开源，并在WorkBuddy/CodeBuddy国内版及国际版、元宝、ima等腾讯产品同步首发，可直接通过产品体验，还可以通过腾讯云Tokenhub和OpenRouter接入API使用。

聪明且“慢热”

基准测试分数只能粗略反映能力，效果还要靠demo说话。

根据腾讯混元团队的介绍，在软件工程场景下，模型增强了长程开发任务的理解、规划、调试与验证能力，进一步提升前端开发的视觉审美和交互质量。

我们在WorkBuddy上接入了混元模型后，让它做了一个谷歌财报的页面，提示词为“我想做一个谷歌财报的页面，请你帮我设计一下，要求有财报的新闻稿，分季度的入口。”

虽然需求很明确，但提示词并没有强调数据从哪里找、页面如何布局，交互如何设计等等，所以这些问题都需要Hy4 preview自行解决。在经过17分钟的执行之后，它交付了一个结构清晰、文字、表格、图形都有的汇总页面，并且对一些核心数据做了注释和划重点。

谷歌母公司财报汇总页

关于数据的来源，它找的是SEC和谷歌的IR资料包，也就是说它是可以判断信源的可靠性的。并且还会对互联网上的报道进行交叉验证，然后运行工具来校验数据，最后都确认可靠的情况下，再去写代码。

Hy4 preview执行任务过程中的“思考”

也就是说，它做的并非某一项单一环节的工作，而是同时承担了研究员、前端工程师的角色。

腾讯混元团队还在新闻稿中表示，Hy4 preview在科学研究场景下，显著提升复杂科研问题的理解、推理与求解能力，模型在 AI 研发、分子动力学模拟、凝聚态物理、基础数学等各类场景中均有长足进步。

所以我也让它做了一款火星模拟器，除了拿不到火星的实体照片之外，基础的交互非常的清晰，包括核心的地标，对应的详细信息，以及特定的操作控件，比如图层、自转、时间等等，整个前端的效果非常超预期。

火星探索者模拟器。提示词：帮我参考google earth 制作一个火星的科普模型

火星模拟器升级成太阳系模拟器提示词：能否把太阳系的八大行星独立的模型都做出来，并且制作一个整个太阳系八大行星的模型，类似于分层的概念，我可以在八大行星中科普漫游，但要严格对照科学数据，尤其是比例，还是信息的准确性。

现在很多模型也都会强调自己的游戏开发能力，我们也测试了Hy4 preview的这项能力，让它做了一个限时收集的3D小游戏，从交付的结果来看，基本的操作交互都有，画面也是卡通风格，符合小游戏的调性。

但如果从整个游戏行业的水平来看，它还做不到所谓3A制作的能力。而且，让现阶段的模型来做3A作品，预期反而过高了。

企鹅岛小游戏。提示词：做一个可以直接玩的 3D 小游戏：玩家控制一只企鹅，在不断破裂和漂移的冰面上坚持 90 秒，同时收集鱼，躲避海豹。随着时间推移，冰面越来越少，游戏难度逐渐增加。要求：必须有明确的开始、失败、胜利和重新开始流程；有分数、倒计时和难度递增；玩家操作要有明显反馈，包括移动、碰撞、收集和受伤反馈；场景不能只是简单几何体堆砌，要有基本的视觉完整度；自行测试游戏是否真的可以从头玩到结束；如果环境支持游戏引擎，可以自行选择合适引擎完成。不需要先给我设计方案，直接做出可玩的版本。

不过，在多个demo的测试中，我们也发现Hy4 preview有些“慢热”，眼看要出结果了，但模型会反复的验证，导致给用户交付结果的时长过长，等待结果也是一个比较“煎熬”的过程。

腾讯混元团队表示，Hy4 preview是Hy4迭代的一个早期版本，预训练和后训练均仍有较大的提升空间，也有一些已知问题，如复杂任务的长思考和过度自我验证倾向。如同Hy3 preview，我们希望通过Hy4 preview的尽快发布获得广泛的真实反馈，从而显著提升Hy4正式版。

混元越来越快了

自2月重建基础设施以来，混元大模型平均每两个月迭代一次大版本。

除了Hy3 preview、Hy3和Hy4 preview，背后其实有大量外界看不到的基础设施、组织相关的工作。从这个角度来看，加入混元只有3个季度左右时间的姚顺雨，交作业的速度和质量是非常高效的。

这种进化的速度和节奏，来自于多方面。

Hy4 preview的新闻稿中，披露了一些模型“自进化”的案例。腾讯混元团队透露，Hy4 preview在自身研发的全链路过程中发挥了积极价值，首次参与训练方法、数据策略、评估体系和底层算子的自动优化。模型提出方案、运行实验并根据结果继续迭代，实验产生的代码、日志和反馈进入下一轮探索，形成初步的递归自我改进闭环。

而在模型和产品的协同当中，与WorkBuddy等产品的“Co-Design”（深度协同），是模型能力进化的关键，这其中还覆盖了与软件工程、游戏、金融、安全等顶尖腾讯专家的高质量数据共建。

模型的进化，强化Agent工具的“结果交付”能力。数据、产品协同，又为模型提供了养料，预留了充足的成长时间和空间，这是一个双向螺旋上升的过程。

更底层的基础设施建设上，腾讯也透露将继续加大投入，强化模型、产品与云基础设施的“增长飞轮”。财报显示，本季度腾讯研发投入同比增长35%，达到273亿元；资本开支528亿元，同比增长176%。

业绩会上，管理层也透露正在算力上进行大规模投入，“如果先用来自建模型、再用来开发应用、最后将算力对外出租的顺序推进，我们就能打造起一项极具规模的原生AI业务，这会带来非常可观的利润。”

模型“自进化”，产品、模型和数据协同，再加上基础设施等多方面的投入，成为Hy系列模型加速进化的关键要素，也正因为这一点，Hy4 preview的新闻稿当中还给了一个关键的暗示：按照这一节奏（两个月一次大版本），Hy4的下一版模型也将在近期陆续上线。