腾讯混元Hy4实测：从游戏广告吐槽生成游戏，并测试长任务能力

问AI · Hy4“许愿式编程”依托何种技术底座？

11月4日，腾讯混元发布最新一代大语言模型Hy4，同时宣布模型权重将于近期开源。

Hy4是Hy系列第一个引入视觉理解能力的模型，可以完成细粒度图像处理、复杂图表分析和数学视觉推理。

Hy4最大特点就是“长”。混元官方表示，相较于Hy4 preview，Hy4预训练和后训练上显著扩展了数据和训练规模，大幅提升指令遵循、长文理解、长程智能体等综合效果。

办公场景，Hy4在WorkBuddy的平均效果得分83.18分，任务通过率96.15%，12个场景里9个排名国内第一。金融场景，混元联合腾讯金融科技FiT找了213位专家做众测，其中153位来自外部头部金融机构，579个真实金融任务跑下来，综合表现位居开源模型第一。

前端与游戏开发场景，GameDev和GameLogic相比preview分别提升19.1%和9.8%。科学研究，TenureTrail内部评测覆盖7大学科、123项可执行研究任务。

并且在混元自建的测试中，幻觉率从preview的12.95%降到7.2%，猜测导致的错误率从23.1%降到5.6%。

此外，Hy4的定价和Hy4 preview相同，输入6元/百万tokens，输出18元/百万tokens，缓存命中0.3元/百万tokens。并且以低成本为主的Hy4 flash也将在近期发布。

本文除了实测逐一验证官方公布的各项核心指标，还专门尝试了当下热门的“许愿式编程”场景。实测中，我仅仅是跟Hy4吐槽了一下当前的游戏广告，它就为我专门开发了一款游戏。

对比Opus 5.5，长任务实测

正如官方新闻通稿描述的一样，Hy4多了视觉理解能力，也能执行长任务。所以我给了Hy4一张图片，并让它用JSPaint工具把这张图片给一笔一笔地画出来，并且还让它用视频的方式记录下来作画的过程。

提示词：

我最近迷上了绘画。请使用 Chrome 浏览器中的 JSPaint 工具，通过鼠标操作和笔触绘制出我给你的图像，并将整个绘制过程中的每一次鼠标动作和变化都记录成视频

原图：

Hy4生成效果：

相同提示词对比Opus 5.5：

整个生成过程时间为1个小时零31分钟。这道题目除了测试模型的视觉理解、长任务以外，还考验了模型是否能形成“视觉闭环”。

这是Hy4刚开始画的作品，画完之后它并没有提交，相反它开始仔细比对通过JSPaint画出来的作品和原图之间的差别。

随后Hy4开始对那些明显和原图有出入的地方进行细化，比如图片中的眼睛部分，最终成为了现在的样子。

这道题同样也考察了模型的“动手能力”，Hy4也是混元系列首次支持电脑操作（Computer Use）的模型，所以才能用JSPaint作画。

光是这样还不够，我又测试了Hy4在3D任务上的长任务能力。

提示词：

用Threejs在单个HTML里创建一座蒸汽朋克风格的钟楼，要求有完整可运转的内部传动系统。外部：石砖塔身（程序化生成砖块排列）、尖顶、四面钟盘内部（可通过按钮切换成剖面视图）：不少于12个不同大小的齿轮，按真实齿数比咬合，主发条带动整套系统；钟摆左右摆动，周期约2秒整点时，铜钟摆动，鸟群从塔顶飞出，蒸汽喷出（粒子系统）日夜循环：窗户在夜间亮灯,光线投射阴影提供时间加速滑块(1x～100x)

Hy4生成效果：

相同提示词对比Opus 5.5：

表面上看，这个测试看的是模型的3D建模能力，但实际上这是一道陷阱题，它考验的是模型的数学和推理能力。

提示词中的“按真实齿数比咬合”，得模型自己算出来。Hy4的推理结果是r=m·N/2、中心距r₁+r₂、ω₂=−ω₁·N₁/N₂。在这之后，模型还需要用齿槽相位公式，让一齿对一槽。并且由于题目要求“蒸汽风格”，就需要模型把这些数学结果换算成gl_PointSize的像素。

在Hy4的输出结果中，当鼠标放到齿轮上时，会显示出准确的数值。可是查看钟楼内部时如果发生视角变动，那么背景墙壁贴图就会发生闪烁。

相较之下Opus 5.5在这方面做得更好，但是钟表的位置出现了穿模。

既然谈到了Hy4的数学能力，那不妨就多聊聊。Hy4由于扩大了后训练规模，使得它的科学能力很强。于是我以火箭发射为题，要求Hy4全程自己推算结果，实现完整的火箭发射过程。

提示词：

设计一个能把 5 吨载荷送入 400 km 近圆轨道的三级火箭。给出各级的干重、燃料量、比冲、推力,考虑重力损失和大气阻力损失。用代码模拟发射全过程的高度、速度和过载曲线,并证明最终速度达到约 7.67 km/s。

Hy4计算结果如下：

相同提示词对比Opus 5.5：

这道题测试的是长程的闭环自洽能力。Hy4一开始也没有按照我给它的提示词直接干活，而是把提示词中的“证明最终速度达到约7.67 km/s”，变成了恒等式v_f= Δv_ideal − L_g − L_d − L_s。

基于此，再把恒等式的四项都变成积分量。这样下来，整个提示词就变成了一个自我校验闭环，只要用两条完全独立的计算是同一个末速度，那就说明仿真结果准确。

不过Opus 5.5最后还非常贴心地给出了物理仿真源码。

游戏与办公

腾讯官方表示，“视觉理解的引入也使Hy4的前端与游戏开发能力显著提升。我们对前端的复杂交互、业务逻辑、状态管理、前后端联动等方面进行了针对性优化，模型生成的界面不仅好看，并且功能完整可用。”

在游戏开发场景，Hy4与腾讯IEG专业游戏开发者合作，重点提升了功能实现、玩法逻辑、状态理解、资产处理等能力，实现了对UE、Unity、Godot等主流引擎的深度适配，并开始扩展至多人联机游戏开发。

这也是腾讯的老本行了，那实际测试结果如何呢？

提示词：

用单个 HTML 文件做一个类《吸血鬼幸存者》的割草游戏：玩家自动攻击，击杀掉落经验，升级时三选一技能（至少 12 种，可组合进化），5 种敌人和 1 个 Boss，波次难度递增，有存档和结算界面。不用外部素材，全部程序化绘制。

Hy4生成效果：

“幸存者”类游戏是前段时间的热门游戏类型，Hy4把这个关键词拆解成了状态机、空间网格碰撞、武器tick、绘制层、DOM界面和存档序列化。

而且除了基础的存档功能外，Hy4还给游戏加入了幸存者中常见的“局外增强”功能。我在提示词中并没有要求这个功能，但是增加这个功能以后，就可以让游戏变得更丰富。

提示词：

用 Canvas 或 WebGL 实现一个沙盘模拟：沙、水、油、火、木头、酸、植物等至少 10 种元素元素之间有反应规则（水加火产生蒸汽，酸腐蚀木头，植物吸水生长），支持画笔、橡皮和暂停。

Hy4生成效果：

这依然是一个陷阱题，一个能玩的“沙盘”，除了基础的物理规则以外，还必须有密度分层、寿命与相变、火焰贴住燃料、预设场景、暂停时的单步、笔刷与速度、响应式布局。

不过上述都至少有个明确的提示词，Hy4或多或少能理解它到底应该开发个什么游戏。最近“许愿式编程”很火，假如我以“许愿式编程”要求Hy4生成游戏，又会是怎样呢？

于是我新建任务，和Hy4吐槽最近那些游戏广告。我跟Hy4说：“最近什么海水过滤器、电鳗发电机、河豚制氧器不是挺火的吗？但是当我点进广告的时候发现根本不是那么回事。”

Hy4回复我说：“有人看了近20个版本的广告，却一秒实机演示都没有。真实游戏被网友评价为需要收集资源、到处点点点，不充钱或不看广告就很肝。”

最后Hy4问我要不要根据这些开发一个游戏，我同意了Hy4的请求，不过除此以外我并没有给出任何提示词，甚至我都没有跟Hy4说这个游戏应该是什么类型的。

看来Hy4也支持“许愿式编程”。

效果如下：

同样的，办公也是Hy4的重点场景。Hy4可以自己检索复杂数据，直接生成Doc、PPT、XML等文件。

提示词：

我是一名英雄联盟赛事分析师，平时负责战队青训营的教学任务。S16 全球总决赛正在进行，为提升青训队员对比赛的快速分析能力，现对青训生和试训队员做一次“S16 赛事复盘小讲课”。输出为一份可打开的 PPT 文件,命名为“S16赛事复盘小讲课”。

Hy4生成效果：

Hy4 preview的技术报告提到，“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。”

可以从Hy4的实测结果里看到，无论是哪种类型的任务，“闭环”始终是模型的核心。比如一开始画图的视觉闭环、发射火箭的数学闭环、再到后面开发游戏的玩法闭环。

“闭环”也是上下文之后的一个发展趋势，反馈回来的东西，得在下一次迭代里兑现成改动。如果兑现不了，就只是转了一圈，白白消耗掉了算力。