北京
出品｜网易科技《态度》栏目
作者｜汉雨棣
编辑｜丁广胜
11月4日，腾讯混元正式发布新一代大语言模型Hy4。根据腾讯官方的说法，相比此前的Hy4 preview，新模型首次引入视觉理解能力，并重点强化指令遵循、长文本理解、长程Agent及真实生产力任务表现。
拿到Hy4之后，我没去跑那些名字很长的基数，我更想知道的是，它到底能不能替一个普通人，把生活和工作里那些又烦又琐碎的小事干完。
网易科技《态度》栏目第一时间从多个角度进行了一手实测：帮我们算清一笔AA制的烂账、去购物网站帮我们比个价、把一张乱糟糟的攻略截图变成网页、制作一个交互网页。
这几个场景，刚好覆盖了近来模型圈正在争抢的视觉理解、长程任务与许愿式代码编程等多个需求场景。结果有好有坏，大部分任务都可以高效完成。
1、场景一：AA账单
四个朋友去杭州玩，住宿、打车、三顿饭，付钱的人各不相同，回来之后群里算账算到吵架。我们把六笔开销原样扔给它，要求它生成一个.xlsx文件，而且所有计算必须用Excel公式，禁止手写计算结果，还要加一个校验格，用公式检查“所有人垫付之和”是否等于“总支出”。
我用的Prompt：
我们4个朋友去杭州团建，发生了这些开销：
住宿：小明付了1200元
打车：小红付了300元，小明付了150元
吃饭：第一顿400元（小红付），第二顿600元（小刚付），夜宵200元（小明付）
所有人费用AA（4人均摊）。请生成一个.xlsx文件，要求：
用Excel公式计算总支出、人均支出、每个人已垫付金额、最终谁该补给谁多少钱，禁止把计算结果直接写成数字；
加一个校验单元格，用公式检查“所有人垫付之和”是否等于“总支出”；
表头加粗，金额保留两位小数。
以下是Hy4给出的答案：
这一场景主要是考验模型的文件级交付和公式化逻辑推导能力。行业里评测表格Agent，通常把“公式引用”和“硬编码数字”作为分水岭，这个表格被清晰分为四个部分，点开每个空格都可以看到引用的公式，经过验算数据准确。
同时，模型可以直接交付Excel表格,不需经过任何粘贴或处理。从准确度到产品的便利性，这部分测评通过。
2、场景二：购物网站比价
家里收拾出两件吃灰的旧东西，不知道现在值多少钱，也懒得自己去京东一个个搜。我拍了一张桌上杂物的照片扔给它，并使用了如下的Prompt：
请帮我完成一个任务：
识别图片里最主要的两件物品；
打开Chrome浏览器，去京东分别搜索这两件物品，记录搜索结果页上前三个商品的价格区间；
在电脑桌面新建一个Word文档，命名为“估价单.docx”，在里面用表格列出：物品名称、你的识别结果、市场价格区间；
每完成一个关键步骤（识别完、搜索完、写Word前），截一张图发给我，不要直接回答文字结果，我需要看你的操作过程。
第一步识图结果合理，认出了耳机包的大致图样和帽子款式。
第二张截图里，浏览器真的打开了京东，搜索框里是它自己敲进去的关键词。
但在这步的搜索中，关键词的搜索被限制在了“老虎”和“条纹”的文字中，无法做到直接识图式的、对商品款式的精准搜寻。即我可以搜到很多老虎图案的耳机包，但搜到的不是我原图里同样款式的老虎和条纹帽子。
第三张截图里，桌面上出现了“估价单.docx”，打开文档，表格里的价格和截图对得上，不是编的。
这个场景是这次测评里最硬核的部分，核心能力在于CUA。以前的AI只能“看”和“说”，CUA意味着它长了手，能像人一样通过“看屏幕+鼠标键盘”去操作真实的软件界面，识图、浏览器、桌面Word，这是三个完全不同的界面。行业中，Agent能否在长会话中保持目标（不搜完就忘）是区分“演示级”和“生产级”的核心指标。
但是想要调用自己的浏览器，仍然需要进行大量的权限授予。用户的隐私与安全保护问题仍值得关注。
3、场景三：随手截图做旅游攻略
存了一堆西湖特种兵攻略截图，上面密密麻麻全是网红打卡点，字挤字，看两眼就头疼。想照着玩，但不想自己查地图排路线。
我们把所有截图扔给它，给他发送了这样的Prompt：
这张截图是我存的杭州特种兵攻略。请帮我做三件事：
把图里出现的所有地点名称和推荐项目/小吃提取出来，列成清单；
根据这些地点的实际地理位置，重新排一个合理的Day1/Day2路线，避免走回头路（请简短说明你排序的理由）；
用HTML+CSS写一个移动端时间轴样式的行程卡片网页，每个地点一张卡片，按天分组，颜色干净现代。代码写在一个.html文件里，双击就能打开，不要依赖外部图片或资源。
这个场景考的是大模型圈最近很火的许愿式代码编程。用户不需要懂前端，不需要指定框架，只需要“许愿”（描述你要的最终效果），它直接把图里的信息提取出来（多模态理解），在脑子里重新组织逻辑（空间推理），最后生成一个能直接跑的网页交给你。
可以看到，清单基本没有漏。网页打开之后，是一个按天分组的时间轴卡片，地点名称来自截图，没有凭空编造。这一环节，也可以通过考验。
4、场景四：交互网页制作
想给非数码圈的朋友科普机械键盘里的“轴体、PCB、定位板”到底长啥样。我们直接扔给它一段长Prompt：
制作一个交互式3D机械键盘拆解网页，让用户能够直观地了解键盘内部的结构。
1、使用Three.js展示一把75%配列的机械键盘，至少包含键帽、轴体、定位板、PCB、电池（如采用无线设计）和外壳。模型可以使用程序化几何体制作，不依赖外部商业模型。
2、提供旋转、缩放、拆解和复原操作。点击零件时，高亮对应部件，并显示名称、作用和简短说明。
3、拆解动画按照键帽、轴体、定位板、PCB、外壳的顺序展开，各部件保持原有空间对应关系，不能只是随机散开。
4、提供一个简单的轴体演示：按下虚拟按键时，轴心下移，弹簧压缩，松开后恢复；动画要能重复播放。
5、页面需要有清晰的操作提示、复原按钮和零件列表。首次打开时直接展示完整键盘，不需要用户先配置参数。
6、最终交付运行的网页工程。检查模型是否正常显示、按钮是否有效、拆解后能否完整复原，以及浏览器控制台是否存在阻断运行的错误。
这个任务考察的主要是空间逻辑推理+程序化几何体生成+3D状态机动画。模型没有去网上偷图，而是用代码里的数学公式（长宽高、圆柱体、长方体）硬生生算出了键盘的模样。它还考了空间约束，拆解时外壳往下走、键帽往上飞，互不干涉，这说明它懂“物理常识”，而不是瞎画。
这四个任务都不复杂，但它们恰好覆盖了Hy4这一代模型中核心的几个卖点：视觉理解、长程任务、CUA跨应用操作、多模态转代码。
Hy4在这四件事上都没有交白卷，在一些标准化程度比较高、只需要计算的问题上都可以说是满分答案。
但它暴露出来的边界也同样清楚：它能在被清晰定义的任务上稳定地走完流程，但在细节上，仍然无法做到对人工的完全替代，需要人为检验与判断。
与此同时，有些复杂任务的生成时间仍然值得缩减。上述的任务，都无法做到在两三分钟内做完，短的需要6-7分钟，长程的交互视觉类生成，甚至需要半小时左右。
混元官方自己也写明，与顶尖闭源模型仍有较大差距，尤其在前沿数学、长程开发、模型迭代、视觉问答等内部高难度测试集上。发布当天，我们能体验到的仍然有限。最终结果还要看上线后真实工作流里的表现。
