十一月四日，腾讯混元发布大语言模型Hy4正式版。按官方披露，这一版相较此前的预览版扩大了预训练与后训练规模，总参数七百七十亿，采用混合专家架构，第一次引入视觉理解，第一次支持电脑操作。混元方面称，这是Hy系列首次跻身最强开源模型之列，同时也承认与顶尖闭源模型仍有较大差距。权重将于近期开放，系统卡片同步发布。
参数从Hy3系列不到三百亿，跳到Hy4的七百七十亿，官方还预告下一代Hy5会继续扩大。这个数字在开源体系里有标志意义，但把能力提升全归因于参数量，会误判这轮升级的重点。
真正的变化在训练配比。官方提到的是"显著扩展数据和训练规模"，以及指令遵循、长文理解、长程智能体三块的提升。这三项恰好是过去开源模型最容易掉队的部分：单轮问答可以靠参数堆，多轮长任务不行，它需要大量真实轨迹、失败样本和工具调用记录，这类数据比网页语料贵得多，也更难公开。
评测口径也值得细看。官方称Hy4在代码编辑、自动化、电脑操作等多项基准上超过DeepSeek-V4.1-Flash，但距GPT-6.1 Sol、Claude Opus 5.5仍有差距。这句话把位置说得很清楚：在开源阵营里领先，在整体榜单上仍是追赶者。对做选型的人来说，这比"最强开源"四个字更有用。
视觉理解让混元旗舰模型第一次具备"看图办事"的能力。官方举的场景是细粒度图像处理、复杂图表分析和数学视觉推理。这三类任务的共同点是失败成本高：图表读数错一位、公式里的下标看漏一个，下游结论就全错。
电脑操作是更实质的一步。它把模型从"输出文本"推到"操作界面"，可以结合命令行与图形界面处理任务。为了让它在真实软件里能用，混元对Blender、CAD这类专业软件和跨应用长程任务做了专项训练。
为什么专挑这两类软件？因为它们的界面复杂、菜单层级深、没有稳定API，只能靠视觉识别加鼠标键盘动作完成。也正因为难，一旦跑通，替代的是整段人工操作，价值密度很高。相比之下，网页表单填写这类任务早已被脚本解决，模型再做一遍没有增量。
视觉与操作叠在一起，改变的是任务的验收方式。文本任务看输出对不对，操作任务看过程有没有跑偏：点错一个按钮、滚动到错误位置、在弹窗出现时误判，最终结果可能看起来正常，实际已经不可用。
电脑操作类基准的分数很难横向比较。同一套任务，允许的重试次数不同、超时时间不同、失败后的恢复策略不同，得分会差出十几个百分点。行业里目前没有统一口径，厂商各报各的，读者只能看趋势。
更关键的是任务长度的分布。短任务三五步操作就能完成，模型成功率很高；真实工作流的步骤数常常是几十步，任何一步出错都会累积。成功率从九成掉到六成，往往就发生在步骤数翻倍的时候，而这个区间恰好是公开评测覆盖最薄的地方。
还有不可回滚的问题。模型在界面上删了一个文件、提交了一次订单、发送了一封邮件，这些动作没有撤销键。所以电脑操作能力真正落地时，配套的一定是权限收窄、操作确认、沙箱执行和日志留痕，而不是把鼠标完全交出去。这也是为什么企业采购时更关心"能不能只给只读权限"，而不是榜单第几名。
官方说权重"将于近期开源"，并会发布系统卡片，重点关注网络和生物安全风险。这句话里的时间词是模糊的，而开源的价值恰恰取决于细节：是完整权重还是量化版本，许可允许商用还是仅限研究，是否附带可复现的训练配方。
对七百七十亿参数的混合专家模型来说，权重开放只是第一步。要把它在自有集群上稳定跑起来，还需要推理框架适配、并行切分方案、长上下文缓存策略。这些工程件不开放，权重就只是一份需要自己重造的半成品。
系统卡片是另一个观察点。它记录训练数据构成、评测方法、已知风险与缓解措施，是外部做安全评估的唯一入口。混元这次主动提网络与生物安全，说明它清楚开源旗舰模型被滥用的路径，也说明后续可能附带使用条款限制。
把它和国内其他开源动作放在一起看，节奏是清楚的：DeepSeek、Kimi、阿里接连上新之后，头部厂商都把开源当成争夺开发者心智的手段。开源不再只是技术姿态，而是分发策略，先放出权重的一方，模型会先被集成进别人的工具链。
Hy4上线当天就铺进了自家产品：腾讯云Tokenhub、WorkBuddy与CodeBuddy、元宝、企业微信智能助理大圆、ima。API同步接入OpenRouter、Hermes、OpenCode等第三方平台，腾讯系的其他自有产品也在陆续接入。
这份清单比参数更能说明策略。腾讯没有把模型当成独立商品卖，而是把它塞进已有的流量入口，用游戏、社交、办公、阅读这些高频场景去摊薄推理成本。官方给的办公侧数据是平均效果得分八十三点一八、任务通过率九成六、十二个场景中九个国内第一，这些数字的用途是说服企业客户换供应商，不是说服开发者刷榜。
金融场景的准备方式也值得记。混元基于真实金融场景构建了数千个工作空间和上万个高质量任务，覆盖基金研究、证券分析、量化策略、资产配置、公司金融、财税会计。这是一种把行业流程拆成可训练任务的做法，成本高但迁移性强，做出来的能力不容易被通用模型顺手覆盖。
汤道生此前的判断是，AI上半场大家关注模型与评测分数，下半场关注价值。这句话放在Hy4身上不算空话：真正的考验是一个季度后，这些入口里有多少用户愿意为它多付钱。