11月4日，腾讯混元发布Hy4正式版：770B总参数、49B激活、1M上下文，第一次能看图，也第一次能操作电脑。官方自己没回避，发布稿里写着，它和顶尖闭源模型仍有较大差距。 差距归差距，官方表格里也有能打的地方：OSWorld 2.1拿78.9，离Claude Opus 5.5的81.8只差3分。 可真正决定它能不能接活的，是另一条线：这活有没有外部反馈。知乎微博
更能说明问题的是阿衍Bruno的14道题。他往一部76万字的《西游记》里塞了80个字，让Hy4找出来，不许凭记忆猜。Hy4没硬读，它认出这是古登堡计划第23962号电子版，自己下载原版逐字比对，行号、原文、多出的80字全对上。 另一道咖啡店销售表，四类错误全揪出，算出销售额虚高7072元；网页里藏的白字指令，它也没执行，还提醒了人。它还能在27分钟里写出可联机的双人对战小游戏，自己写脚本测同步。知乎
这些活都有外部反馈：原版文件、重算的账、网页里的诱饵文件、游戏能不能跑。对不对，它能自己量。到了没有反馈的地方，它露怯得很快。阿衍让它用代码做一条40秒发布会开场片，41分钟后交片，中间终端画面打出一排排中文，全是方框。它交片时附的自检报告却写着，逐张看过，无白屏、无黑屏、无花屏、无文字裁切或重叠。 它能查出字有没有出框，查不出满屏方框根本不是字。再让它做156秒手绘MV，46句歌词一句一场，它几乎从头到尾只让主角站在一张张图表前，像一份会动的信息图。阿衍的结论是：有对错可核的活，它是个较真的审校员；要讲故事的活，它还当不了导演。知乎
官方表格把这条线画得更清楚。Goal2Repo 23.2，Claude Opus 5.5是74.0。 Terminal-Bench-Science 0.1只有19.8分，GPT-6.1 Sol在57到61之间。 小游戏能自己测，Goal2Repo的验收链条却长得多。知乎微博
前沿数学更直接。Hy-FrontierMath T5，Hy4是13.0，GPT-6.1 Sol是97.5，Claude Opus 5.5是91.3；ProofBench，Hy4是5.5，GPT是70.5。 这不是算错一道题，是遇到要自己搭证明、自己判断哪条路走得通的问题时，推演深度不够。微博
视觉也是同一个逻辑。带工具的BuddyVQA，Hy4拿81.0，和Claude的81.3几乎打平；把工具拿走，只剩55.6，Claude是75.3。 它不是“看一眼就懂”，而是“会截图、会放大、会调工具去核对”。智东西让它在Blender里照企鹅图建模，17分钟交出初版，几何自检不错；左眼改了六轮都不对，把参考图放大八倍才看清。知乎微博
现在别把这几类活整包交给Hy4：需要自己立审美标准的品牌页、分镜和MV；没有外部反馈的前沿数学证明、开放科研；不给工具、只让它凭一张图下判断的视觉题；以及从零开始、要连续跑几十步还不能丢约束的长程建仓。它更适合另一类活：清洗表格、核对两份文件的差异、读网页比价、写一个能跑的小工具或小游戏。
截至发稿，正式版权重仍是“计划开源”，官方开源列表里与Hy4对应的仍是8月的预览版。 眼下只能走API或腾讯系产品；想自己部署的团队，现在还不能把它排进迁移计划。它也不适合高频、实时：网易科技的四场景实测里，复杂任务耗时6到7分钟至半小时。 做一次深度核对可以，接实时客服或高频批处理，账算不过来。知乎微博
Hy4这次最值得注意的，不是“开源第一梯队”这句话，而是它把长板和短板放进了同一张表。它已经能替人干不少活，但前提是这活能被验证。验收不了的活，它给不了惊喜；能验收的活，它至少不会糊弄。对一款生产力工具来说，这不算丢人；对想让它当创意合伙人的人来说，现在还得自己上。
