10月29日的2026腾讯全球数字生态大会上，腾讯官宣混元旗舰模型Hy4即将发布：相比8月推出的Hy4preview，首次引入视觉理解，并重点强化长程任务与真实生产力任务能力、提升思维链效率。主打极致性价比的Hy4flash也将在近期推出，在继承Hy4视觉理解与Agent能力的基础上，通过模型与产品的深度协同设计持续高频进化。雷科技财经涂鸦
熟悉现有多模态模型的用户自然会问：旗舰大模型姗姗来迟的视觉理解，到底有什么不寻常？差别不在“会看图”这个能力本身，而在它被安放的位置——Hy4不是再造一个能聊图的视觉模型，而是混元旗舰主线第一次长出自己的眼睛，这双眼睛首先面向的是界面截图、图表、设计稿和模型自己的工作产出。
这个“首次”，是主线的头一次
要看懂“首次”的分量，得先弄清Hy4preview是什么。8月28日腾讯发布并开源的这款模型总参数770B、激活参数49B、上下文长度突破1M，而它的官方名称里写的是“大语言模型”。名字里的“语言”没有水分：它看不见图像。8月底就有测评指出这一短板——模型交付的前端产物出现观感差的问题时，自测环节很难发现这类错误，只能靠用户反馈来纠偏。雷科技知乎
用户在元宝里用惯的图像功能，也不来自这条主线。有用户实测发现，让助手“生成一张封面图”或“剪段视频”时，平台会在后台切到另一个多模态模型并单独扣积分。而腾讯并不缺图像能力：9月22日，官方正式发布生图模型HyImage3.5preview。10月，混元又开源了交互式视频世界模型Hy-Nomas与世界模型HY-World 2.0。这些模型各管生成与空间理解，唯独“看懂图”这项理解能力，一直装在别的模型身上，没有进过旗舰语言模型。知乎华军软件园知乎
所以Hy4要做的，不是从零开始多模态，而是把主线缺了最久的那块感知补上。
路线不同：装给Agent的“眼睛”，不是“视觉模型”
业界的通行做法大致两条：预训练阶段就做成原生多模态，或在文本大模型之外外挂一个独立视觉编码器（即Encoder-based架构），也有在已有语言模型上通过继续预训练“补课”出视觉的。由此形成的产品形态是典型VLM：描述图片、回答图片提问、做视觉问答。混元走的却是反向节奏：先把文本与Agent能力做扎实，再补视觉。上线不到两周，高盛研报就以编码能力为证：Code Arena WebDev全球排行榜上，Hy4preview从Hy3的第28位跃升至第6位。而官方给Hy4视觉理解的说法，是“首次引入视觉理解，拓展复杂任务的处理能力”。这决定了Hy4的视觉理解从出生起就是工作型感知：读懂UI截图去操作界面、对照设计稿检查代码还原度、解析图表与文档图像，再看见自己产出物的实际渲染效果、决定下一步——补上的正是预览版有手没眼、无法自我校验的闭环缺口。华尔街见闻财经涂鸦
落地路径同样有辨识度：同日宣布的Hy4flash没有砍掉视觉去省成本，而是整体继承，官方称将通过模型和产品的深度Co-Design高频进化。大会上，以WorkBuddy为工作台的一体化套件BuddyOne也正式发布，汤道生称WorkBuddy企业版已落地50多个行业、覆盖中国企业500强的50%。可以推断，Hy4的视觉理解最先大规模消费它的，会是截图理解、表单处理、界面操作这类企业工作流，而不是娱乐向的看图问答。雷科技微博
还没揭晓的部分
Hy4目前仍是“即将发布”状态：正式版的参数、基准成绩、开源与否、采用何种视觉架构，均未披露。目前唯一的技术线索，是混元团队9月底公开的一篇Encoder-Free多模态预训练scaling laws研究：移除独立视觉编码器、让解码器直接从原始像素学习视觉表征，拟合结果显示它能在远低于旗舰模型训练预算的算力下追平Encoder-based主流方案。这说明混元团队对“怎样把视觉装进主线”有自己的架构积累与探索，但官方并未确认Hy4采用这条路线，两者不能混为一谈。知乎
真正值得盯的，是正式发布之后的两件事：视觉理解能否让编码、界面还原、文档处理这类Agent任务出现可观察的提升；Hy4flash又会把带视觉的调用价格压到什么水平。这两条答案，才是衡量这双“迟到的眼睛”值不值得等待的尺度。
