腾讯混元把 Hy4 正式版放出来了。跟 preview 版隔的时间不长，但这次动的地方不算小：预训练和后训练规模一起往上抬，视觉能力第一次接进主模型，电脑操作也成了正式支持的一项。GameDev 评测涨 19.1%，GameLogic 涨 9.8%。数字列在这儿，真正值得琢磨的是这些分数背后，混元想把自己放到什么位置。
从 preview 到正式版，补的不是补丁
两条训练线同时加码
模型从 preview 走到正式版，常规做法是做减法：修一修崩掉的 case，调一调对齐，把评测分数拉回及格线。混元这次做的是加法，预训练和后训练一起扩。预训练管知识密度和推理上限，后训练管指令遵循、任务完成度、输出稳定性。任何一头不动，另一头的收益都会被吃掉。两个方向同时推，烧的是实打实的算力，换来的是模型在陌生任务上不那么容易掉链子。至于扩到什么量级，发布稿没给具体数字，这类账通常记在技术报告里。
视觉进了主干
在混元体系里，视觉能力此前更多由独立模型承担。这次不一样，视觉是第一次进 Hy4 本体。差别在哪？外挂式方案先把图片转成文字描述再喂给语言模型，中间那层转述会丢东西——表格的行列关系、图表的刻度、界面上的按钮层级，靠文字复述很难保真。原生多模态让模型直接处理像素，省掉转述环节。落到具体场景，就是能读扫描件、能看懂财报里那条折线、能盯着软件界面判断下一步点哪儿。
自报分数要怎么看
19.1% 和 9.8% 是官方口径下相对 preview 版的提升，评测集、评测方式、评分细则都握在发布方手里。这不是说数字不可信，而是说它适合当参考坐标，不适合当结论。真正能说明问题的，是同条件下别人复现出来的结果，以及模型在你手里那个具体任务上的表现。评测涨了，说明方向对；能不能干活，还得自己上手试。
会看屏幕，还得会动手
电脑操作这件事，难在没法取巧
让模型操作用户的电脑，听着像界面自动化的升级版，做起来完全是另一回事。传统 RPA 靠写死的坐标和选择器吃饭，界面一改版就全废。模型要接这个活，得先看懂屏幕——元素在哪、这个按钮是干什么的、当前处于流程的哪一环，然后输出一个坐标去点。屏幕上没有 API 可调，也没有结构化数据可读，全靠视觉理解加推理硬扛。
从能点，到点得准
单步操作不难，难的是连起来。点错一次，后面的步骤全在错误状态上叠加，十步的任务错在第三步，剩下七步就是灾难。所以这类能力的核心不在“能不能点”，而在三件事：定位准不准，动手前有没有预判，出错后能不能自己发现并回退。混元把电脑操作列进正式版支持范围，等于承认这条路要按 agent 的标准来修，不是做个演示就收工。对企业的意义也直接——那些没有接口、只能靠人点鼠标的老系统，终于有了被自动化的可能。
19.1% 和 9.8%，这两个数字的分量
GameDev 要的是从想法到能跑
GameDev 这个评测，考的是把一句需求变成能跑的代码。游戏开发的特点是反馈快、要求全：逻辑、渲染、交互、资源管理，缺一块就跑不起来。19.1% 的提升放在这个项目上，说明的不只是代码写得对不对，还包括对项目结构的理解、对引擎约定的熟悉程度。这类能力和通用编程能力高度重合，只是游戏把它压得更紧。
GameLogic 盯着规则不许出错
GameLogic 更窄，也更狠。它考规则实现——数值、状态机、胜负判定，一处写错，整个玩法就崩。9.8% 的涨幅看着不如 GameDev 亮眼，但逻辑类任务历来比生成类难提，因为对错是硬的，没有“看起来还行”的中间地带。
为什么挑游戏当考场
游戏是个天然的试炼场。它有明确的成功标准，能自动验证，任务复杂度又足够高，正好落在“比写脚本复杂、比做科研好评测”的区间里。一个模型在游戏开发任务上表现好，迁移到其他工程场景的把握会大一些。反过来说，游戏都搞不定，谈通用 agent 就有点早。
金融、科研，还有一场攻防演练
高价值场景的门槛
发布稿里还提到金融和科研两个方向的评测。这两个领域的共同点是容错率低、专业词汇密度高，答案往往需要多步推导才能落地。模型在这类场景里翻车，通常不是因为不懂概念，而是把几个都对的事实串成了错的结论。评测能覆盖到这里，说明混元对 Hy4 的定位不只是写代码、做问答，还想往需要严谨推理的活儿上靠。
安全审计是及格线，不是加分项
同一份发布稿里，攻防安全审计的结果和性能数字摆在一起讲。这个排序本身就有信息量——能力越强的模型，被越狱、被诱导做危险操作的风险越高。电脑操作权限一旦给出去，模型能点的东西和人一样多，包括那些不该点的。开源模型尤其如此：权重放出去，防护措施就得经得起别人拆。把审计结果写进发布稿，是给企业用户一个交代，也是给监管留一个姿态。
开源这张牌，打的是生态
开源模型的竞争已经换赛道
混元一直把开源当作重要落子。Hy4 正式版走开源路线，赌的不是参数表上的胜负，而是有多少人愿意拿它去改、去调、去部署。闭源模型卖的是确定性和服务，开源模型卖的是可改造性和成本可控。这两条路的客户重叠度没想象中高。
真正的成本在生态上
把权重放出来只是第一步。决定一个开源模型能走多远的，是工具链跟不跟得上、微调文档写不写得清楚、社区提的问题有没有人回、推理框架多久能适配。这些东西不出现在发布稿的标题里，却决定了开发者试完第一次之后还会不会回来。
剩下的事，交给使用者
Hy4 正式版交出的是一份能力清单：训练规模扩了，视觉进来了，电脑能操作了，几个关键评测涨了，安全审计过了。清单之外的问题是老的——它在你那个具体场景里到底顶不顶用。这个问题评测集回答不了，只有跑一遍才知道。模型发布从来不是终点，是被使用的起点。
