这两周国产模型太卷了，但 Hy4 是我唯一没看懂的

★ 设为星标 | 只讲人话，带你玩转AIGC。

这两周国产模型圈有点疯狂，智谱、 DeepSeek、阿里齐发。

今天全网都在吃孙割的瓜，腾讯 Hy4 preview 开源的事几乎完全被淹没了。（话说咱就不能另挑一个时间？）

我研究了一下官方给的 Benchmark，发现 Hy4 还是挺能打的。

相比上一代 Hy3，各类指标都有明显提升，综合表现进入国内第一梯队，部分代码和办公 Agent 能力甚至还超过了 GPT 5.6 Sol。

不过跑分不是我最在意的，真正能干活才是王道，所以跑分这部分我放到最后说。

我最先看的是那个财务报销的 Demo。

在官方演示里，Hy4 要审核 24 份报销申请。它要翻政策文件（多个）、花名册、预算表、发票台账和邮件往来，再逐份给出处理意见。

财务应该很熟悉这种活。

这个我深有体会，就拿我以前公司来说，一张报销单提交后需要直属领导审批，部门复核，财务再审。

如果是出差报销，发票日期和行程单差一天或者差旅超标，材料就得全部退回来，补完再交。有时候钱不多，流程一点没少。

Hy4 一次翻几十份文件，至少在演示里，它能把散落在不同文件里的规定和数字对起来。快速的查出异常线索，最后让财务确认。

这样的活之前都是财务小姐姐一张张发票、一个个文件去对，真的非常繁琐又枯燥，我挺同情她们的。

但对报销的人来说也很不爽，因为流程太慢，打款也就更慢。

这样的活，确实应该让 AI 来干了！

顺手还做了网站和游戏

Hy4 用 Three.js 做了一个中国古建筑数字卷宗网站。

宣纸背景、宋体字、靛蓝点缀，细线分割。整体非常符合中式审美，感觉放在文旅行业挺适合。

现在让很多模型写一个网页，它很容易给你黑色背景、要么就是科技蓝、赛博朋克，看了真的反胃。

Hy4 这个官方案例看起来好很多，提示词用对了，遵循也到位。

审美有时候挺玄学的。代码能不能跑，有测试可以验；页面好不好看，很多时候连人都说不清楚。

Hy4 给的几个 Demo 当然还不能证明它以后做什么都好看，但至少发布团队已经开始拿视觉质量当模型能力讲了，而且放在首要位置，看来他们蛮有信心的。

游戏 Demo 里面有一个 FPS 射击游戏，感觉效果非常逼真。

Hy4 通过 MCP 接入 Unreal Engine 5，只靠对话从零开始做了场景、玩法和关卡。

单看演示，完成度已经很像一款成熟的射击游戏了，画面、战斗和关卡都有模有样，我看完甚至想进去玩两把。

当然，Demo 距离正式游戏还有多远，光靠一段视频看不出来。但能把 AI 生成的游戏做到让人产生“想玩”的冲动，已经挺难得了。

不得不说，腾讯的游戏基因还是强。

我觉得有趣的是 Codex 那段

腾讯还放了一段科研实验。

Hy4 同时管理多个 Codex session。它看实验结果，决定下一轮往哪走，再把任务分给不同的 Codex。跑完以后继续看，再改。

在那项小模型后训练任务里，腾讯说这种做法在 8 项评测上都超过了 Codex 独立探索。

测试是腾讯做的，实验细节也没有完全公开，这里当然不能就说 Hy4 比 Codex 还强。

我在意的是分工。

Codex 负责写代码、跑实验。Hy4 负责看结果，决定接下来试什么。

以前我把 AI 当执行工具看。人下命令，AI 去做。现在中间多出了一层，AI 开始指派 AI 了？

看上去很像项目里常见的场景：负责人自己不写每一行代码，他盯结果，发现一个方案不行，就让几个人分头试。

只不过现在负责干活的是 Codex，负责分活的也是模型。

其实这个实现我没看明白他们想表达什么？

腾讯还让 Hy4 参与优化自己的推理系统。它检查性能瓶颈，试算子融合和通信优化，最后把端到端吞吐量提高了 31.8%。

“AI 自我进化”这个词最近很流行，感觉在每家大模型公司都在这么用。

跑分超级能打

回到跑分。

Hy4 相比 Hy3 提升很明显，综合表现已经进入国内第一梯队。

代码能力是 Hy4 提升最明显的部分。

SWE-bench Pro 和 DeepSWE 都是用来测试真实代码库里的长期开发任的。前一项比 Hy3 提升约 13%，国内最强不说，它甚至略高于 GPT 5.6 Sol。

DeepSWE 提升约 130%，直接翻了一倍多，不过它还是把 GLM 5.3 和 Kimi K3 差一点。

CyberGym 测漏洞分析和 PoC 生成，提升约 51%，单这一项 GLM 5.3 大爆发，处于遥遥领先的地位。

办公方面，OfficeQA Pro 测多份财务文件的查找、计算和问答。Hy4 提升约 22%，并列国内最高，接近 Claude Opus 5。

GDPval-AA 测 44 种职业里的真实工作成果，Hy4 已经追到 GPT 5.6 Sol 附近。

AutomationBench 测跨 CRM、邮箱、日历等软件的自动化流程，Hy4 接近翻倍，不过仍然落后于几款头部模型。

现在大家都在疯狂卷办公智能体，所以这几个指标还是非常关键的。

推理部分，CritPt 测研究级物理问题，Hy4 提升约 245%，涨得很猛，但距离 GPT 和 Claude 仍然不小。

GPQA Diamond 测研究生水平的科学问题，Hy4 只提高约 2%，但已经和 GPT、Claude 处在同一档。

综合来说，Hy4 的代码和办公能力已经很强。复杂自动化和研究级物理，暂时还追不上最前面的模型。

这周模型有点多

周三（8 月 26 日），智谱开放 GLM-5.3-Flash，320B 总参数，18B 激活。

阿里同一天开放 Qwen3.8-Flash-Next 的权重。

今天（8 月 28 日），腾讯发 Hy4 preview。

智谱和阿里的重点很明确，少激活一些参数，把推理价格打下去。特别是 GLM-5.3-Flash，以 GLM-5.2 十分之一的价格，做到了接近 Claude Opus 4.8 的编程和 Agent 能力。

新的斩杀线又来了。

腾讯可能主打一个生产力，所以把办公、游戏和科研 Demo 都放了出来。

价格上，Hy4 并没有什么优势。

国内 API 输入 6 元每百万 tokens，输出 18 元，缓存命中 0.3 元。按国际价格对比，Hy4 的输入输出大概是同期两款 Flash 模型的 5 倍。

这个差价只能靠任务效果补，但不知道实际的效果会怎么样。

Hy4 preview 已经同步上线 WorkBuddy、CodeBuddy 等。现在还提供两周限时免费体验，可以去试试看如何。

腾讯内部也做了一轮盲评。163 名专家、203 个工程任务，Hy4 preview 平均 2.99 分，略高于 GLM-5.3 的 2.92 和 Kimi K3 的 2.94。

不过这是腾讯自己的测试，Artificial Analysis 等第三方结果还没出来，先当参考看。

最后我想说

写到这里，我回顾了一下最近发布的那些国产模型。

Kimi K3 把参数规模推到 2.8 万亿，原生多模态、100 万上下文，重点攻长程编程和 Agent 任务，一下子震撼了整个业界，被称为第二个“DeepSeek 时刻”。

不久之后，GLM-5.3 卷土重来，不扩大参数规模仅靠后训练直接杀入第一梯队。GLM-5.3-Flash 又把成本压到了很低，甚至取代 DeepSeek 成了新的斩杀线。

Qwen3.8-27B 更夸张。官方公布的多项编程、办公和多模态测试已经达到或超过 Opus 4.6。模型量化后，一张 32GB 的 RTX 5090 就能跑起来。

尽管都很卷，但很明显这几家都让人印象深刻，都有一个让人记得住的理由。

再看 Hy4，我似乎暂时没找到那个能让人留下深刻印象的点，跑分也没有拉开明显的距离。

腾讯能打的牌，可能是 WorkBuddy、CodeBuddy 这些产品入口，但 Workbuddy 里面各家模型都能选，用户为什么一定要选 Hy4？

这个问题，可能要等正式版来回答。

参考：https://hy.tencent.ai/research/hy4-preview