从零手搓 3D 赛车、给 14 平米卧室加床、清洗近千条烂账、还要帮北大团队给数学猜想找反例——不看跑分看效果，它能接住打工人的 " 改主意 " 吗？

作者｜周悦

编辑｜栗子

腾讯混元的模型能力真的追上来了。

11 月 4 日，腾讯发布混元 Hy4 正式版。相比 8 月的 preview，这次更新首次加入视觉理解与电脑操作能力，并计划开放模型权重。

正式版公开了一整套常规跑分结果：12 项对比里，Hy4 多数高于 8 月的 preview，但多数仍排在 GPT-6.1 Sol 和 Claude Opus5.5 之后；腾讯也写明 " 与顶尖闭源模型仍然存在较大差距 "。

「甲子光年」注意到，腾讯混元此次将"前端与游戏开发 "和" 科研与模型研发 "两项能力单列了出来展示成果。

游戏是腾讯的主场，混元联合 IEG 专业开发者共同优化评测，GameDev、GameLogic 两个基准测试相较 preview 分别提升 19.1% 和 9.8%；在涵盖 7 大学科、123 项可执行研究任务的 TenureTrail 内部评测中，Hy4 在数学构造、物理建模、地球环境、系统工程和社会经济决策等领域展现出科研能力。据腾讯混元披露，Hy4 在该评测中位居开源模型第一。

在科研案例中，腾讯混元公布了一项与北京大学数学团队的合作研究：Hy4 成功找到了 M é ndez – Pinto – Villarreal（MPV）猜想的反例，进一步提出补充条件，并在这些条件下正向解决了该问题，同时对相关证明进行了 Lean 形式化验证，跑通了从反例发现、命题修正到证明验证的完整研究流程。

「甲子光年」了解到，该团队是由北京大学博雅特聘教授董彬于 2023 年组建的 AI4Math 研究团队，成员在数学与人工智能领域都有深入探索。今年 4 月，该团队曾宣布用自主构建的自动化 AI 框架解决了交换代数中的开放问题 " 安德森猜想 " ——这是国内首次以 AI 框架攻克交换代数开放问题，并实现大规模形式化验证。

正式版发布前 24 小时，「甲子光年」在 WorkBuddy 中拿到了对应的内测模型 Hy4-dev，并设置了四项制作任务：海岛赛车、太阳系科普短片、卧室布置工具和年度消费报告。测试分两轮：第一轮从零制作；第二轮保留首版，在已有工程上追加需求，允许重构和扩展；随后，我们在工程副本中进行独立复核。

需要说明的是，四道题均只给明确要求，未提供现成工程或代码；其中房间尺寸与价格均为题设，账单数据全部虚构。本文中的原始截图、视频剪辑等，均由 Hy4 按要求自行采集和渲染。

先说结果，四项测试并行推进，实际耗时约 4 小时 25 分，单个测试完成耗时在 1 小时 51 分至 3 小时 28 分不等。四题合计调用工具 1492 次——期间 Hy4 都是自主查找并调用工具。

「甲子光年」实测感受是，在长达数小时、累计上千次的工具调用里，它能自主完成外部检索、数据清洗、空间约束求解与多模态音画合成；更重要的是，在加入视觉理解与电脑操作后，它不仅能从零搭起可交互的原型、自己打开作品截图验货，还能在第二轮需求变更时读懂既有代码、在原工程上接着改。除了跨模块的细节一致性（如前端状态与底层数据同步）偶尔发生 bug，整体具备生产工具的价值。

1. 四道题与两次 " 变卦 "：

Hy4 是怎么交作业的？

第一轮赛车任务，要求做出一款可以在浏览器里比赛的 3D 游戏。除了海岛、赛车和跟随镜头，还要有一套完整规则：依次经过检查点、沿正确方向冲线，才能计入圈数；原地压线、逆向冲线和抄近路，都不能凭空增加成绩。

海岛赛车第一轮原指令节选

" 请直接制作一个完整可玩的 3D 迷你赛车游戏，主题是明亮、轻松的海边赛道，采用统一的低多边形风格。我要能在浏览器里真正驾驶、完成比赛，并录一段视频展示成品。"

从第一条指令算起，Hy4 用时 40 分 6 秒发出首次交付回复，48 分 37 秒补交完试玩视频，共调用工具 103 次，主要为 JavaScript/Three.js、Chrome/Playwright、FFmpeg 等。交付的是一条低多边形风格的海岛赛道，带圈数、计时与小地图；记录显示中途有过两次明显返工——错误提示层遮挡界面、车辆冲出护栏，最终均在交付前修复。

Hy4 第一轮自行截取的项目画面。此时是固定赛道上的单人比赛，还没有赛道编辑器，图片来源：「甲子光年」实测

赛车 · 第二轮加码，原指令节选

" 请把当前海边 low-poly3D 赛车升级为《我的海岛赛道》：我能亲手改变赛道，看见三维世界随之变化，再开车和 AI 跑一场。" " 一次修改，路面、护栏及其碰撞、起终点、顺序检查点和 AI 路线都根据当前赛道更新；起终点随 1 号点及道路方向调整。"

难度随之增加。路面改变之后，护栏不能留在原地，检查点不能悬在路外，对手也不能继续沿旧路线行驶。一次看似简单的拖拽，改变的是整套游戏规则。

Hy4 为这些部件建立了共同的依据：它把八个控制点用向心 Catmull – Rom 曲线连成一条平滑线，再沿线取 600 个点；路面两侧、护栏、四个检查点、起终点和 AI 的前视目标，全都从这 600 个点生成。改赛道时先做一次合法性校验，通过才接纳新点、重建整个场景，失败会保留上一有效版本。

Hy4 本次复核把 3 号点向岛的上方拖，二维地图与三维道路同步更新；赛道长度由约 705 变为 735，数字为游戏场景单位，图片来源：「甲子光年」实测

Hy4 自行录制并剪辑的赛车自动化操作记录：拖点造路、非法提示、镜头落回车后、新路驾驶与完赛。后 9 秒剪自另一局同赛道完赛，视频来源：「甲子光年」实测

当然，我们也发现了一些小 bug：导入非法赛道文件后，主 " 进入试玩 " 按钮会变灰，且不会自动恢复。但编辑道路、重建规则、在新赛道上完成比赛的主要流程已经跑通，作品也从一款固定赛道游戏，扩展成了带编辑功能的游戏。

同样的追加修改考验，也出现在太阳系科普短片任务中——我们在第二轮要求它给视频工程加上 " 导演模式 "。

第一轮指令为8 — 10 岁孩子制作一支 90 秒太阳系科普片。模型需要自行查询 NASA、ESA 等原始资料，核对知识和比例，组织画面、中文旁白、字幕与动画，并交付工程和可播放的 MP4。

Hy4 首轮交付的 90 秒太阳系科普成片（1920 × 1080），视频来源：「甲子光年」实测

首轮交付后，我们继续增加要求：主体要有至少 60 秒的连续 3D 长镜头，工程还要提供 " 导演模式 "，允许调整土星飞掠段的观察距离与绕行方向，再把修改后的镜头导出。

Hy4 加上导演模式复核的成片，时长 90 秒、分辨率 1920 × 1080。本次以工程修改、输出结果和镜头要求为核验重点，视频来源：「甲子光年」实测

Hy4 使用原工程副本，镜头参数修改后，土星与环带的构图发生变化，按修改后的参数重新渲染。视频展示导出后的片段，渲染与编码耗时约 115 秒，视频来源：「甲子光年」实测。

不过，我们发现有一项核心要求没有通过：连续长镜头。

成片约 42 秒处，相邻两帧之间相机大幅转向，上一帧仍居中的土星，下一帧已离开画面。另一个名为 " 逆行绕转 " 的选项，只改变了路线偏移，没有真正反转绕行方向。此外，还有 " 距离说明数字陈旧 "" 键盘调参同时快进 " 两条明确缺陷，花费更多时间可以进行修正。

Hy4 从上述基准成片直接解码的相邻两帧。土星位置突变，连续长镜头要求未通过本次复核，图片来源：「甲子光年」实测。

房间改造里的变化更贴近日常生活：一个 14.4 平方米的房间，如何进行空间规划？

房间规划第一轮原指令节选

" 请根据我上传的 png，为一个小房间做完整的家具布局与 3D 展示。附件是测试用假想房间，所有尺寸和价格均为题设；不需要查询真实商品。"

第一轮，Hy4 依据假想户型图，把平面布局、3D 预览和预算放进同一页面，约 28 分钟完成交付，为四题中耗时最短的一轮。图标注床侧通道、衣柜开门区与门扇范围；书桌靠窗、衣柜沿侧墙、双人床置于另一侧。新增床头柜、书架、落地灯，按题设价合计 560 元，余 640 元。

左图为上传的原始平面图，右图为 Hy4 首轮自行截取的三维布局：完成给定尺寸下的布局、3D 展示与预算，图片来源：「甲子光年」实测

第二轮，我们设置的背景是 " 朋友要来过夜 "。除了加床，还要求支持拖动、旋转、锁定家具，再根据当前状态 " 一键安排来客 "。未锁定的家具可以移动，原有家具尺寸、门窗位置以及通行要求必须保留。

房间第二轮加码，原指令节选

" 让我在平面图拖动家具、90 ° 旋转、逐件锁定位置和朝向，3D 同步变化。点击 " 一键安排来客 "，根据当前摆放、锁定项和空间条件重新安排，允许移动未锁定家具，优先少搬大件。" " 用两次不同编辑验证结果确实响应输入，不能只在两套固定坐标之间切换。"

在升级版里，Hy4 先把床头柜拖到南墙边，转过 90 度，锁定位置和朝向。点击安排，床头柜没动，床、衣柜和书桌三件大件也都留在原处，客床移到东南侧展开。再换一种摆法，把床头柜锁在另一处。客床换了落点，这一次，双人床也向西让出了 10 厘米。加码轮 2 小时 10 分 51 秒、237 次调用；两轮合计 2 小时 39 分 13 秒、316 次调用。

Hy4 自行录制的房间设计自动化操作记录：移动、锁定、一键安排与返回日常。原采集约 5fps 再重采样，画面有卡顿，视频来源：「甲子光年」实测

消费报告实测是本次 Hy4 检查最细致的一个测试，唯一做了独立审计程序逐事件比对（965 事件 × 8 字段）+Excel16.0 原生重算 + 边缘状态 UI 复现。

我们构建了一份虚构账单压缩包：微信、支付宝、银行卡三个渠道、两批共六个 CSV，加一张商户类别表和两份数据说明。

三个渠道格式不一样——金额有的用元、有的用整数分，时间戳带时区，银行卡把收入和支出分两列；同一笔付款可能在两个平台各记一次，中间还混着退款、转账、充值和没成功的交易。

要求按说明统一口径，交一份能改的 Excel 账本和一个互动年度报告，每个数字都能翻回明细。

首轮交付也经过修正：初版曾把一笔 4999 元消费显示成 4999.09 元，大额榜和类别明细均出现过异常，但最终都进行修正。第一轮耗时 34 分 52 秒。

第二轮的核心只加一件事：让使用者修改一次分类，看报告会不会跟着重新组织。

其余是验收条件——改完要刷新还在、能撤销、原始 CSV 不动；同一批圆点要能从按 12 个月排队变成按类别聚合；分享卡即时采用当前状态；追加包重复导入不许重复入账；还得给出把修改同步回 Excel 重算的路径。加码轮 1 小时 16 分 22 秒。

Hy 本次复核：在通用明细控件中把 4999 元从「数码」改为「学习」，最大类别由数码 41277.41 元变为居住 40723.52 元，全年净消费仍为 152675.83 元，账单为模拟数据，图片来源：「甲子光年」实测

整体来看，分类修改、图表联动与防重入账均顺利跑通；但独立复核抓到了两处细节翻车：一处是点击撤销后页面弹窗提示 " 撤销成功 "，底层账单数据却并未改回；另一处是某页面状态未与主表实时同步。

Hy4 自行录制的自动化演示包括图形变换、分类修正、退款与分享卡，部分步骤由页面内部函数触发，图片来源：「甲子光年」实测

2. 跑分之外的真问题：

它能替人类省下多少事？

把四项测试放在一起看，Hy4 已经能将文字需求做成可运行的作品，并在原有工程上继续处理追加要求——从写代码、调工具到排错改功能，接连跑通一整套相互关联的工作。

这也回应了「甲子光年」此前在中的追问：基准测试里的高分，究竟能否转化为实际工作能力？

当时的梳理发现，今年 4 月至 9 月，混元至少有 4 组研究人员围绕 Agent 环境发表了 6 篇论文，涉及长时任务、手机操作，以及训练环境的自动生成与更新。

这些研究尝试让模型在交互中学习：执行操作、获得反馈，再调整下一步行动。评价 Agent 的工作能力，同样需要观察这一过程，以及操作之后究竟发生了什么。

在「甲子光年」看来，这轮实测呈现出两方面的生产力价值。

一方面，Hy4 能够分担多种技术工作。做视频、整理账单、规划房间布局，往往需要用到不同的软件和技能。模型接手部分编程、计算和音画制作后，用户可以把更多精力放在明确需求、比较方案和判断结果上。动手的门槛因此降低，个人也有机会尝试更多原本难以独自完成的事情。

另一方面，它能够接着处理变化中的需求。实际使用时，人往往看到第一版成果，才想清楚还要加一张床、换一个账单分类，或调整一段镜头。Hy4 能够在原工程上完成多项修改，让首轮生成的代码、数据和素材继续发挥作用。前一次制作的成果，可以成为下一次调整的基础。

腾讯混元官方测试还公布了模型参与科学研究的进展。从此次发布的内容看，数学探索、科学工具和模型研发，正在成为混元的一项重要方向。

此次披露的 MPV 猜想研究，为国产模型在科研场景落地提供了一个有力证明。这个猜想由墨西哥 Cinvestav 研究中心的 Fernando O. M é ndez、Rafael H. Villarreal，以及葡萄牙里斯本大学的 Maria Vaz Pinto 在 2024 年的论文中共同提出，属于交换代数领域的开放问题。

根据北京大学 AI4Math 团队公开的记录，团队将猜想和参考文献交给混元内部模型，通过数学研究系统 Pharos 组织探索。混元模型先找到反例，说明原猜想并非总能成立。模型的探索没有止步于此。它进一步提出了能使原结论成立的附加条件，并给出证明。随后，模型又把证明转成计算机能够逐步检查的 Lean 代码。据项目团队说明，相关证明已通过形式化检查，研究者也人工核对了代码中主要定理的陈述与论文表述是否一致。

这项合作让混元在科研中的贡献变得具体：研究者确定问题，模型承担探索、证明和形式化验证工作，研究者最终审查结果。

「甲子光年」认为，实测案例已经展示了 Hy4 分担制作和修改工作的能力，此次数学研究披露案例则展现了模型深入真实数学科研场景、攻坚开放问题的潜力。接下来，这些能力还需要在持续使用中证明自己的可靠性：让普通用户少花时间排错和返工，让研究者拿到经得起核查、能够继续研究的成果。成果能被检查，也能被接着使用，模型的能力提升才能转化为更稳定的生产力。

（封面图来源：甲子光年）