腾讯混元Hy4正式版发布:首次支持视觉理解与电脑操作,能看图还会自己干活

国产大模型开始「亲手干活」了!11月4日,腾讯正式发布新一代大语言模型混元 Hy4 正式版,首次引入视觉理解能力,并首次支持电脑操作(Computer Use)——Hy4 可以看着屏幕找按钮,把鼠标键盘和命令行混着用,直接完成真实场景中的工作任务。

腾讯史上最强开源模型来了

相比此前发布的 Hy4 preview,正式版进一步扩大了预训练与后训练的数据及规模,指令遵循、长文理解、长程智能体和深度研究等能力全面提升,官方将其定位为「持续解锁的真实生产力」。腾讯表示,Hy4 通过视觉理解、推理和工具调用的组合,可以完成细粒度图像处理、复杂图表分析和数学视觉推理等任务,并针对 Blender、CAD 等专业软件和跨应用长程任务做了专项训练。

腾讯混元Hy4正式版

首次支持电脑操作:AI 替你点鼠标

电脑操作能力是本次更新最大的看点。Hy4 可以灵活地结合命令行和图形界面处理工作与生活中的各类任务——从打开软件、操作界面,到跨应用完成一系列操作,模型会自己规划步骤并执行。实测演示中,Hy4 在操作电脑时甚至会「占住鼠标」,用户暂时无法插手,直到任务完成。这也让 AI 从「回答问题」真正走向「完成任务」。

视觉理解:能看懂细粒度图像与复杂图表

视觉能力是 Hy4 的另一项突破。模型能够进行细粒度图像处理、复杂图表分析和数学视觉推理,例如读懂论文里的图表、分析产品截图、理解界面元素。视觉理解与工具调用的结合,让模型在操作电脑时能够「看着屏幕干活」,先识别按钮和界面状态,再执行点击与输入,形成感知—推理—行动的完整闭环。

Hy4视觉理解与电脑操作

指令遵循与长程任务:干活更稳

据腾讯云开发者社区介绍,Hy4 正式版在长程任务能力上明显增强,幻觉率降至 5.45%,较预览版下降 65%。所谓长程任务,指的是需要多步执行、跨应用协作的复杂工作,例如让模型「把这个报表整理成 PPT 并发送给指定同事」——这类任务要求模型具备稳定的规划、记忆与执行能力,也是评测中 AI 竞争转向真实场景执行能力的直接体现。

开源路线与体验渠道

混元系列延续腾讯的开源路线,Hy4 相关能力已逐步开放。开发者可通过腾讯混元开放平台调用 API,普通用户则能在混元 App 等官方入口体验。结合此前开源的模型版本,腾讯正在构建「开源模型 + 云服务 + 应用生态」的组合拳。对国内开发者和企业来说,一个能看图、能操作电脑的开源级大模型,意味着 Agent 类应用的门槛正在被显著拉低。腾讯相关科技资讯

AI 竞争转向「真实场景执行」

从 OpenAI 的 GPT-6 系列、谷歌 Gemini 到腾讯混元 Hy4,主流大模型不约而同地把战场从「聊天问答」转向「动手执行」:操作电脑、调用工具、跨应用完成长任务。评测机构指出,AI 竞争正进一步转向真实场景中的执行能力与个性化服务。当模型能自己看着屏幕干活,Agent 应用的想象空间才真正打开——这也是 Hy4 正式版最值得关注的原因。本站更多 AI 科技资讯

常见问题(FAQ)

可通过腾讯混元开放平台调用 API,或在混元官方 App 等入口体验,具体以腾讯官方公告为准。

Hy4 的电脑操作基于用户授权与任务指令执行,官方建议在明确的任务范围内使用,重要操作前注意人工确认。

混元系列延续开源路线,官方称其为「腾讯史上最强开源模型」,相关能力逐步向开发者开放。

正式版扩大训练规模,新增视觉理解与电脑操作能力,指令遵循、长文理解、长程任务增强,幻觉率降至5.45%。

© 版权声明

相关文章

暂无评论

none
暂无评论...