腾讯发布 Hy4，首次实现视觉理解与电脑操作

腾讯进军电脑操作模型赛道。公司发布 Hy4，这是其首款能够理解图像、并可自主操作软件的多模态语言模型。模型不再局限于根据文字提示生成回答，而是把视觉输入与软件操作能力结合起来，尝试完成需要观察界面、理解内容并采取行动的任务。腾讯同时宣称，Hy4 在中国 AI 模型中位居第二。

从语言交互走向软件操作

Hy4 的核心变化在于将图像理解和电脑操作纳入同一模型能力范围。具备视觉能力，意味着模型可以处理图像信息；能够操作软件，则进一步让它有机会在应用界面中执行任务，而非只给用户提供文字建议。这使 Hy4 的定位从传统问答模型扩展到多模态交互与实际操作。

电脑操作能力受到关注，是因为许多数字任务并不止于回答问题，还涉及在软件中查找信息、理解页面状态并完成后续步骤。Hy4 发布所体现的方向，是让模型从“看懂内容”迈向“在软件里行动”。不过，现有材料没有披露其支持的软件范围、操作流程、性能指标或具体应用案例，因此这些能力在真实工作流中的覆盖程度仍有待进一步观察。

基准成绩与排名说法

在 Artificial Analysis Intelligence Index 上，Hy4 获得 35 分。这个成绩被描述为表现扎实，但仍落后于 Kimi K3.1 Pro。腾讯则称 Hy4 在中国 AI 模型中排名第二。两项信息分别反映了基准测试中的分数表现与腾讯对其国内位置的判断，但原文没有提供完整榜单、其他参评模型的分数，或排名所依据的具体统计范围。

因此，35 分和“国内第二”都需要结合各自的评价口径理解。基准指数提供一个可供比较的量化结果，而公司发布时提出的排名说法，则还需要明确对照模型和评测条件，才能完整判断其含义。就已披露信息而言，可以确认 Hy4 已进入相关基准比较，但不能据此推断它在所有任务、所有模型类别中都稳定排在第二。

腾讯承认能力短板

腾讯方面承认，Hy4 在高难度数学题和复杂图像分析上，仍明显落后于最强的商业模型。这一表态为模型能力划定了边界：视觉功能的加入，并不意味着它已经在所有需要精密推理或深入解读图像的任务上达到行业领先水平。数学推理与复杂视觉分析仍是当前评价模型能力时的重要考验。

这也说明，模型能力不宜用单一分数或单项新功能概括。Hy4 能理解图像并操作软件，是产品方向上的扩展；但在高难数学和复杂图像分析方面的差距，则提示用户和开发者仍需关注实际任务表现。腾讯没有在原文中披露差距的具体数值，也没有给出相关测试的细项结果，因此目前无法量化它与领先商业模型之间的距离。

多模态与代理能力的意义

把视觉理解与软件操作放进同一模型，意味着模型需要将输入信息与后续行动联系起来。对用户而言，这类能力有望减少从“询问模型”到“亲自打开软件完成操作”之间的切换；对模型开发者而言，则提出更高要求：系统不仅要理解界面，还需要在操作过程中保持对任务目标和当前状态的判断。Hy4 的发布显示腾讯正在探索这一产品方向，但原文未说明其操作自主性的具体限制或安全机制。

市场层面的另一个信号，是模型竞争正在从单纯比较文本生成能力，扩展到视觉输入、软件执行和复杂推理等组合能力。Hy4 的 35 分成绩、相对 Kimi K3.1 Pro 的落后，以及腾讯对高难任务短板的承认，共同呈现出一幅更完整的能力图景：新功能带来差异化，但模型整体水平仍需要通过多种任务检验。

后续值得关注的，是腾讯是否会进一步公布 Hy4 的评测细节、支持场景与迭代计划，以及其电脑操作能力能否在实际软件任务中稳定发挥。现阶段可以确认的进展，是腾讯推出了首款支持图像理解和自主软件操作的多模态语言模型；同样明确的限制，则是它在高难数学和复杂图像分析上仍落后于最强商业模型。Hy4 能否把操作能力转化为可靠的用户价值，还需要更多公开信息与真实使用表现来检验。