腾讯混元新增看图、操作电脑能力，AI助手开始接更长的活

让人工智能读懂一张图，再打开软件、修改文件、继续完成后面的步骤，比让它回答一道问题更接近真实工作。

11月4日，腾讯发布混元大模型Hy4正式版，首次引入视觉理解和电脑操作能力，并强化长文理解、指令遵循与多步骤任务执行。[1] 腾讯希望借此提升人工智能助手在办公、开发、金融和研究等场景中的实用性。

模型服务已经上线。腾讯在11月4日的发布公告中表示，正式版权重文件将于近期开源。 权重是保存模型已学知识与行为的参数文件，开发者能否下载并自行部署，要与现在能否通过产品调用模型分开看。[1]

看懂屏幕，只是操作电脑的第一步

腾讯介绍，新模型能够分析图片与复杂图表，并结合命令行和图形界面处理任务。前者是通过指令操作计算机，后者则是人们熟悉的窗口、按钮和菜单。[1]

把两种方式结合起来，意味着模型可以尝试在不同软件之间推进任务。例如，分析图表后整理资料，或在开发工具中生成、修改并检查内容。这里的关键变化，是模型需要根据执行结果决定下一步，而不能只交付一段听上去合理的回答。

腾讯称，团队对三维制作、计算机辅助设计等专业软件，以及跨应用的长步骤任务进行了专项训练。相关能力目前属于发布方的产品说明，具体任务中的成功率，仍取决于软件环境、工具权限和任务复杂程度。[1]

腾讯把自己的工作入口一起接了进来

腾讯表示，新模型已在办公助手WorkBuddy、编程工具CodeBuddy、元宝、企业微信智能助理和资料整理工具ima等产品上线。[1]

其中，办公助手结合企业微信套件，可以连通聊天、邮件、文档、日程和会议信息。腾讯举出的方向包括整理项目进展、识别待办事项，以及提醒临近截止的工作。[1]

这类能力的价值，取决于模型能否理解工作上下文。资料分散在多个应用中时，用户往往已经知道“该做什么”，真正耗时的是寻找信息、确认最新版本和逐项执行。

相应地，团队选用此类产品时，也需要弄清楚它实际接入了哪些资料、可以执行哪些操作，以及错误发生后怎样追溯。能调用更多软件，会放大模型的工作范围，也会增加对权限和过程记录的要求。

自测分数之外，要看任务是否做完

腾讯公布的金融任务众测覆盖579项真实任务，参与者包括内部与外部金融专家。公司称，新模型在该任务集的参测开源模型中得分领先。[1] 这一结果说明其在特定测试中的表现，不能直接扩展为所有金融工作或所有模型中的普遍排名。

发布方的部分搜索测试也显示，错误率较预览版下降，但仍有错误。对研究、财务等任务，生成答案之后的来源检查和人工审核，依然会影响整体使用成本。

价格方面，腾讯公布的标准接口价格为每百万词元输入6元、输出18元，并称其模型调用平台TokenHub在2026年12月31日前按刊例价五折计费。[1] 词元是模型处理文字等信息的小单位，并非一次用户请求。一项复杂工作可能包含多轮输入、输出和工具调用，因此不能把接口单价直接当成完成整项工作的费用。

腾讯这次把竞争的重点放到了更完整的工作过程：模型不仅要理解，还要在软件中继续执行。对用户最有说服力的检验，也将是同一件真实工作能否少返工、少等待，并稳定做到最后一步。

参考资料

[1] 腾讯. 腾讯混元发布Hy4，跻身最强开源模型之列[EB/OL]. 2026-11-04[2026-11-05].