锐英源软件原创内容，禁止转载和任何形式的非法内容使用，违者必究
📑 本文目录
Hy4大模型升级要点、Hy4多Agent能力实验和Hy4图像细粒度测试，近期WorkBuddy提示腾讯混元Hy4大模型升级，支持多Agent模式，锐英源软件用精细特征算法成果进行了测试，图像细粒度能力和多Agent能力测试通过。看图功能能区分原生内容和算法内容，多Agent能力遇到终止条件可以终止，证明了Hy4的成功升级功能强大。
近期免费，这是最好的消息，在WorkBuddy里选择Hy4，不扣积分。
腾讯混元 Hy4 正式版发布后，Agent 能力的变化不是某一项跑分的提升，而是「感知 — 操作 — 规划 — 可靠 — 协作」这条链路被整体补齐。下面用 5 个方向和一组实测数据，说清楚它到底强在哪。
长程规划与执行 — 1M 上下文、多步状态跟踪、自我校验与端到端闭环
电脑操作 Computer Use — 命令行 + 图形界面灵活切换
视觉理解 — 细粒度图像、复杂图表、数学视觉推理
可靠性与指令遵循 — 幻觉率与猜测错误率大幅下降
上下文学习与多轮协作 — 连通聊天、邮件、文档、日程、会议，跟得住多个并行项目
五个方向合起来，才是一次完整的 Agent 任务闭环 —— 从「回答问题」到「完成任务」。
视觉理解 · 首次引入
细粒度图像处理、复杂图表分析、数学视觉推理；不只是「看图说话」，而是能理解截图内容并据此做判断，图文混合推理与跨模态上下文能力同步增强 —— 从「只能读文字」到「看得懂画面」。
电脑操作 · 首次支持
命令行与图形界面灵活结合：看懂屏幕后点击、输入，也能写命令完成系统级任务。针对 Blender、CAD 等专业软件以及跨应用长程任务做了专项训练 —— 从「给建议」到「自己动手操作软件」。
多模态 Agent 任务完成度提升
36.8%
多模态问答提升 15.8%（元宝多模态理解场景，相较此前 VLM 模型）。感知能力补上后，Agent 才能处理报表截图、界面反馈这类真实输入。
1M tokens 上下文 — 长文中持续抓住关键信息，长程任务不丢上下文
会自己校验、自己调整 — 多步骤浏览器任务里观察操作反馈，据此调整并验证结果
端到端闭环 — 多步骤、长时间跨度任务中持续跟踪状态、调整策略
专业软件专项训练 — Blender、CAD 及跨应用长程任务的规划执行能力
工具调用深度（对比 Hy4 preview）
3.7 倍
调用链更深，但耗时与 Token 消耗未见明显增长 —— 多走几步不是靠堆算力硬撑，而是规划更有效。
实测：王者荣耀 20 类游戏配置场景准确率 91.74% → 97.28%，经 Agent 自主校验修复后达 99.32%。
可靠性：幻觉与猜测都变少
幻觉率 15.76% → 5.45%，猜测导致的错误率 23.1% → 5.6%（自建测试口径）。指令遵循同步提升，复杂指令下更准确把握意图、约束与优先级。对企业 Agent 来说，「不瞎编」比「答得溜」重要得多。
上下文与协作：记得住、串得起
元宝内部评测集合总分 65.25 → 72.53，其中多轮记忆 +6.67 分、写作多样性 +10.89 分；指代消解更智能，多轮衔接更连贯。还能连通聊天记录、邮件、文档、日程与会议等多源信息，多项目并行时识别待跟进任务与临近截止事项，协助安排优先级 —— 从「一问一答」变成「长期跟着项目走」。
WorkBuddy 综合评测 — 平均效果 83.18 分，通过率 96.15%，12 个场景中 9 个位列国内模型第一
金融场景众测 — 3.04 分，213 位专家、579 个真实金融任务盲测，开源模型第一
游戏生产 · 王者荣耀 — Bug AI 自动分析平台代码根因分析准确率 59.5% → 73.8%
结论：升级的落点不是分数，而是把任务交出去之后，它能自己收口。
Hy4 已接入腾讯云、WorkBuddy、CodeBuddy 并开放 API，定价维持不变；即将上线的 Hy4 flash 会进一步降低调用成本。
分组 |
内容 |
确定原生 |
黑牛侧身全身（头、耳、眼、口鼻、躯干、四腿、上翘的尾）；黑色毛发纹理与皮肤褶皱、背部高光；黄褐色泥土地面与干草碎屑；灰色金属 / 混凝土围板、栏杆、左后方另一头牛的局部；自然光照与阴影 |
确定算法 |
覆盖躯干的蓝色半透明矩形及其亮蓝 1–2px 边框；矩形中央蓝色文字 Body；沿牛体外形的绿色细轮廓线 / 绿色点状标记；两条腿上的洋红色 1px 轮廓及洋红小字（文字内容不确认，见第四节）；尾根处洋红椭圆圈及小字；黄色小方块、青色小圆点、紫色小星形，位置贴合蓝框角点或边缘 → 控制柄 / 关键点 |
无法判断 |
牛左耳附近的青色图形是真实塑料耳标、还是算法对耳标区域的高亮 / 关键点（两个子代理结论相反）；洋红与绿色小字的逐字内容；被蓝色填充完全遮盖处的牛体原始细节 |
分组 |
内容 |
确定原生 |
黑牛侧身（朝右：头、耳、眼、颈、躯干、四腿、下垂的尾）；毛发与肌肉起伏、明暗；泥土地面、土墙 / 板墙、右上金属栏杆；整体光照 |
确定算法 |
覆盖躯干的灰色半透明多边形蒙版及浅米白 2–3px 描边；顶边呈阶梯状折线、只覆盖躯干而不含头与四肢 → COCO 风格 segmentation 多边形可视化；文件名「coco 自动化标注测试结果」亦指向自动标注输出 |
无法判断 |
牛耳上的青绿色圆形物件：倾向原生实物耳标（有立体渐变、贴合耳面、透视自然），但两个子代理均未排除它是算法绘制的耳标 / 关键点高亮；灰色蒙版下缘与牛腹真实轮廓的贴合偏差；鼻端一小块浅青白斑点是反光 / 草屑还是残留标注 |
分组 |
内容 |
确定原生 |
牛脸正面：额头中央螺旋毛旋、灰白相间毛发、双眼及眼球高光、眼周皱褶、鼻梁长毛；鼻镜（湿润颗粒纹理、鼻孔、白色触须、反光）；毛发间浅色草屑与高光斑点；左侧黑色失光背景、右侧棕色毛发；自然光照 |
确定算法 |
额头旋毛处的白色大圆圈 + 圆心白色实心点 + 白色文字 Radius: 140px（唯一可逐字确认的白色标签）；约 7–8 个亮绿色矩形框；沿左脸边缘、圆下方、鼻部的绿色 1px 轮廓线与线段；多处绿色小字，格式呈「类别名 : 数字」（内容不确认，见第四节）；一条白色 1px 细竖线（性质存疑） |
无法判断 |
绿色小字的逐字内容、总框数、类别名；左下 / 右下两个小框内文字是 Radius: 39 还是其他字符串；白色细竖线是否为半径指示线；绿色框属于检测框、关键点框还是分类标签框 |
环节 |
结果 |
子代理 A（独立判读） |
生成放大 / 高对比局部图逐处查看，读出粉色 |
子代理 B（独立复核） |
图像查看工具对同图重复追问返回去重提示，无法放大；除 |
主代理直读 |
确认蓝框 |
终止点（按任务预设触发）：两个子代理在 ① 小字逐字内容 ② 青色耳标与小色点归属 上给出互斥读数，主代理直读亦无法裁定。此处终止该分支的继续深挖——不再放大 / 裁剪图像、不读取目录内算法文档反推答案、不补全文字、不猜测。仅保留第一节的「最低认识」与第二节中标注为「确定」的项。
这是自动收口的表现。
对分歧的处理原则：Legs / Foot、Parallel: 39 / Radius: 39 / 不可辨认等互斥读数一律不采纳，统一记为「该处存在程序化文字标签，内容无法可靠辨认」。这是本次能给出的最低认识。
总结：使用WorkBuddy的难点往往是不知道数据怎样处理，这个实验里，锐英源软件敏锐地数据方案设计能力值得关注，欢迎关注本号，关注后有联系方式。