腾讯混元 Hy4 正式版发布:770B 模型首次支持 Computer Use

举报
Agent同学 发表于 2026/11/18 10:14:20 2026/11/18
【摘要】 11 月 4 日,腾讯混元把 Hy4 从 preview 推到了正式版。对外披露的规格里,有两项比参数更值得注意:一是首次加上视觉理解,二是首次支持 Computer Use——模型可以直接看屏幕、点按钮、填表单,而不是只能对着接口返回 JSON。对做企业自动化的团队来说,这不算一次普通升级,它把"模型能碰到什么"这个问题的答案往外推了一格。 一、这次升级改了什么按公开信息,Hy4 是 77...

11 月 4 日,腾讯混元把 Hy4 从 preview 推到了正式版。对外披露的规格里,有两项比参数更值得注意:一是首次加上视觉理解,二是首次支持 Computer Use——模型可以直接看屏幕、点按钮、填表单,而不是只能对着接口返回 JSON。对做企业自动化的团队来说,这不算一次普通升级,它把"模型能碰到什么"这个问题的答案往外推了一格。

一、这次升级改了什么

按公开信息,Hy4 是 770B 总参数的多专家混合架构模型,此前的 preview 版本已经放出一段时间。正式版补齐了两块能力:视觉理解让它能处理截图、扫描件与图表;Computer Use 让它能操作图形界面。

配套的验证数据也一并给出:在金融场景的众测中,213 位专家做了盲测;幻觉率从此前的水平压到 7.2%;权重计划近期开源。这几项拼在一起的意思很直接——推理稳定性在往工程可用的方向走,而"能看屏幕、能点界面"意味着它开始接手过去必须由人手动完成的界面操作。

二、真正被改变的,是系统的接入方式

企业里的自动化项目有个长期难处:很多系统没有开放接口。财务的报销系统、制造业的 ERP、银行的网银后台,能给的往往只有网页界面,取数要么导出文件,要么靠人一个个点。过去这类活只能交给 RPA 脚本,而脚本一遇到页面改版就断。

模型具备界面操作能力之后,这条路的成本结构变了:它不再依赖固定坐标与固定控件,而是理解屏幕上的内容再决定点哪里。这个变化不解决全部问题,但把"改版即失效"的维护负担往下压了一截。

维护成本的差别在细节里。脚本式自动化依赖固定坐标与控件名,页面改一层结构就要重录;理解屏幕内容的路径依赖可读文本与语义位置,改版后仍可能跑偏,但调整范围小得多。两种路线都不用神话:真正的判断标准是同一类流程一年内要改几次。

三、对企业意味着什么

判断一项模型能力有没有落地价值,看三件事:它能不能进到现有系统里、判断错了谁兜底、跑起来有没有记录。

一是,能力必须落在具体环节上。Computer Use 单独存在没有意义,接上取数、判定、回写才算一条链路。二是,界面操作比接口调用风险更高——同样一步点击,在测试环境点错只是重来,在生产环境可能改错一张单。三是,能力越靠近执行端,治理越要往前放:能碰哪些系统、用哪个账号、越界怎么处理,需要在任务开始前定好,而不是事后追查。

这里可以看一类做过的活。财务月度对账要把内部台账与银行流水逐条核对,台账写对方单位全称、流水只写简称,跨口径且格式不统一。这类工作的做法是先把名称归一,再按金额分制与日期容差做配对,把对不上的记录分流成金额不符、日期超容差、单边挂账、一对多四类,每类附差异证据,人只处理待裁决队列。它不需要打开界面点按钮,但和 Computer Use 落在同一个位置上:先理解屏幕上和文件里的内容,再按规则判定,再把结论落到能被人接手的地方。

把镜头拉回选型。模型能力是可替换件,真正决定一套方案能不能用上三年的是它被放在什么结构里:任务定义、可碰的系统、产物落点、异常出口。Soiawork 把这类结构放在工作空间里——业务说明、知识库、技能与连接器绑在一起,任务开始前写清权限范围,跑完产物归档、用量可查,模型换一版不需要重搭一遍。

四、同一件事的另一半:流程与留痕

模型能看屏幕,不等于任务能跑完。一次完整的执行还要有流程:先取什么、按什么规则判、产物落到哪、异常交给谁。这些不在模型能力范围内。

在 Soiawork 里,这部分是显式配置的:一类工作共用的业务说明、知识库、技能与连接器放在同一个工作空间,任务开始前写清能碰哪些系统、用哪个账号,越界需要重新确认;运行时通过连接器与 Worker 进入网页后台或本地软件,产物归档到文件空间,用量与审计记录可查。模型能力可以随时替换,这套结构不变——这也是模型升级频繁时,企业更该先固化的部分。

图 1:一次界面取数与判定链路的分工:取数授权、界面操作、规则判定、结果回写

还有一类现实问题:界面操作很吃屏幕质量。分辨率低、弹窗多、加载慢的系统,失败率会上去;这类流程要么先做界面适配,要么继续走接口,别把一个能力当成万能钥匙。

五、别把新能力当成免维护

有两类判断需要提前说清。界面操作能力再强,也解决不了"规则没定"的问题:判定标准含糊,模型只会更快地跑出含糊的结论。另一点是,Computer Use 类能力当前更适合结构稳定、可回退的流程,例如内部系统的批量录入、跨系统搬数;涉及资金划付、对外承诺、审批签字的环节,仍然要保留人工确认。

图 2:模型能力、流程与治理三者的位置:模型在中间,流程与治理各占一头

一句话收束:模型升级值得关注,但它改变的是执行方式,不改变企业该做的功课——流程先理清、口径先定死、权限先收窄,然后再谈把屏幕交给谁去点。不是所有环节都适合交给模型操作,也不是所有团队现在就该上这类能力;先落地不等于成熟,跑稳一批再扩范围。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。