Hy4 в программировании и агентах: официальные данные и сторонние впечатления
Статья составлена по открытым источникам и не является самостоятельным тестом Guishu Intelligence. Заявления разработчика и личные демонстрации третьих лиц разделены: доказательная сила у них разная, а вторые — это лишь несколько личных постов, а не системный тест.
Что заявляет разработчик
Данные со страницы исследования Tencent и официального WeChat, то есть позиция производителя:
- Управление компьютером: релизная версия Hy4 впервые поддерживает управление компьютером (CUA) через командную строку и графический интерфейс.
- Специальное обучение: проведено под Blender, CAD и длинные задачи между приложениями.
- Игры: Tencent заявляет о глубокой адаптации к основным движкам, таким как UE, Unity и Godot; GameDev и GameLogic выросли относительно preview на 19.1% и 9.8%. Это прирост относительно preview, а не абсолютный уровень и не сравнение с другими моделями.
- Длинные задачи и мультимодальность: команда Yuanbao сообщает, что завершённость мультимодальных агентных задач выросла на 36.8% относительно прежней VLM (см. WeChat); это внутренняя оценка продукта.
- Роль flash: Tencent советует отдавать повседневный простой фронтенд и computer use модели Hy4 flash, а длинную программную инженерию Hy4 (см. страницу flash). Оценка WorkBuddy говорит, что длинный Coding у flash немного снижается. Подробнее: как выбрать между Hy4 и flash.
Что есть в независимой оценке
Intelligence Index v5.0.1 сервиса Artificial Analysis включает задачи, близкие к программированию и терминалу, такие как Terminal-Bench 4.0 и FrontierCode-AA 2.0. У Hy4 общий балл 35 при медиане группы сравнения 43, страница отмечает медленную работу и очень длинный вывод; 35 лишь означает, что в этом наборе задач модель не лидирует, а не то, что она слаба во всех сценариях. Отдельных баллов по программированию на странице AA для цитирования нет, так что судить по ней о силе в программировании нельзя. Подробнее: обзор Hy4.
Личные демонстрации третьих лиц (X, 2026-11-17, очень малая выборка)
Это личные посты за день до открытия весов flash; в каждом один или несколько примеров, системным тестом они не являются.
- @DDJCXX: по одному и тому же промпту делал 3D-сцену водного переулка в стиле Цзяннани и счёл, что Qwen4-Max (xhigh) справился заметно лучше Hy4 flash (high), указав время. Исходный пост.
- @shabnam_774: с нуля сделал 3D Snake на flash и сравнил с DeepSeek-V4.1-Flash-1017 по тому же промпту. Выборка: 1. Исходный пост.
- @Histonemax: всю ночь прогонял 6 примеров, привык работать с Opus и считает flash пригодной. Исходный пост.
У этих постов нет единого промпта, критериев оценки и повторных запусков, и проверить, сколько вариантов вывода видел автор, нельзя. Первое сравнение скорее невыгодно для flash, два других положительные или нейтральные; вместе они говорят лишь о том, что первые реакции неоднозначны.
Как устроить собственную проверку
- Возьмите небольшую задачу с чётким критерием приёмки, например: «дверь открывается только после получения ключа, а после перезапуска состояние сбрасывается».
- Запускайте обе модели с одним и тем же промптом и одинаковым уровнем рассуждения, фиксируя время.
- При проверке управления компьютером ограничьте права и область действия и просматривайте журнал каждого шага.
- Делайте выводы после 3 и более запусков: результаты одной генерации сильно различаются.
О том, как работать с продуктами: WorkBuddy и CodeBuddy. Другие отзывы: отзывы и ограничения, характеристики flash: обзор flash.
Guishu Intelligence не проводила собственных тестов описанных здесь задач. Выпуск модели у разработчика не означает, что она доступна на нашем сайте.
Основные источники
Дата проверки: 2026-11-18.