Hy4 trong lập trình và agent: tổng hợp chuyên đề chính thức và trải nghiệm bên thứ ba
Bài viết tổng hợp tài liệu công khai, không phải kết quả tự kiểm thử của Guishu Intelligence. Lời của hãng và demo cá nhân của bên thứ ba được tách riêng, vì độ tin cậy của hai loại khác nhau: loại sau chỉ là vài bài đăng cá nhân, không phải kiểm thử hệ thống.
Chuyên đề theo lời hãng
Những mục sau lấy từ trang nghiên cứu và WeChat chính thức của Tencent, là quan điểm của nhà sản xuất:
- Điều khiển máy tính: Hy4 bản chính thức lần đầu hỗ trợ điều khiển máy tính (CUA), bao gồm dòng lệnh và giao diện đồ họa.
- Huấn luyện chuyên biệt: đã huấn luyện cho Blender, CAD và tác vụ dài giữa nhiều ứng dụng.
- Game: hãng nói đã thích ứng sâu với các engine phổ biến như UE, Unity, Godot; GameDev và GameLogic tăng 19.1% và 9.8% so với preview. Đây là mức tăng so với preview, không phải trình độ tuyệt đối, cũng không phải so sánh với mô hình khác.
- Tác vụ dài và đa phương thức: nhóm Yuanbao cho biết mức hoàn thành tác vụ agent đa phương thức tăng 36.8% so với VLM trước đây (xem WeChat); đây là đánh giá nội bộ của sản phẩm.
- Phân vai của flash: hãng khuyên dùng Hy4 flash cho giao diện đơn giản và computer use hằng ngày, dùng Hy4 cho kỹ thuật phần mềm dài hơi (xem trang flash). Đánh giá WorkBuddy cho biết Coding dài hơi của flash giảm nhẹ. Chi tiết xem Hy4 và flash: nên chọn thế nào.
Thông tin liên quan trong đánh giá độc lập
Intelligence Index v5.0.1 của Artificial Analysis có các tác vụ thiên về lập trình và terminal như Terminal-Bench 4.0 và FrontierCode-AA 2.0. Tổng điểm của Hy4 là 35, trung vị nhóm so sánh 43, trang ghi nhận chạy chậm và đầu ra rất dài; 35 chỉ cho thấy trong bộ tác vụ này mô hình không có lợi thế, không có nghĩa là yếu ở mọi kịch bản. Trang AA không đưa riêng điểm thành phần về lập trình để trích dẫn, nên không thể dựa vào đó để đánh giá mạnh yếu về lập trình. Chi tiết xem đánh giá Hy4.
Demo cá nhân của bên thứ ba (X, 2026-11-17, cỡ mẫu rất nhỏ)
Đây là các bài đăng cá nhân vào một ngày trước khi flash mở trọng số, mỗi bài chỉ có một hoặc vài ví dụ, không phải kiểm thử hệ thống.
- @DDJCXX: dùng cùng một prompt làm cảnh 3D phố nước Giang Nam, cho rằng Qwen4-Max (xhigh) tốt hơn rõ rệt so với Hy4 flash (high) và có nêu thời gian. Bài gốc.
- @shabnam_774: dùng flash làm 3D Snake từ đầu và so với DeepSeek-V4.1-Flash-1017 bằng cùng prompt. Cỡ mẫu là 1. Bài gốc.
- @Histonemax: thử xuyên đêm 6 ví dụ, quen dùng Opus và thấy flash dùng được. Bài gốc.
Các bài này không có prompt thống nhất, tiêu chí chấm điểm hay chạy lặp lại, và cũng không thể xác minh tác giả đã xem bao nhiêu lần đầu ra. Bài đầu là so sánh thiên về bất lợi cho flash, hai bài sau tích cực hoặc trung lập; gộp lại chỉ cho thấy phản ứng ban đầu chưa đồng nhất.
Nếu tự thử, nên thiết kế tác vụ thế nào
- Dùng một tác vụ nhỏ có thể nghiệm thu, ví dụ: "phải lấy chìa khóa mới mở được cửa, chơi lại thì trạng thái được xóa sạch".
- Chạy cùng một prompt, cùng mức suy luận trên hai mô hình và ghi lại thời gian.
- Khi kiểm tra điều khiển máy tính, hãy giới hạn quyền và phạm vi, đồng thời xác nhận nhật ký thao tác của từng bước.
- Chạy từ 3 lần trở lên rồi mới kết luận, vì mỗi lần sinh có thể khác nhau nhiều.
Cách dùng trong sản phẩm xem WorkBuddy và CodeBuddy. Thêm phản hồi xem phản hồi và giới hạn, thông số flash xem đánh giá flash.
Guishu Intelligence chưa tự kiểm thử các tác vụ nêu trong bài. Việc nhà phát triển phát hành mô hình không có nghĩa là trang của chúng tôi gọi được mô hình đó.
Tài liệu tham khảo chính
Ngày đối chiếu: 2026-11-18.