混元 Hy4 正式版上线了。相比之前的 Hyra 2.0 预览,这版最值得说的不是又涨了几个点,是第一次把视觉和电脑操作能力打包进了开源模型。
视觉好理解,能看图。电脑操作(GUI 操作,直接控制鼠标键盘跟软件界面交互)才是真东西——模型不再只靠 API 跟你说话,它能自己开个窗口、点按钮、填表单。GameDev 和 GameLogic 评测分别涨了 19.1% 和 9.8%,数字背后是"能动手"这件事被认真当指标了。
我一直觉得,Agent 这局真正的胜负手不是谁的模型最聪明,是谁先让模型稳稳接进真实工作流。API 调用是窄门,桌面操作是宽门。一个开源模型要是既能看懂屏幕又能自己操作,大批"重复但琐碎"的办公和运维活儿,就有了现成的下手处。
当然,能操作和操作得对,中间差着十条街。GUI 操作最怕界面一变就抓瞎,鲁棒性才是拦路虎。腾讯这步是把门推开,不是把路走通。
我的判断:开源阵营抢"能动手的 Agent"入口,会比再刷一轮纯文本 benchmark 更有看头。谁先把"看+操作"做稳,谁就握住了普通人用 AI 的第一个真实触点。