腾讯混元 Hy4 开源：一张截图搓出完整网页，28 亿像素航拍图里找屋顶

给 AI 一张设计稿截图，让它自己把网页写出来、把按钮接上、再自己点一遍做测试——这大概是过去一年里，所有做前端的人既期待又害怕的场景。腾讯混元最新开源的 Hy4，把这件事又往前推了一步：它不只是生成代码，而是把“看懂界面、拆解结构、动手实现、回跑验证”串成了一条完整的交付链。

一分钟速览

• 腾讯混元 Hy4 从预览版转为正式版，预训练与后训练的数据、规模同时扩大，并用“Co-Design”方式与一线业务联合打磨。
• 首次引入视觉理解能力，能在 28 亿像素的航拍图中定位约 2 米大小的屋顶构件。
• 指令遵循、长文理解、长程 Agent 与电脑操作能力同步升级，腾讯方面称其已进入开源模型第一梯队。
• WorkBuddy 国内版、国际版首发接入；腾讯云 TokenHub、元宝、企业微信智能助理、ima 等产品同步上线，API 接入 OpenRouter、Hermes、OpenCode 等平台。

视觉理解是“会做事”的第一块拼图

过去的代码模型更像是“听写员”：你把需求描述得越细，它写得越准；一旦只给一张图，它就容易猜。Hy4 这次补上的视觉理解，改变的是信息入口。设计稿里的配色、字体、间距、层级，它先逐个拆开，量到像素级，再开始写代码。遇到裁切工具偏差，它会换一种方法，直接分析像素来定位线条、提取颜色，而不是卡在原来的路径上反复试错。

更极端一点的测试，是让它在 28 亿像素的航拍图里找目标。画面大到普通浏览器都会吃力，Hy4 仍能定位到约 2 米的屋顶构件。这个能力放在遥感、巡检、城市规划等场景里，价值比“生成一个漂亮页面”更直接：它意味着模型可以先看懂现实世界，再决定下一步做什么。

三个实测：3D 键盘、音乐播放器、整座游乐园

第一个任务是做一把完全可交互的 3D 机械键盘。75% 配列、84 键，键帽、轴体、定位板、PCB、电池和外壳六层结构都要有；鼠标拖拽能原地“炸开”看内部，装回去还能敲，连按键下压、弹簧回弹的物理动效都算进去了。这类任务考验的不是单点生成，而是把三维建模、材质、动画和交互状态组织成一个能运行的整体。

第二个任务更接近日常开发：只给一张复古音乐播放器的设计截图，让 Hy4 还原页面和播放功能。它先把布局拆完，再写代码；播放暂停、上下首切换、拖动进度、调节音量、循环与随机播放、搜索和收藏同步都接上了，还补了空格控制播放、方向键调整进度这类键盘操作。曲子没有让用户去找音频文件，而是用浏览器原生 Web Audio 实时合成，等于顺手把测试素材也备好了。

真正拉开差距的是验证环节。Hy4 写完代码后，自己在后台拉起无头 Chrome，在沙盒里对每个 UI 按钮挨个点击、拖拽，一边操作一边截图做视觉差异对比。第一轮 51 项测试过了 48 项，两项卡在测试脚本，最后一项是它自己发现的边界问题：列表放完最后一首歌，再点下一首时逻辑没有闭环。它改完这个边缘情况，重新跑回归，最终 59 项测试全部通过，控制台报错和运行时异常均为零。

第三个任务是把一张游乐场平面图“立”起来：设施位置、道路走向、摩天轮和旋转木马的转动都要照着图来，还要能第一人称进去逛。Hy4 走完了几何体建模、着色器配置、摄像机绑定这一整串流程，最后交付的不只是场景，还有小地图、WASD 移动、鼠标转向、Shift 加速、设施标签和一键返回入口，甚至加了“沿道路自动巡游”。

长程任务的关键，是“边做边验”

在办公场景里，Hy4 被要求根据一份便携投影仪资料做 15 页左右的新品介绍 PPT。它先把资料理顺，配图没有随便找，而是用原生代码绘制风格统一的矢量示意图，图表保留为可编辑形式。渲染到第 4 页时，它发现一段长文本挤出了安全边框，于是在后台重构版式，把单栏拆成卡片流，二次校验通过后才继续往下做，最后交了 16 页。

更能说明问题的是改稿。面对一套完全不同视觉体系的暗黑高对比度模板，它没有急着把 16 页全部重刷，而是先挑一页试套，确认没问题再批量修改。这种“小步试错、验证通过再推进”的工作方式，比一次性输出一大段代码更接近真实工程流程，也更能减少返工。

开源模型的竞争，开始拼“交付”

把 Hy4 的更新放在一起看，会发现一个明显变化：开源模型不再只比 benchmark 分数，而是比谁能把任务真正做完。视觉理解负责读入现实，长程 Agent 负责拆解和推进，电脑操作与工具调用负责落地，最后再用自测把结果兜住。这套链条一旦跑通，模型就不只是“回答问题的引擎”，而是一个能接管部分工作流的执行者。

对开发者来说，短期最实际的机会在两类场景：一类是“有图就能开工”的界面还原、活动页搭建、设计稿转代码；另一类是重复但需要判断的批量任务，比如图片压缩、资料整理、演示文稿初稿。它们不一定需要最强的通用模型，但非常需要稳定交付。Hy4 把视觉、Agent 和自验证捆在一起，正好切中这块需求。

当然，开源不等于免费午餐。长程任务越复杂，token 消耗、工具调用次数和失败重试的成本就越高；模型自己“觉得通过了”也不等于真的没问题，关键节点仍然需要人来验收。但方向已经很清楚：下一轮开源模型的比拼，不是谁更会聊天，而是谁更少让人返工。