早上我夸了一顿WorkBuddy软件界面做得好啊，各种套路玩得溜啊。
下午，就要来测一测它上面的混元4（HY4）了。
整个测下来，还是有点点超出我预期的。我们之前对HY系列的印象是有点边缘化的，现在整体感觉是中等偏上了，已经超过很多之前比较强的国产模型了。
我这次测试的配置如下：WorkBuddy + HY4！
思考强度是无法选择的，默认为高，然后上下文窗口默认比较小，我拉到最高了。
HY4 预览版已经发布一段时间了，这次是从Preview转正了，目前应该是企鹅家最强的AI模型。
我稍微加一点背景资料：
官方发布信息是这样的，很朴素。 我就看到一个"新增视觉功能"，其它描述就比较泛。
基准数据如下：
这个数据，单论分数是不出彩的。但是比较来看就很有意思了。
大概能看出这么个意思：国外的 Opus5.5 和 GPT-6.1 Sol 咱们确实有点比不了，但是国内还是很能打的。 这个场景就很像K3.1pro发布的时候。
这里面最关键的还不是国内能不能打，而是"第三方"视角。
在这个图片中出现过的国产模型，在自己发布的基准中都非常强大。然后现在在 HY4 的视角里，又是另外一种样子了。 Z哥，你们真的需要更新一波了，世界变化太快了。
图表很清楚，我就不过多评价了。我对 HY4 没有太多期待，所以也不用下重手，我们就按正常的来测就行了。
竞技场的Agent排名如下：
HY4 Preview 的时候是排名 25 名，HY4 正式版跳到了 14 名。 从这个排名可以看出来混元肯定不是头部玩家，属于腰部玩家。 但是把范围缩小一下，按国内当前的现状来看，那这个排名就很不错了，仅次于 K3.1 Pro。 HY4的模型参数大概只有K3.1Pro的四分之一，但是能力快要赶上了，这也是挺神器的啊。
不过这个榜单，很多模型的排名也是很奇怪的，仅供参考吧。
大家可以看看，后面的排名，是否和你们想的完全不一样。
总的来说，HY4 的发布，无论是基准数据，排名，还是公告，都没有特别亮眼的地方。
我们还是直接上手跑跑看吧，数据是给别人看的，模型是给人用的。用起来的感受最重要。
因为我的 Work 主要是 Coding，所以测试题目还是 Coding 为主。以后会扩充一些 Work 相关的题目！
多模态推理
它的官方公告中有提到，这次新增"视觉功能"。这是补齐了一个短板，所以应该测一测。
刚好，我有一个基于多模态的视觉推理题目：
我的问题是：如果两炮能打掉红色框中的砖块，那么黄色坦克朝右开两枪会怎么样？
这个题目看起来很简单，但是很多AI模型都会答错。 只要它们想当然，根据历史经验来答题，就必错。
只要它们想到能用工具量一下，基本上不会错。 当然有些模型特别厉害，不用尺子量，一眼就能看出厚度关系。
WB + HY4 在这个问题上表现还不错：
除了时间比较久之外，没啥毛病！ （干了 9 分钟）
结论是完全正确的，我看了一下思路也是正确的，另外它竟然给我画了一个示意图，让我很意外哦，这次第一次有人给我画了个图，生怕我看不懂么？ 对不懂人来说，确实挺友好的！
赛博上河图
小试牛刀之后，我们进入常规测试。 看看赛博朋克版清明上河图的表现。
结果如下：
这个水平，国产模型中应该属于中等偏上。
已经有一定的空间感了，但是后面部分还是比较平，另外桥应该是横跨两岸的，而不是起点和落点都在河面上。后排的房子特色还不够清晰，堆叠感比较器，也有点分不清边界。
人物部分细节和轮廓已经做得比较好。
HY4预览版，我其实也是测过的，效果如下：
相比而言，好像预览版的色彩更加吸引人，看起来更加繁华的样子，另外它这个桥是横跨两岸的。
这个题目总共用了 20 分钟，时间比较适中！
大家可能会比较好奇和DSF V4.1比会怎么样！
下面是DS的效果：
这一次，DS 的层次感更好一些，房子的间距和形态看起来更舒服一些！
天文机械表
这也是我们常测的一个题目，刚开始一大堆模型都做不好。但是近期，大部分模型已经可以做出来了。
看下HY4的结果：
哇！ 这个设计看起来不错，一看就很贵的样子，表带也画出来了。 我大致测了下，各种功能也是正常的。
再来对比一下Preview预览版的效果：
无论是网页样式，还是钟表样式，在审美方面有很大的提升啊。
"鹅兄"你突然变这么优秀，我不习惯啊。
这个例子消耗了 24 分钟，不算快，但是也没有到很慢的程度。
同样拿 DS 做个参考吧：
DS 当时这个例子做得不是太好！
游戏复刻
听说Claude都禁止复刻游戏了，我们赶紧来看看HY4的复刻能力怎么样。我们不搞任何复杂的游戏，就测一下超级玛丽。
首先是看能不能，其次是看好不好。
首先它不会拒绝你复刻游戏。
image-20261105175858751
它很快找到了一个开源项目，然后开始"借鉴"了！
最终它的判断是："全部 40+ 项测试通过，画面和逻辑都达标了。"
结果如下：
最终的开发结果的话，整体来说还可以，能通关。
主要问题是，角色有点抽象，地图大致上是对的，但是有几个细节不一致。 另外玩法方面也有些小问题。比如死了会弹射升空，脚是悬空的，终点顶到天花板了。
这个例子，在国产模型中做得算不错的。相比 Claude、GPT 这些，还是有差距，因为它们已经可以做到"如假包换"了。
这个例子花了 47 分钟！
相比快的选手已经慢了，第一梯队可以在 20 分钟左右，做得又快又好。
但是相比某些慢的选手还是很快的，慢的选手可以干 3 个小时，反复验证，最后结果依旧拉胯。
同样贴一个 DS 做个参考吧：
DS 当时做的结果，有一个很大的问题，就是跳跃问题，常常跳不起来。然后地图也没有做到一比一还原，角色和场景也都是比较抽象的。 整体看，HY4 略胜一筹。
甲维斯的车库
游戏搞完之后，测试一下网页复刻和 3D 建模能力。现在新的模型基本都会宣传 3D 能力，HY4我不知道有没有宣传，但是基准中看到了一个3D 开头的基准。
HY4 的测试结果如下：
网页复刻没啥大问题，有了多模态能力之后，基本上都可以还原出来。 内容和布局都对的。只是有些细节稍微不一样。
建模能力嘛，只能说勉强能用。
最终效果，车子是车子，人是人，都能认出来。但是还没法追求细节和轮廓。
自行车建模还可以，其他车子差距还比较大，Mark III 这一块，谁看谁乐！ 我又把 Mark III 完整的三视图给它参考，跑了 28 分钟之后，提升非常有限。
这个例子，第一轮花了 1 个小时！
随着难度和工作量的增加，时间也越来越长了。这个例子花一个小时不能说很长，但是整体偏长了。
继续拿 DS 做参照：
哈哈。这一趴，这两位极其相似。 只能说是半斤八两的好buddy了。
游戏手柄控制
之前测试国内Flash模型的时候，出了一个新的题目。
题目内容是这样的：
帮我在网页上画PS手柄，然后支持真实的手柄接入，按相应的按钮，会做出对应的反应。要考虑到多手柄接入，我最多会接入四个手柄。
核心要求：
1、网页制作漂亮，匹配主题，有设计感
2、手柄轮廓和样式要高度还原
3、要考虑幽灵插槽的问题，能分清楚不同的手柄。今天我也让 HY4 做了一下。并且微调了一下提示词，让它把"Xbox"手柄也画一下。
结果如下：
可以参考一下原版：
我其实就是想告诉你们，我买了一个很好看的手柄🎮！
对比而言，整体布局是对的，但是画得比较丑，具体的位置和轮廓还有很大的提升空间，好几个按钮的位置都悬空或者重叠了。
可以看看表现比较好的选手：
当时叫它们画的是 PS 手柄，画的还是非常漂亮的。 一次性能用代码画出这么精美的手柄，只能说它们确实是在另一个level了。
HY4除了画的不太行之外，功能上也是有问题的。
其实从它画的几个手柄的名字就知道，它犯了基础错误，没有动态处理玩家和座位的问题。
我的游戏控制里面其实有 6 个设备。
两个是鼠标键盘，两个是USB接入的手柄，还有两个是 Xbox 的无线手柄。 它知道有手柄接入，但是完全无法绑定具体的手柄执行同步动作。蓝牙手柄被它忽略了。
这个例子大概花了 28 分钟，偏慢，快的几分钟就可以搞定。
大概就跑这些吧。
我对 HY4 是没有太大期待的。所以从预期的角度来说，其实是超预期的。前面几个例子表现还不错的。 后面的例子就比较吃力了。
整个测下来，我是比较平静的。我并不觉得它很差，也并没有让我特别兴奋的地方。
在顶尖模型这一块，国产模型好像已经没有席位了。
当然，话说回来，如果大家只是日常 Work，那么这个Buddy肯定是够用了。"日常工作"应该也是它的核心场景吧！
作为一个 770B 的模型，整体表现还可以的。在不同难度问题上分配的时间也是比较合适的。