国产大模型一周连发两款「能看会干」的新模型，普通人能拿来干嘛

11 月 4 日到 6 日，腾讯混元 Hy4 和蚂蚁百灵 Ling-3.2-flash 先后亮相。它们有个共同点：不再只是「会聊天的文本模型」，而是能看图、能处理超长资料、能在真实软件里干活的「多模态生产力模型」。对普通人来说，这意味着 AI 离「替你办事」又近了一步。

腾讯混元 Hy4：第一次「会看图」，第一次「能操作电脑」

11 月 4 日，腾讯发布混元 Hy4 正式版。它采用 770B 总参数、49B 激活的 MoE 架构，最值得记住的变化是两件事：第一次引入视觉理解能力，第一次支持电脑操作（Computer Use）。视觉方面，它能做细粒度图像处理——官方演示里，它能在 28 亿像素的航拍图中定位约 2 米大小的屋顶构件，也能重组 900 片拼图还原莫奈画作；还能解读复杂图表、处理带图的数学题、综合多张图联合判断。电脑操作方面，它可以结合图形界面和命令行来完成任务，并针对 Blender、CAD 等专业软件做了专项训练。

在自家产品上，Hy4 已上线 WorkBuddy、CodeBuddy、元宝、企业微信智能助理「大圆」、ima 和腾讯云 TokenHub。官方披露的办公场景评测里，平均得分 83.18、任务通过率 96.15%，12 个场景里 9 个居国内前列；金融众测以 3.04 分居开源模型第一。发布当天用户大量触及额度，推理集群紧急扩容十倍，Hy3 限免时间也延长到 11 月 15 日。价格上，输入 6 元/百万 token、输出 18 元/百万，缓存命中 0.3 元/百万，发布期 TokenHub 有 5 折优惠。内部评测还显示，它的幻觉率从预览版的 12.95% 降到了 7.2%。

蚂蚁百灵 Ling-3.2-flash：5600 亿参数，原生多模态

11 月 6 日，蚂蚁百灵推出原生多模态模型 Ling-3.2-flash，总参数 560B、激活 25B、上下文窗口 1M，架构上原生融合视觉与语言，支持图像、文本、视频输入，重点强化复杂视觉理解、多模态长程智能体、3D 理解与交互、医疗多模态四类能力。按官方公布的评测，它在 OmniDocBench 1.5、ZEROBench(Sub)、Vision2Web 三项基准上得分 92.21、43.71、85.86，对比对象分别为 90.56、39.52、80.20。API 输入价每百万词元 0.30 美元、输出 0.90 美元，上线前两周限时免费体验。

「原生多模态」和「后接多模态」的区别在于：前者从训练起就把图像、文本、视频放进同一个框架理解，而不是先训好文本模型再外挂一个看图模块。这对医疗影像、工业检测、长文档图文混合这些场景更友好——模型不是分别「看字」和「看图」，而是把两者当成一件事来处理。

「能看会干」背后的行业转向

把这两款和同一周的 Kimi K3.1 Pro、百度文心 5.5 Flash Base 放在一起看，国内大模型的主线很清楚：从比谁的文本分数高，转向比谁更能接住真实工作流。百万级上下文让模型能吃下整份合同、整个代码库；视觉能力让它看得懂图表、照片、设计稿；电脑操作和 3D/专业软件适配让它从「给建议」变成「直接动手做」。腾讯在金融场景联合 213 位从业者、基于 579 个真实任务做盲评，蚂蚁把医疗多模态单列为核心能力，都是这一转向的注脚。

当然也要客观看：模型在演示和基准里很强，不等于到你的具体业务里零摩擦。专业软件操作、长程任务仍有失败率，价格也随调用量放大。对普通人，更现实的价值是先把它当「更强的中文助理」用起来——处理长文档、看图表、写代码、做设计稿，比追逐参数更有意义。

对普通人来说，这类模型最现实的入口，其实是你已经在用的那些产品。Hy4 已经接进元宝、WorkBuddy、企业微信智能助理「大圆」和 ima；Ling-3.2-flash 通过百灵的开放接口提供服务。你不一定需要懂什么是 MoE、什么是上下文窗口，只要在对话框里把一份长 PDF 丢给它总结要点，或者拍一张图表、设计稿让它解读，就已经在用上这些新能力了。