腾讯混元Hy4新增视觉理解与电脑操作，7分钟视频拆解全程无需人工介入

腾讯混元刚刚发布了 Hy4，首次加入了视觉理解和计算机操作能力。我在 WorkBuddy 里测试了它，给它一段 7 分 19 秒的视频，要求逐镜头拆解并生成风格卡。提示词写得很苛刻：不要编造台词、字幕或品牌；把能看到的和推断出来的分开；如果一个镜头中途切换，就拆开。我原本以为它会输出一段关于“电影质感”和“节奏舒缓”的套话。结果 Hy4 先把文件打开了。@tencenthunyuan @tencentai_news @workbuddy_ai 视频： 提示词：

整个流程端到端跑了 62 分钟。一次都没卡住，我也完全没介入。我没料到的是，Hy4 真的把整段视频啃了下来：ffmpeg 不在 PATH 里，它就找到了内置的二进制文件；cv2 缺失，它就换了解释器并装了一个 ASR 包。它解码了全部 10,527 帧，用两次识别交叉校验了音频，还把片尾极小的字幕放大来读。89 个镜头，平均 4.93 秒，93 行分镜。凡是听不清的地方都标了 [听不清]，而不是自己填上。

我把 Hy4 生成的风格卡读了两遍。里面没有一个“电影感”的字眼。它写的是 2.35:1，中位亮度 83/255，主色 #5C5550 占比 22.6%，平均镜头时长 4.93 秒，语速 195 wpm，无旁白，无字幕——后面还跟着一长串不能做的事。把“这个感觉对了”变成别人可以照着架机器的数字——我一直以为这部分是我该干的。

然后我换了个话题，让 Hy4 根据这张卡写一段 3 分钟的采访脚本：180.00 秒，35 个机位，38 行分镜，7 个问题，前 4.63 秒不切。有一处让我停了下来。需求里要字幕、CTA、品牌植入和旁白；风格卡把这四样全禁了。Hy4 没有偷偷改掉规则。它提出外挂一个 .srt，把 CTA 揉进一句台词里，把品牌处理成背景里一个虚焦的形状。从一个视频文件到一份能拍的脚本，我没有重述需求。

我之前一直在用 Hy4 的预览版。日常任务够用了，所以正式版出来时，我以为改进会在稳定性这类地方。我没料到的是多模态支持——而这恰恰是真正让我惊艳的部分。一段 7 分 19 秒的视频从头到尾被拆开，62 分钟没有卡顿，风格被提炼成可复用的参数：我没指望一次跑下来能拿到这么多东西。总的来说，这是个真正的惊喜。Hy4 有很多值得期待的地方。