Tencent Hy4 обошла GPT в OSWorld и научилась управлять компьютером

⚡ Главное за 5 секунд

• Tencent выпустила Hy4 — первую модель линейки Hy с визуальным вводом и управлением компьютером.
• Работает двумя путями: команды в терминале и действия в графическом интерфейсе. Контекст — 1 млн токенов.
• В OSWorld 2.1 Hy4 набрала 78,9 против 75,2 у GPT, но уступила Claude (81,8). В ProgramBench и Terminal Bench 4.0 отставание от обоих заметнее.

🔍 Что случилось

Tencent выпустила Hy4 — первую модель в линейке Hy, которая принимает не только текст, но и картинку, а ещё управляет компьютером. Работать она умеет и через терминал, и через графический интерфейс. Контекстное окно — 1 млн токенов. Сама компания описывает назначение так: разработка, автоматизация рабочих процессов, работа с документами и создание интерфейсов. Об этом пишет блог BotHub на Хабре.

Механика для класса computer-use агентов привычная: модель получает состояние экрана, решает, что делать дальше, и выдаёт либо команду оболочки, либо клик в интерфейсе. Цифры из того же поста: ProgramBench — 30 у Hy4, 46 у GPT, 56,5 у Claude. Terminal Bench 4.0 — 44,4 / 55,5 / 66,4. OSWorld 2.1, где ИИ выполняет задачи в реальной ОС, — 78,9 / 75,2 / 81,8. То есть ровно в одном тесте из трёх Hy4 впереди GPT, и то на 3,7 пункта.

🧠 Наш разбор

Ставка на компьютерных агентов сейчас — самый очевидный способ зайти в разговор о «модели, которая реально работает». Чат-ботов с 1 млн контекста уже не продать, а вот «нажми за меня в админке» — ещё живая боль. Наша оценка: Hy4 — это не попытка обогнать Claude по общему интеллекту, а заявка на нишу, где пока нет устоявшегося лидера. Один выигранный бенчмарк из трёх это подтверждает лучше, чем опровергает.

Что меняется на практике. Связка «визуальный ввод + миллион токенов» бьёт в длинные сценарии: разобрать пачку документов, пройти многошаговую форму, не потеряв контекст по дороге. Для разработчиков интереснее терминальная часть — там 44,4 против 66,4 у Claude, и это честный сигнал, что в сложных shell-задачах Hy4 пока не конкурент. Документы и интерфейсы — да, отладка руками — не совсем.

Кто выигрывает: Tencent получает вход в разговор про агентов, а не про чат; команды, которым нужен дешёвый автоматизатор рутины, — потенциальную альтернативу. Кто проигрывает: те, кто строил позиционирование на «мы единственные, кто кликает по экрану». По опыту рынка, отрыв в таких нишах живёт месяцами, а не годами.

⚠️ Чего мы не знаем

Главное слабое место — источник. Это пересказ в блоге компании-интегратора, а не официальный анонс Tencent с техдоком. Мы не знаем ни размера модели, ни лицензии, ни цены, ни того, открыты ли веса, ни задержек при работе с экраном. Все три бенчмарка — самозамеры, а не независимые прогоны. Что стоит проверить самому: доступность через API и то, как модель ведёт себя на многошаговых задачах, а не на трёх репрезентативных наборах.

Прогноз: в течение квартала появится хотя бы один независимый прогон OSWorld 2.1 с участием Hy4 — на чужом стенде или в открытом лидерборде. Если 78,9 подтвердится, разговор про «догнала GPT» станет предметным; если просядет, спор закончится сам.

Дисклеймер: цифры бенчмарков и описание возможностей идут из пересказа в блоге BotHub, официальный анонс Tencent мы не проверяли — один источник.