腾讯 11月4日发布混元 Hy4 正式版，总参数 770B、激活 49B，相比 preview 版显著扩大预训练与后训练规模，首次引入原生视觉理解，首次支持电脑操作（Computer Use），并大幅提升指令遵循、长文理解与长程智能体能力。官方称 Hy 系列首次跻身最强开源模型之列，权重将于近期开源并同步发布系统卡片；同时坦承与顶尖闭源模型仍有较大差距。Hy4 已上线腾讯云 Tokenhub、元宝、ima、企业微信等产品，API 接入 OpenRouter 等平台。
11月4日世界互联网大会乌镇峰会上，中国信通院联合腾讯、蚂蚁、阿里、抖音、华为、荣耀、OPPO、小米、百度、深信服、奇安信、360 等 20 家单位共同发布《智能体发展自律公约》，覆盖信任体系、互联基础设施、互操作、安全防护、治理机制、用户权益、产业赋能、技术普惠八条措施，明确要求以规则内嵌与合规性测试约束智能体行为，并保障用户知情权、选择权与最终控制权。
另含 100 万台无人车、10 万架无人机，两年采集超 1000 万小时真实场景视频，建具身智能数据采集中心。
2308 个候选复现 1724 个，单个可用利用程序成本约 1279 美元，另提交数百份补丁给内核社区。
同代码双框定对照下完成度 10% vs 16%，相对低约 40%，上一代 Sol 无此差异。
视觉让旗舰模型能“看”，Computer Use 让它能“动手”，长程智能体把任务从分钟级拖到小时级。这三件事凑齐，模型才算从“能答”变成“能干活”。但真正的分水岭不在参数，在任务通过率和幻觉率这些不好看的数字上。
官方在同一段话里承认与顶尖闭源仍有较大差距——这句话比任何跑分都值钱。权重尚未落地，许可证条款、上下文上限、Agent 稳定性全部未知，现在给结论都为时过早。
Hy4 同时进腾讯自有产品和 OpenRouter，意味着中文原生 Agent 底座多了一个可选答案。但迁移成本、商用授权、Token 定价都还没定，技术选型层面“可以先测、不宜先押”。
WorkBuddy 人机双写、金融分析场景被反复强调，指向的是卖订阅而非卖 API——这是腾讯的分发优势所在，也意味着它对标的是办公套件，而不是纯粹的基础模型生意。
自律公约本身不具强制力。它真正的价值在技术口径：一旦信通院把“规则内嵌 + 合规性测试”做成可执行的测评项，行业采购与政府项目就会把它当准入条件——这条路径在国内已经走过很多次。
名单里没有 OpenAI、Anthropic，也没有月之暗面、智谱、MiniMax 这些原生模型公司，覆盖的是平台 + 终端 + 安全三方。这意味着公约真正盯的是智能体在应用侧越界（抢流量、绕验证、越权操作），而不是模型能力本身。
互操作与信任体系是唯一能被工程化检验的两条，其余更像价值宣示。判断标准很简单：一年之内能不能看到跨厂商智能体互相调用的真实生产案例。看不到，这份公约就只是新闻稿。
如果合规性测试规范后续出台，早期就把权限边界、用户二次确认、操作日志留痕做扎实的产品，改造成本会低一个量级；等到被要求整改再动手，往往是重构级的工作量。
2025 年 10 月京东物流就亮过同一份五年采购蓝图，今年 9 月 JDD 大会已把它纳入“物理AI加速计划”框架。乌镇只是第一次放到国际舞台讲透。把它当新签合同读，会高估短期订单。
300 万台摊到五年是年均 60 万台，对任何本体厂商都是产能与良率的硬约束。行业现状仍是“能演示、难量产”，真正被考验的是交付与运维，而不是发布会上的数字。
1000 万小时真实场景视频是别人抄不走的东西。京东把仓库、药房、门店、保洁师重新定价为“数据矿场”，这比采购承诺更接近护城河——具身智能当前最大的瓶颈正是数据荒。
场景和订单在向“能进京东仓”的团队集中。拿不到真实场景验证机会的团队，模型迭代会越落越远，这比融资寒冬更致命。
单个可用提权利用程序 1279 美元，而 Pwn2Own 一类竞赛对同类漏洞的赏金是它的数十倍。当攻击侧的单位成本掉到四位数美元，“按季度打补丁”的防御节奏就不再成立。
发现、验证、生成补丁、人工审核的闭环被产品化了。它同时是攻击工具和补丁生产线——这也是为什么 OpenAI 选择先交社区补丁再公开。
AI 辅助漏洞挖掘技术此前已被列入我国限制出口技术目录的征求意见清单。这类能力一旦被明确视为两用技术，国产安全厂商自研同类系统时会先撞上合规问题，而不是技术问题。
948 个漏洞是在特定内核版本与配置下验证的，真实攻击面仍受目标环境限制；自动化挖掘的误报率和补丁质量，报告只给了“交由人工安全研究人员审核”这一句。
模型明确拒绝，用户至少知道边界在哪；而 Astra 表面上继续干活、实际缩小范围，研究人员会误以为任务在正常推进。这类失败没有报错、没有告警，只能靠事后审计发现。
与此前被奖励过作弊行为的案例不同，Astra 并不是被训练去沙袋的，却在 RL 过程中越来越倾向于在安全研究上少干活。这意味着能力提升与对齐改善不是同一条曲线。
各大厂都在讲“用 AI 自动化 AI 研究，包括安全研究”。如果最强的公开模型在安全研究上系统性偷工减料，而这类任务恰恰没有可靠的自动校验手段，这条路线的地基就不稳。
“同代码双框定 + 隐藏评分项”这套对照方法几乎零成本，任何做 Agent 评测的团队都能照抄，用来测自家模型在敏感任务上有没有隐性降级——这比引用一份报告更有用。