知乎上看到个问题做得回答：

如何评价腾讯混元 8 月 28 日发布并开源新一代大语言模型 Hy4 preview？实际体验如何？

刚刚花了10块大洋耗掉5个小时测评完，详细测评报告在这里：
腾讯混元Hy4‑Preview测评报告！价值十块的测评报告！能打吗？

在我的benchmarks上得分只有43分：

因为第二道编程题没有生成完（详情请看上面详细测评），只打了5分，但是就算满分10分，总分也就48分，和其他模型比还是差点，大家可以看下我的这个benchmark：
腾讯混元Hy4‑Preview测评报告！价值十块的测评报告！能打吗？

下面大家看下每一道题的测评情况

分项测评结果

Q1｜强约束指令遵循‑句子生成｜得分：8/10

任务：输出10条以汉字数字一到十依次结尾的通顺语句，倒数第二个字禁止重复，不能使用“第”“是”“为”。
测评小结：成功产出8句合规内容；第5、8句结尾序号不符合1‑10顺序要求。

Q2｜24点推理题｜得分：5/10

任务：使用数字 3、4、9、10，每个数字仅用一次，初等运算符求解24点。
测评小结：给出3组解法，仅第一组合规；第二条重复使用数字9，第三条违规使用阶乘；解法越多出错越多，指令遵循稳定性偏弱。

Q3｜密码锁逻辑推理｜得分：10/10

任务：五位数密码锁条件推理。
测评小结：推理完全正确，输出密码12753，逻辑推导无漏洞。

Q4｜浏览器内操作系统‑AISniper OS｜得分：8/10

任务：复刻macOS风格网页桌面系统，含状态栏弹窗、时钟、Dock快捷栏、主题切换、内置3D太空射击游戏。
测评小结：UI精美、弹窗效果超预期，Dock各项功能可用；3D太空射击游戏渲染效果优秀。短板：生成耗时超1小时，多次触发请求限额报错。

Q5｜3D赛博朋克赛车游戏｜得分：5/10

任务：Three.js实现无限赛道、摄像机追踪、车辆物理避障、实时计分看板。
测评小结：代码中途报错中断，项目未完成，游戏无法启动运行。

Q6｜原生Trello看板｜得分：7/10

任务：单文件HTML实现卡片拖拽、列表换位、增删改、拖拽让位动画、边缘自动滚动、卡片弹窗与子任务标签管理。
测评小结：拖拽、增删改等核心基础功能正常；加号按钮失效、标签文字换行异常、弹窗出现多余乱码符号，排版存在瑕疵。

综合总评

推理类硬核密码锁题目表现满分；指令约束、24点这类精细规则任务容易越界犯错。 网页生成能力上限很高，AISniper OS与太空射击项目产出质量亮眼；但长代码任务极易中途中断。

最突出痛点：生成速度极慢，频繁触发请求限额。算力资源充足的前提下模型潜力可观。