一次不掺水的免费模型 Agent 能力实测:Hy4 flash(腾讯,11 月底前免费)配 WorkBuddy,一句话丢一个带验收要求的游戏开发任务进去,看它到底能自治到哪一步。几个工程点值得看:一是它拿到模糊需求(「数值自己定但要合理」)不是照填,而是先立设计原则——逼「疯狂接单」走不通、引导用学 AI 提升长期单价;二是它把「做完」定义成「自己开浏览器点一遍」,主动探查环境有没有浏览器自动化工具、自编检查程序覆盖 12 格 / 5 事件 / 双结局;三是它不盲信断言,程序报全过后仍要截图肉眼验收排版与中文编码;四是改需求前会先做可达性验证,避免改出「根本赢不了」的版本。本文按六步还原,附完整提示词、验收清单与「免费模型能不能当主力」的分场景判断。
我是小虎,浙大计算机本硕,破局行动家,《AI超级个体——一人公司完全指南》作者,专注于AI培训、超级个体打造、公司提效陪跑。
昨天腾讯出了个新模型,叫 Hy4 flash,11 月底前免费。
大家好,我是小虎。
免费的东西我见多了,是骡子是马,得拉出来遛遛,我的判断是先看实际延迟和吞吐能不能打。
按腾讯的说法,这模型主打一个又快又省,查资料、处理文档、做 PPT,连盯着屏幕点鼠标都能接。
官方那轮盲测,它的满意度几乎追平贵十几倍的 Claude Haiku,花的钱却只有人家的零头。
我直接丢给它一件整活:造个能玩的游戏、自己开浏览器验收、再改一版。
第 1 步:一段话丢过去,我就没管了
任务就是下面这段,我没拆步骤,也没教它怎么做。
帮我做一个能在浏览器里玩的小游戏:《一人公司的一天》。主角是一个一人公司老板,一天有12个时间格(早8点到晚8点)。每格可选5件事:接单/写作/学AI/休息/陪家人,每件消耗时间、加钱或加健康或加技能,数值自己定但要合理。目标:30天内赚到10万,且健康不低于40。要有随机事件:客户砍价、平台限流、灵感爆发,各写一个。要能一路玩到结局,通关或失败都要结算清楚。做完你要自己打开浏览器,亲自玩一遍验收:确认12个格子都在、5件事都能点、数值会变、随机事件会触发、能玩到结局。发现问题自己改,改到能玩了再交给我。最后改一版:把30天改成15天、赚钱目标提到15万,要真的改到游戏里生效,不许只跟我说改好了。过程中截图给我看,信息不全的标出来问我,别自己编。
扔过去我就不管了。它接了活,先"深度思考"了起来,这一等就是差不多两分钟。
有点慢对吧,情有可原,免费的东西全网都在薅,服务器不挤才怪,等哪天开始收钱、人一分流,速度自然就回来了。
第 2 步:它先想的是"取舍",不是代码
我以为它上来就噼里啪啦写代码。没有。
它先撂了一句:"我先把一个问题想清楚:一个'12 格 × 30 天'的游戏,真正难的不是把数值填进去,而是让玩家必须在'赚钱'和'活着'之间做取舍——如果光接单就能赢,这游戏就没意思了。我会按这个思路来设计平衡。"
就这一句我就知道,它不是接活照着做,是先想明白做成什么样才叫像样。
想透了才建清单、写成网页文件,双击就能玩。
我那句"数值自己定但要合理",是句模糊话,它也接住了:"数值上我会让'疯狂接单'这条路走不通(健康撑不住),逼着玩家用学 AI / 写作提升长期单价,再用休息回血。"
第 3 步:它自己去查能不能开浏览器
这是最超出我预期的一段。
游戏文件写好,它没说"做完了",而是说:"游戏文件已经落地。现在到了关键环节——我得真的把它跑起来玩一遍,而不是只看代码自嗨。
先探查一下这台机器上能不能驱动浏览器来自动点击和截图。"
你品品这话——它没等我催,自己就要去真跑一遍。
它把探查结果也摊开了:这台机器上自动开浏览器点页面的工具都齐,它能在真实浏览器里逐个点,不靠脑补。
接着自己编了段检查程序,把 12 格、5 件事、数值、三种事件、通关和失败两条结局全点了一遍。
第 4 步:检查说全过了,它不信
它确实点出十几项全过。到这儿都在我意料之内。
接着它说了句让我坐直的话:"不过我不想只信断言——视觉是给真人看的,我得亲眼看截图确认排版没塌、中文没乱码。"
自己编的程序说全过,它偏不信,非要亲眼看。这份较真,比"全过"两个字值钱。
然后它真去截了图、一张张看。
第 5 步:它盯上了随机事件有没有真弹出来
验收还没完。它又补了一句。
看完它说:"事件日志里三类事件都留下了橙色高亮记录,数字也跟着动了。"是真去看画面了,不是光看程序吐的两个字"通过"。
第 6 步:改稿前,它先问"改完还通不通关"
最后一步是我题目里写死的:30 天赚 10 万,改成 15 天赚 15 万。
我本来以为它就是换个数字、说句"改好了"完事。
它偏偏多想了一层。
这段我没教过它一个字。改出个根本赢不了的游戏,等于白改——它自己想到了。
改完它又验了一轮,15 项全过,还专门去看界面文字真跟着变了。
它玩出来的游戏,长这样
先把话说清楚,免得你误会:它是个网页,不是那种有小人跑来跑去、带动画的游戏。
但能玩。12 个格子一点,钱、健康、技能当场就变;砍价、限流、灵感中途弹出来;一路点到底会结算,赚够了弹通关,没赚够弹失败,还能再来一局。
这两张,是它自己玩出来的结局:
它最后交上来的清单是这样:
写在最后
一件事说到底:免费到 11 月底的 Hy4 flash,能不能当主力?
我的判断是——这种多步骤、要自己验收、中间得动脑子的整活,可以放心交给它。
你丢一句模糊需求过去,它自己想标准、自己做、自己验、自己改,中间基本不用你插手。
对一个人扛好几摊事的小老板来说,省的不是几分钟,是那份"得盯着它"的心。
腾讯那轮盲测也是这个结论:满意度几乎追平贵的 Claude Haiku,单个任务花的钱只有零头,耗时最短——这是腾讯自己测的,我如实标出来,没拿它当独立评测。
但别把它当万能。长程硬编程别指望它——官方跑分里硬邦邦的编程工程测试它只拿了十几分,大哥 Hy4 四十多,差了一大截。
以上为完整实测记录,那段提示词可直接复用;把「丢模糊需求 → 看它是否自己立标准 → 看它是否自己验收 → 改稿前验证可达性」这套观察法沉淀下来,换任何模型都能快速摸清它的自治边界。