本地部署腾讯 Hy4 770B，对比 Q4 与 INF 量化版在代码生成上的表现

Hy4 架构渊源与基准测试定位

本期视频重点展示在本地运行腾讯开发的 Hy4 模型。作为全球最大游戏公司，腾讯组建包含游戏设计师的专家团队优化该模型，目前处于 预览版本 阶段。根据官方基准测试数据，Hy4 在 SWE-bench 65% 指标上表现优异：

"According to their benchmarks, you can see that SWE 65 beating Deep Seek V4 Pro..."

架构上，Hy4 融合了多种前沿技术：借鉴了 DeepSeek V3.2 和 Kimi Delta Retention，并采用了 GLM-4.5 的索引优化。代码层面极具吸引力，旨在成为本地部署的前沿模型。

Q4 量化版实测：重复循环与生成缺陷

测试环境为 M3 Ultra (512GB 内存)，使用 Infuse 应用。首先测试标准 Q4 量化版（占用约 404GB 内存）。在生成太阳系代码时，虽然能运行但 行星缺乏光照；开启思考模式后陷入重复循环。尽管可通过调整温度参数跳出，但通常会导致代码质量下降。

"It ends up getting into a repetition loop... temperature usually generates worse codes."

其他测试中，Q4 版生成的“人脸”模型出现 恐怖的眼窝和肿胀脸颊；Photoshop UI 生成美观但无法交互。在处理 WinRT 问题时再次陷入循环，显示 Q4 版在复杂逻辑上存在稳定性短板。

INF 优化版突破：内存权衡与代码鲁棒性

切换至 INF 量化版，其优化后占用内存增至 424GB（仍在 512GB 限制内）。在禁用思考模式下，太阳系生成效果与 Q4 相似（光照缺失似乎是模型固有特性）。但 开启思考模式后，INF 版表现显著提升：生成约 2.2万 tokens（速度 9.5 tok/s），代码 首次编译无错误，且行星光照正常。

"The fact that we've got this code running error-free on our system, like first time compiled with no errors..."

INF 版支持 禁用思考模式（GLM-4.5 已移除此功能），这是其重要优势。在生成核弹爆炸效果时，INF 版未拒绝请求且无运行时错误，展示了比许多现有模型更强的代码鲁棒性。

修改既有代码与 M5 Max 侧写测试

接下来测试模型 修改现有代码的能力，使用 Qwen3-8B Flash 生成的太阳系项目作为基础。作者提及在 M5 Max (128GB) 上运行 Qwen3-8B Flash 是其首选，并上传了该模型的 INF/Q4 量化版进行对比。

在 M5 Max 上测试 Q4 标准版生成摩托车赛车游戏：代码可运行但存在 上下颠倒的 Bug。这表明 Q4 版在复杂游戏逻辑上仍需多次迭代优化。INF 版的优势在于更高的内存效率与更稳定的代码生成，适合本地前沿模型部署需求。

INF版赛车游戏与Q4量化对比

在测试INF版本且思考模式设为中等时，模型成功生成了完整的赛车游戏代码。与之前Q4版本出现运行时错误不同，INF版虽然存在车轮方向错误的视觉bug，但成功避免了编译错误。作者指出其Mac Studio长期用于基准测试和科研推理，因此使用MacBook Pro本地运行该模型既有趣又高效。即便未启用MTP技术，生成速度依然很快。

"So, this is the INF edition and with thinking at medium... it didn't actually come up with a compile error."

太空飞船激光功能与思考模式耗时对比

在基于Q4 EXP生成的太阳系代码基础上，作者要求添加飞船激光控制。禁用思考模式时生成24,000个token，虽能运行但存在运行时错误且飞船未点亮；启用思考模式后生成40,000个token，耗时约67分钟（按9.8 token/s计算），但实现了进入飞船、射击激光及更壮观的爆炸效果。尽管无法摧毁太阳，整体交互逻辑更为完善。

"With thinking enabled... 40,000 tokens. And just let me remind you, it's running at 9.8 tokens a second."

程序化人脸与飞行模拟器的生成质量对比

在测试程序化人脸时，禁用思考模式仅生成类似鸡蛋的基础形状；启用后消耗38,000个token，生成了具有下唇、光照但缺少上唇和眼睛的复杂模型。作者对比指出GLM 5.3曾生成20万token，而该量化版本表现已属优秀。在飞行模拟器测试中，禁用思考模式仅4,000个token且缺失飞机；启用后7,000个token即生成了包含无限视野、程序化草地、水面和山脉的完整场景，作者认为这是极具潜力的生成结果。

"It's kind of like N64, but done right... It is actually just endless."

西部射击场景：无运行时错误的一次性生成

在测试第一个“西部小镇”场景时，模型生成了包含持枪角色、马匹和射击机制的代码。尽管画面中有一些建筑物遮挡，但核心交互功能正常：角色可以开枪并伴随逼真的后坐力反馈。值得注意的是，该模型在首次生成时便直接运行成功，没有产生任何运行时错误（Runtime Errors）。这与当前许多依赖“循环纠错”机制的最新模型形成鲜明对比，后者往往需要不断在代码执行环境中修正错误才能运行。这种一次过生成可执行代码的能力被视为该模型的一大亮点，表明其在基础逻辑构建上的稳定性。

混沌公园模拟器：Apache 2.0 许可与思维链的深度交互

接下来测试的是“混沌公园模拟器”，启用Thinking（思考模式）后，模型生成了约 51,000 tokens 的代码（尽管界面显示为 1,000，实际消耗巨大）。生成的场景包含过山车、旋转木马以及可交互的 NPC。玩家可以使用水枪、臭气弹攻击人群，甚至会被保安驱逐。这种高自由度的物理交互和混乱机制展示了模型在复杂场景构建上的潜力。

"Great thing about this model... is full on Apache 2 license. So, it's very, very commercial friendly."

该模型采用 Apache 2.0 许可证，相比 Kimi K3 或 GLM-5.3 等带有营收门槛限制的商业条款，其完全友好的商业使用政策是一个显著优势。此外，启用思考模式后生成的代码量从基础的几千 tokens 激增至数万级别，虽然生成时间较长（约每秒 10 tokens），但场景完整度显著提升。

卡丁车与程序化城市：从基础物理到复杂生态的演进

在“卡丁车”测试中，禁用思考模式仅生成带有基础物理碰撞的占位符关卡；而启用Thinking 模式后，代码量达到 21,000 tokens，生成了具备完整碰撞检测、手刹漂移和加速机制的成熟卡丁车游戏。随后测试“程序化 3D 城市”，禁用思考模式生成 8,000 tokens，仅呈现基础街区且车辆行驶方向错误；而启用思考模式后，模型在 3GB 显存限制下生成了高达 38,000 tokens 的代码。最终呈现的城市包含机场、飞机航线、公交总站、学校及商业区，并支持玩家点击接管 NPC 角色。尽管模型在生成过程中曾出现一次着色器错误，但经过约 20 次迭代后成功修复。这种从“基础占位”到“完整生态”的质变，证明了思维链（Thinking）机制在提升代码复杂度和场景完整度上的决定性作用。

Hy4生成复杂游戏场景与恐怖射击体验

在展示Hy4模型的游戏生成能力时，视频演示了包含学校、医院等设施的复杂城市街区构建。尽管基础资产简单，但模型能生成具有逻辑性的道路车辆转弯行为。这种对场景细节的把控能力表明，随着模型和光照效果的优化，该架构有望构建出完整的虚拟国家。随后演示了启用“思考”模式后的第一人称恐怖射击游戏，该模型体积是之前DeepSeek版本的四倍。在昏暗的森林场景中，七只僵尸来袭，虽然缺乏声音氛围且因远程桌面导致鼠标锁定困难，但模型展现了出色的心理恐怖营造能力。玩家仅拥有108发子弹，僵尸的逼近机制极具压迫感。尽管第一波敌人清除后光线过暗导致游玩体验不佳，但模型成功实现了无运行时错误的关卡逻辑、波浪式敌人刷新及美丽景观生成。

"You just got to see past the basic assets to do it."

"Like these models, they got really good skills of psychopathy. They can really scare you."

量化质量验证与图像生成能力对比

为了测试模型的INF版本量化效果，视频使用了一个简单的Canvas动画：一辆车在道路上行驶。通常劣质量化会导致车轮方向错误、窗户位置异常等伪影，但在此测试中，太阳渲染美丽，车辆正确行驶在道路右侧（非美国标准），且车灯方向正常。这证明INF版本的量化工作有效。遗憾的是，视频未能提供标准Q4版本与INF版本的直接对比数据。在图像生成方面，Photoshop测试显示标准Q4版本无法进行实际绘制，而INF版本成功生成了程序化人脸。该生成结果不仅包含头发细节，还具备手臂和肢体结构。这一对比清晰地展示了INF版本在复杂生成任务上的显著优势，而Q4版本在此场景下失效。

"So, this is showing that the quantization is working this INF edition."

"With Photoshop... you can actually draw some stuff with the INF version."

编程逻辑测试与模型规模优势分析

在基础编程能力测试中，Hy4在处理WinRT问题时启用了思考模式并给出正确答案。模型指出Durable版本是获取订阅所需的正确选择。该次生成消耗了1.1万Token。此外，模型展示了新的“Min Max Thinking”功能特性（将在后续视频详解），该机制旨在解决GLM 5.3过度思考及产生无意义输出的问题。在Swift和C++语言理解以及IMO数学测试中，模型均给出了正确解答。

尽管模型目前仍处于预览阶段，但其780B参数规模极具吸引力。相较于难以运行的2.8T参数模型，Hy4的体积虽大但可控。视频作者测试了融合版本与云端版本的对比，发现本地运行在某些案例中甚至优于云端。该模型采用Apache-2.0许可，由全球最大游戏公司开发，展现了本地AI作为前沿技术的巨大潜力。

结论

Hy4在本地部署中展现了显著优势，其INF量化版通过思维链机制大幅提升了代码鲁棒性，实现了复杂场景的一次过编译成功及商业友好的Apache 2.0许可。然而，标准Q4量化版存在严重的重复循环与生成缺陷，且模型整体体积庞大（780B参数），对硬件内存要求极高。该结论表明，Hy4目前仅适用于拥有512GB以上统一内存的高端本地环境（如M3 Ultra），在低配设备上Q4版稳定性不足，且部分生成任务仍受限于光照缺失等固有特性。