愛範兒之後第二篇獨立上手,同一天 16:53 發佈。智東西在 WorkBuddy 裏給 Hy4 Flash 連做五組任務:黃仁勳的《日不落》MV、一句話造《模擬人生 5》、3D 網球比賽、北京地標動畫,再調用 Blender 讓鵜鶘騎上自行車。五組活全都交卷了,但每一組都留着看得見的毛邊。作者的結論很直接:這款模型最突出的本事是把多個步驟連續做完、把不同工具串起來;最清楚的短板有四處——精細度、審美、複雜結構還原、自檢閉環。
開場是一支黃仁勳唱蔡依林《日不落》的 MV。智東西參考了一套 AI 製作音樂 MV 的教程,讓模型依次完成音樂分析、畫風設計、人物繪製、劇本分鏡、視頻製作。人物設計還用上了視覺理解:上傳一張黃仁勳真人照片,模型參考髮型、眼鏡與黑色皮衣,把他轉成 Q 版像素小人,還做了一個可交互的角色預覽頁——5 種朝向、12 種表情、12 種動作,唱到「愛的明信片」時掏出一顆綠色 GPU 芯片。模型隨後按音樂節奏與歌詞設計劇情,生成 50 多個鏡頭的分鏡總覽,再編寫動畫代碼合成整支 MV。成片的問題有兩處:畫面精細度不夠,人物動作略顯僵硬、部分鏡頭切換不夠流暢;更明顯的是字幕錯位——明明要求按歌詞時間軸製作字幕、導出時檢查同步,最終字幕仍沒能準確跟上音樂。
第二組是複雜前端與 3D 場景。一句話「製作一款擁有畫面和玩法的《模擬人生 5》」,模型還真交了一個可以玩的簡化版:等距視角小屋、三名家庭成員,左側實時顯示飽食度、精力、娛樂、社交、衛生等狀態,右側查看角色信息;點擊傢俱安排動作、開啓自動生活讓人物自行活動,頂部有暫停、倍速、建造模式,下方記錄行爲。但這和真正的《模擬人生》相去甚遠:人物只是簡單的卡通小人,傢俱由基礎幾何形狀組成,房間結構與畫面都很簡陋。3D 網球比賽的完成度更高一些:交互式 3D 網球遊戲,球場、看臺、俱樂部俱全,發球、回合對打、計分、場地材質與攝像機視角切換都能用;但 Bug 也很具體:球場附近出現位置不合理的旗杆,兩名運動員看似打得有來有回,有時球拍根本沒有碰到網球,部分看臺觀衆的身體和座椅融在了一起。
第三組調用 GitHub 上的 perspective illusion Skill,做一段 10 秒北京地標主題動畫:天壇祈年殿、故宮角樓、央視總部大樓、中國尊、鳥巢按景深排布,鏡頭依次穿過,還自動配了帶中國傳統音樂韻味的 BGM。鏡頭運動與場景切換基本符合要求,但建築還原不太理想:天壇祈年殿、中國尊基本能辨認,央視「大褲衩」的造型發生了嚴重變形,其他地標也很難看出原貌。同一組裏還有一段富士山下的雨夜便利店 3D 微縮景觀:便利店、自動販賣機、自行車、路燈與街角護欄齊全,粉紫色霓虹、雨絲、溼路面反光營造出日式動畫的雨夜氛圍,可自由旋轉拖拽縮放——視覺效果相對不錯,但和效果出色的 AI 3D 場景作品比,美術細節與審美仍有差距。最後一組直接調用 Blender:通過 Blender Python API 編寫腳本,做一段約 16 秒的鵜鶘騎自行車動畫。模型搭出了鵜鶘、自行車與步道,還按要求設置了跟拍、特寫等鏡頭;編寫代碼約 26 分鐘、視頻渲染又用了 20 多分鐘,總耗時接近 50 分鐘。畫面比較粗糙:鵜鶘與自行車由簡單幾何體組成,部分渲染畫面幾乎沒有材質顏色,像未經美術加工的白模;鵜鶘的翅膀完全沒碰到手把,兩隻腳蹼仍然能跟着踏板交替運動。
作者把短板歸納爲四條:精細度(畫面、模型、材質大多停留在「能認出來」的層面)、審美(鏡頭、配色與構圖很大程度上依賴提示詞兜底)、複雜結構還原(建築、人體、機械越複雜越容易走形)、自檢閉環(模型自己還發現不了問題)。長鏈串聯則是另一面:從角色設計、分鏡規劃到動畫製作、視頻導出,模型能連續完成多個步驟、把不同工具串聯起來。文中還引用了騰訊對照表裏兩項本站此前未收錄的數字:PPT 生成評測 PPTGenBench 上 Flash 得 54.2(preview 52.3)、PPT 協作編輯評測 PPTCoEditBench 上 74.0(71.5);而涉及更復雜的軟件工程任務,Flash 與正式版之間仍有較大差距——Terminal-Bench 4.0 上 19.2 對 44.4、ProgramBench 上 16.0 對 30.0。騰訊盲測的數字(滿意度 2.79 分、任務耗時中位數 6.7 分鐘、單任務成本 ¥0.26)本站發佈文章已有,此處不重複。
參考來源:本文爲本站原創改寫與整理,事實與數據覈對自 智東西 — 搶先實測騰訊Hy4 flash,一口氣做出黃仁勳MV,比DeepSeek更便宜(2026-11-16)
← 返回騰訊混元 Hy4 專題