极客公园实测深读：CPO 研报、3D 腕表与 NAIAD 复刻

极客公园在 Hy4 发布后做了中文媒体里最完整的首批实测：三条线——长程投研任务、视觉代码生成、游戏复刻——每条都给出了可验证的交付物，而不是只跑个基准分。本文深读这篇实测，提炼它对 Hy4 能力的真实判断。

第一条线：CPO 投研任务，「初级研究助理」雏形

极客公园给 Hy4 布置了一个 CPO（共封装光学）赛道投研任务，要求交付研究报告与估值模型。Hy4 交付了报告 PDF 与可复算的估值表格（xls），评价是「初级研究助理」雏形——能把资料搜集、结构梳理与数字建模走完一个完整闭环，但研究判断的深度仍有限。这个评价与官方 FiT 金融众测的 3.04 分（开源第一）方向一致：金融分析是 Hy4 的相对强项，但「助理」与「分析师」之间还有距离。

第二条线：Three.js 3D 机械腕表，交互全跑通

第二条线是视觉代码生成：用 Three.js 做一个 3D 机械腕表拆解网页。Hy4 交付的页面交互全跑通——拆解动画、部件高亮、视角控制形成完整交互闭环。这是视觉理解与代码生成的结合：模型要先「看懂」机械腕表的结构，再把它写成可交互的 3D 页面。极客公园的判断是，视觉让产品更好用，但还定不了胜负——因为视觉能力正在成为各家旗舰的标配。

第三条线：NAIAD 游戏复刻，视觉自检闭环

最有技术含量的是第三条线：复刻 NAIAD 这款游戏的网页版。Hy4 的工作流是「多帧看懂 → 重做一遍 → 渲染回读验证」：先看 81 秒的游戏录屏，逐帧提取画面理解玩法与视觉风格，再用 Canvas 2D 重做一遍，最后通过无头浏览器做 4–5 轮自我检查——渲染出来、截图回读、发现问题、再改。这个「看-做-验」的闭环是 Hy4 视觉 + 电脑操作能力的综合体现，也是 preview 完全做不到的任务形态。

实测的结论：门槛，不是终点

极客公园的总体判断是：Hy4 达到了开源第一梯队的门槛，但与全球顶尖仍在追赶；真正的考验要看 Hy5。这个判断与官方数据相互印证：AA 指数 35 分中国第二、与 Grok 4.7 持平；Terminal-Bench 4.0 44.4%，落后 Kimi 的 66.8% 与 Claude 的 66.4%；但金融众测开源第一、OSWorld 2.1 距 Claude 仅 2.9 分。

值得注意的是，极客公园的实测没有触及 Hy4 最受争议的两个点：AA-Omniscience 89% 的幻觉率（独立测量）与正式版权重未发布。实测的样本也小——三条线、一次运行，不能代表 Hy4 的稳定表现。InfoQ 的 WorkBuddy 实测补上了另一面：塔防游戏三轮迭代 55 分钟完成，但后期可玩性下降；单据核对出现计数错误与无依据推断。两篇实测合起来看，Hy4 的画像是：任务闭环能力是真变化，细节仍需人验收。