爱范儿之后第二篇独立上手,同一天 16:53 发布。智东西在 WorkBuddy 里给 Hy4 Flash 连做五组任务:黄仁勋的《日不落》MV、一句话造《模拟人生 5》、3D 网球比赛、北京地标动画,再调用 Blender 让鹈鹕骑上自行车。五组活全都交卷了,但每一组都留着看得见的毛边。作者的结论很直接:这款模型最突出的本事是把多个步骤连续做完、把不同工具串起来;最清楚的短板有四处——精细度、审美、复杂结构还原、自检闭环。
开场是一支黄仁勋唱蔡依林《日不落》的 MV。智东西参考了一套 AI 制作音乐 MV 的教程,让模型依次完成音乐分析、画风设计、人物绘制、剧本分镜、视频制作。人物设计还用上了视觉理解:上传一张黄仁勋真人照片,模型参考发型、眼镜与黑色皮衣,把他转成 Q 版像素小人,还做了一个可交互的角色预览页——5 种朝向、12 种表情、12 种动作,唱到「爱的明信片」时掏出一颗绿色 GPU 芯片。模型随后按音乐节奏与歌词设计剧情,生成 50 多个镜头的分镜总览,再编写动画代码合成整支 MV。成片的问题有两处:画面精细度不够,人物动作略显僵硬、部分镜头切换不够流畅;更明显的是字幕错位——明明要求按歌词时间轴制作字幕、导出时检查同步,最终字幕仍没能准确跟上音乐。
第二组是复杂前端与 3D 场景。一句话「制作一款拥有画面和玩法的《模拟人生 5》」,模型还真交了一个可以玩的简化版:等距视角小屋、三名家庭成员,左侧实时显示饱食度、精力、娱乐、社交、卫生等状态,右侧查看角色信息;点击家具安排动作、开启自动生活让人物自行活动,顶部有暂停、倍速、建造模式,下方记录行为。但这和真正的《模拟人生》相去甚远:人物只是简单的卡通小人,家具由基础几何形状组成,房间结构与画面都很简陋。3D 网球比赛的完成度更高一些:交互式 3D 网球游戏,球场、看台、俱乐部俱全,发球、回合对打、计分、场地材质与摄像机视角切换都能用;但 Bug 也很具体:球场附近出现位置不合理的旗杆,两名运动员看似打得有来有回,有时球拍根本没有碰到网球,部分看台观众的身体和座椅融在了一起。
第三组调用 GitHub 上的 perspective illusion Skill,做一段 10 秒北京地标主题动画:天坛祈年殿、故宫角楼、央视总部大楼、中国尊、鸟巢按景深排布,镜头依次穿过,还自动配了带中国传统音乐韵味的 BGM。镜头运动与场景切换基本符合要求,但建筑还原不太理想:天坛祈年殿、中国尊基本能辨认,央视「大裤衩」的造型发生了严重变形,其他地标也很难看出原貌。同一组里还有一段富士山下的雨夜便利店 3D 微缩景观:便利店、自动贩卖机、自行车、路灯与街角护栏齐全,粉紫色霓虹、雨丝、湿路面反光营造出日式动画的雨夜氛围,可自由旋转拖拽缩放——视觉效果相对不错,但和效果出色的 AI 3D 场景作品比,美术细节与审美仍有差距。最后一组直接调用 Blender:通过 Blender Python API 编写脚本,做一段约 16 秒的鹈鹕骑自行车动画。模型搭出了鹈鹕、自行车与步道,还按要求设置了跟拍、特写等镜头;编写代码约 26 分钟、视频渲染又用了 20 多分钟,总耗时接近 50 分钟。画面比较粗糙:鹈鹕与自行车由简单几何体组成,部分渲染画面几乎没有材质颜色,像未经美术加工的白模;鹈鹕的翅膀完全没碰到手把,两只脚蹼仍然能跟着踏板交替运动。
作者把短板归纳为四条:精细度(画面、模型、材质大多停留在「能认出来」的层面)、审美(镜头、配色与构图很大程度上依赖提示词兜底)、复杂结构还原(建筑、人体、机械越复杂越容易走形)、自检闭环(模型自己还发现不了问题)。长链串联则是另一面:从角色设计、分镜规划到动画制作、视频导出,模型能连续完成多个步骤、把不同工具串联起来。文中还引用了腾讯对照表里两项本站此前未收录的数字:PPT 生成评测 PPTGenBench 上 Flash 得 54.2(preview 52.3)、PPT 协作编辑评测 PPTCoEditBench 上 74.0(71.5);而涉及更复杂的软件工程任务,Flash 与正式版之间仍有较大差距——Terminal-Bench 4.0 上 19.2 对 44.4、ProgramBench 上 16.0 对 30.0。腾讯盲测的数字(满意度 2.79 分、任务耗时中位数 6.7 分钟、单任务成本 ¥0.26)本站发布文章已有,此处不重复。
参考来源:本文为本站原创改写与整理,事实与数据核对自 智东西 — 抢先实测腾讯Hy4 flash,一口气做出黄仁勋MV,比DeepSeek更便宜(2026-11-16)
← 返回腾讯混元 Hy4 专题