JOURNAL / 2026.11.08
Tencent Hy4 añade visión y uso de ordenador: qué cambia para los agentes
Hy4 amplía el trabajo que pueden abordar los agentes de Tencent. La documentación permite concretar su acceso y sus límites de imagen, pero evaluar una tarea completa exige algo más que reconocer una pantalla.
Una aplicación de escritorio puede mostrar que algo salió mal sin ofrecer un error que otro programa sepa leer. Para un agente, reconocer ese estado y decidir cómo corregirlo abre una vía distinta a trabajar sólo con texto. Es la posibilidad que hace relevante a Hy4, presentado por Tencent el 4 de noviembre: la empresa anuncia comprensión visual y uso de ordenador, con entrenamiento específico en herramientas como Blender y CAD.
El punto de partida ya era ambicioso. Hy4 Preview, publicado en agosto, se dirigía a programación, trabajo de oficina e investigación, con un contexto superior al millón de tokens. Por tanto, el interés del lanzamiento actual está en ampliar cómo recibe información y actúa. Un contexto grande puede contener un proyecto entero y seguir dejando fuera una señal decisiva que sólo aparece en la interfaz.
La guía oficial de la API concreta parte del cambio. Distingue los identificadores de ambas versiones y les asigna los mismos límites nominales: un millón de tokens de contexto, 960.000 de entrada y 64.000 de salida. Documenta imágenes mezcladas con texto y conversaciones con varias imágenes. También advierte que éstas terminan reducidas aproximadamente a 2048 × 2048 píxeles: enviar un archivo mayor no garantiza que el modelo vea más detalle.
Ese límite tiene consecuencias prácticas. Pensemos en una hoja de cálculo con columnas estrechas: acertar con el aspecto general de la ventana no basta para distinguir una cifra o una unidad. Yo probaría la lectura de esas celdas antes de permitir que el agente cambiara una fórmula. Un recorte puede ayudar a conservar el detalle relevante, aunque también puede eliminar el contexto que explica qué tabla está viendo. La integración tendrá que resolver ambos problemas; una entrada de imagen por sí sola no los resuelve.
De una captura a una tarea terminada
OpenRouter lista Hy4 con entrada de texto e imágenes, salida de texto y llamadas a herramientas. Es una oferta alojada documentada, no una prueba que hayamos ejecutado. Esa distinción también aclara el papel del modelo: para operar una aplicación necesita un sistema que convierta sus decisiones en acciones, recoja lo ocurrido y le devuelva evidencia del nuevo estado.
En un flujo hipotético de diseño, pediría modificar una pieza y guardar el resultado en un formato concreto. Hay varias oportunidades de fallo: elegir el objeto equivocado, introducir una medida con otra unidad o guardar una captura en lugar del archivo editable. Una demostración visual convincente podría ocultar cualquiera de ellas. Mi criterio de éxito sería volver a abrir el archivo y comprobar sus propiedades. Así se evalúa lo que necesitaba el usuario, sin confundir una secuencia de clics plausible con un encargo resuelto.
La tarjeta de Preview reconocía razonamientos más largos de lo necesario y una tendencia a verificar en exceso. No trasladaría esos defectos automáticamente a Hy4. Sí conservaría la pregunta que plantean: cuánto trabajo adicional genera la búsqueda de certeza. En una aplicación gráfica, cada inspección puede añadir otra captura y otra interacción; verificar mejor no tiene por qué significar repetir más veces la misma observación.
Queda una diferencia relevante entre acceso y apertura. El anuncio de noviembre promete pesos y tarjetas de sistema para los días siguientes. No hemos confirmado aquí los artefactos de la versión final. Los pesos de Preview no bastan para atribuirle a Hy4 la misma licencia o las mismas posibilidades de despliegue propio.
Mi lectura es favorable a ampliar los agentes hacia aplicaciones que carecen de una integración cómoda. Puede hacer accesible trabajo hoy difícil de automatizar sin reconstruir la herramienta. Pero la evaluación que más me interesa ahora es una comparación entre Preview y Hy4 sobre los mismos encargos, con el mismo entorno y un resultado comprobable fuera de la conversación. Mediría tareas aceptadas, intervención humana y coste completo. Si la visión reduce las correcciones que debe hacer la persona, tendremos una mejora útil; si sólo produce una explicación más convincente de una pantalla, la ganancia será bastante menor.
Fuentes primarias consultadas el 8 de noviembre de 2026. No hemos ejecutado Hy4 ni reproducido sus evaluaciones. Los ejemplos y criterios de comprobación son propuestas propias.