腾讯Hy4 flash实测:单任务成本仅Hy4二十分之一,Agent时代的新选择
腾讯 Hy4 flash 实测:快速、实惠、聪明,国模进入过日子时代

跑一个任务,花的钱只有 Hy4 的二十分之一,这价格确实够省。
大模型行业也开始讲究起柴米油盐了。
放在 2026 年以前,一款模型能不能刷屏,多半看它又解锁了什么新本事。GPT-4o 能实时语音对话、Claude 编程拿得出手、DeepSeek R1 推理亮眼,轮流占据话题中心。新模型一发布,大家先问的就是它压过了谁、又干了哪些以前干不了的事。
风向在 2026 年变了。Agent 真正铺开之后,SOTA 模型的领先能力按季度被轮番刷新,已经算不上新鲜事。能不能用得起、等得起,反倒成了新话题。
让模型回一句话,和让 Agent 接一单活,资源消耗根本不是一个量级。Agent 场景里,一条指令背后可能是几十轮模型调用:读材料、查代码、调工具、处理报错,每一步都在堆上下文和调用次数。OpenRouter 披露的数据显示,今年 2 月 6 日平台上 Agent 的 Token 用量首次超过人类直接调用,到 9 月底已约为后者的七倍。
落到具体任务上,今年 4 月密歇根大学与斯坦福大学做过一项研究,覆盖 8 款模型、500 个真实代码问题。测试中 Agent 每尝试处理一个问题,平均累计消耗约 417 万 Token,模型调用费约 1.86 美元。照这个均值算,连跑十次就接近 20 美元。
任务越长,大家对速度和价格就越敏感,各家的 Flash 性价比模型也因此有了更大的用武之地。
去年 OpenRouter 与 a16z 研究过超过 100 万亿 Token 的使用数据,发现 Gemini 2.0 Flash、DeepSeek V3 0324 这类能力与低成本兼顾的模型,用量已经和部分高价领先模型接近。今年 11 月 14 日,DeepSeek、智谱的 Flash 模型又同时挤进 OpenRouter 单日 Token 用量前十。用户愿意为更强的能力掏钱,同时也在把大量日常任务交给更实惠的模型。
最近这批 Flash 模型里,腾讯推出的 Hy4 flash 主打精简输出、更高吞吐和更快速度,受到的关注无疑最多。
据了解,这款模型总参数量 224B,其中 64B 为 Engram 参数。预训练阶段引入混合注意力、LatentMoE、Engram 等架构特性,实际使用时激活参数只有 12B,KV cache 大小仅为 Hy3 的 1/24、Hy4 的 1/6,还支持多模态和 1M 上下文长度。
价格上,它是目前性价比最高的 Hy 模型:每百万 Token 输入 0.5 元、输出 2 元,命中缓存时只要 0.02 元,比 Hy4 降了一大截。

后训练阶段,Hy4 flash 先靠自蒸馏 Hy4 拿到较强的综合智能水平,再用强化学习把端到端任务输出长度压低 50%。最终整体单任务成本只有 Hy4 的二十分之一。
推理效率方面,megakernel、4bit 量化、DFly 等手段一起上做了极致优化,Hy4 flash 解码速度超过 150 tps,还能大规模低成本部署运营。
Hy4 flash 发布后,我们第一时间拿到了内测资格。
随后把它放进 WorkBuddy(其中可以免费使用 Hy4 flash),与同样定位的 DeepSeek-V4.1-Flash(1017 版本)以及原始 Hy4 做了四轮对照:办公决策、编程修复、视觉理解、PPT 生成各一轮。
测试结果如下。
01
办公决策:判断一致,
Hy4 flash 快了近三分钟
第一轮,我们让模型为一场产品发布会做决策准备。
这道题特意加了难度,给模型几组互相矛盾的口径,再把目标和约束一并放进去,看它能不能自己理清楚。
任务描述如下:
发布前先要定一件事:两个产品能力上不上线。纪要能力成熟度算高的,方案能力还差些火候。产品团队的说法是,这个月产品被 8600 人点开过,成功率 91%。数据团队给的数却是:每周真正用起来的只有约 3200 人,完整走完任务的比例 67%,跟前者差了将近 3 倍。销售那边的情况是 6 家有意向,其中 1 家肯掏钱试点,8 万/年。财务的口径是,发布后 3 个月要见到约 40 万的经常性年收入(ARR)。法务提醒,安全评估在发布会前做不完;只要不现场开放注册、只对外说即将开放,风险就相对可控。这几组数字该采信哪一组,发布怎么定,得给出一页能直接投屏的决策纸。
描述里,产品与数据同学的两组数字都有出处,可统计周期、使用行为和成功口径并不一致。模型得先弄清各自代表什么,再判断发布会上该用哪组。销售和财务这边,还要把意向、付费试点和收入目标做关联与区分。法务的评估不做完就不开通注册,则是最终的条件限制。
挑这道题,是因为它太像实际工作:数据口径没有统一标准,材料也没完全 ready,各方面又提出不同约束,用户必须从中理出一条能执行、能讨论的方案。
这一轮跑下来,Hy4 flash 花了 1 分 14 秒。

它的建议是折中推进——发布会照开,但只宣布即将开放、分批放量,现场既不开放注册,也不先收等待名单。对外用 3200 人、67% 这组更严的数字。等待名单算不算开通注册,它单独列成待确认事项。

DeepSeek-V4.1-Flash 这边用了 4 分 8 秒。

它的思路也是折中:发布会照开,只宣布即将开放,不在现场开通注册;对外主推会议纪要,方案能力标注内测,数字同样采信 3200 和 67%。差别在于,它认为发布会可以收集等待名单,之后再向名单上的用户分批开放。
这算不上它判断失误。法务卡住的是现场开通注册,收集等待名单并没有被明确禁止。

这一轮双方的核心判断一致,要求的一页纸也都交了出来,质量上看不出明显差距。
Hy4 flash 赢在速度,少用了 2 分 54 秒。口径冲突、发布取舍、最终交付都处理到位,耗时只有对方的约三成。
02
接下来看读图决策。和 DeepSeek-V4.1-Flash 相比,
Hy4 flash 的误读更少。
第二轮仍是对比这两个模型。这回文字提示词给得很少,做法是把测试一里的文字内容加工成一张自带矛盾的投屏图片,直接喂给模型,让它只凭这张图做决策准备,看它会不会主动把矛盾点出来,再完成与场景一相近的决策准备。

图上最抢眼的大卡片写着月活 8600、成功率 91%、意向客户 6 家,还挂着可计收入的红色标识;右下角的对照表却是另一套更严格的数据。柱状图标的是 8 万和 40 万,可 8 万那根柱子实际画到了约 32 万的高度。
Hy4 flash 最终用时 2 分 46 秒。

它给出的仍是折中发布方案:只宣布即将开放,现场不办理注册,对外采用更严的口径。
客户数量上,它发现 6 家意向客户的卡片带「可计收入」标注,而对照表只确认了 1 家付费试点,两处信息对不上。
8 万元到底是已确认收入还是预算、40 万元的目标按什么时间口径算,它也都分别列为待确认事项。
只是 8 万元那根柱子画高了这一点,它没看出来。
DeepSeek-V4.1-Flash 用了 1 分 25 秒。
它同样建议折中,也梳理了卡片与对照表之间的口径差异,但有两处写错。
一处是把客户卡片上的红标读成「非付费」,与图中「可计收入」的标注不符。
另一处它写道:「8 与 40 的视觉比例 20%,与 ARR 进度 20% 自洽,此处无失真。」
8 除以 40 的确等于 20%,但柱子高度并不是按这个比例画的。数字关系它算对了,图形比例的错误却被漏掉。

这一轮 DeepSeek-V4.1-Flash 虽然更快,却有两处明确的误判。Hy4 flash 看出了「6 家意向客户被标为可计收入、实际只有 1 家确认付费」这处冲突,整体准确率更高。
03
编程修复环节,结果相同,
但 Hy4 flash 更快,性价比也更高。
Hy4 想得更周全。
第三轮把难度提了一档,是一道编程题:让模型接手一个已经上线运行的库存与计价项目来改。参赛的是 Hy4 和 Hy4 flash。
挑的这个库存系统已经在用了。仓库里的测试全绿,线上却冒出 4 个毛病:预占库存后数字对不上,在库数量跟着一起减,取消之后又回不去;整单出库会报错——某件商品被全部预占后,整单出库就出错;优惠券没按上限封顶,400 元订单用 20% 优惠券,抵扣超过了 50 元上限;月末报表少了一天,11 月报表漏掉了 11 月 30 日当天的出库。
我给模型的任务是:照项目里的代码和问题清单,自己把这几个 bug 揪出来,先写能复现问题的测试,再动手修,最后交一份修复说明。
做这道题,模型得看懂别人写的代码,找出既有测试没覆盖到的地方,还得证明改完之后行为符合项目约定。
结果 Hy4 flash 花了 2 分 5 秒,四个问题一个不落,全找到并修好了。

按它的改法,预占不再误扣在库数量,取消改为释放预占;整单出库能正常走完;优惠券抵扣以 50 元为上限封顶;报表区间改成包含结束当天。
它还顺手给原项目补了 5 个测试,端到端验证了一遍:预占后在库仍为 10、可用为 6,取消后可用回到 10;400 元订单实付 350 元;11 月汇总包含 11 月 30 日,共计 8 件。

同样的任务,根因和改法与上面几乎一样,正式版 Hy4 用时 3 分 49 秒。差别只有一处:Hy4 最后给项目新增了 8 个测试,流程更完整一些。

04
论文转 PPT:
Hy4 更清楚,Hy4 flash 更快
前面的任务都是真实生产系统里的单点问题。这次换一个端到端的活:让 Hy4 和 Hy4 flash 各自把同一篇论文做成 PPT,比一比谁的效果更好。
论文选的是 OpticalRAG,主题是一种少占 token 的长文档处理办法——先把页面渲染成图像,再在像素空间里压缩,用于检索增强生成。提示词里要求的顺序是:要解决的问题、核心方法(两项关键技术分开讲,必要处配示意图)、关键实验结果(数字要写上)、局限和落地时要注意的地方。
挑这道题,是要求模型先读懂技术论文,再具备完整的多模态生成能力,把读懂的内容做成结构清楚、数字写对、能直接开讲的幻灯片。
Hy4 flash 用 9 分 5 秒生成了 21 页 PPT,问题、方法、实验和局限都按要求的写到了:论文里两项关键技术分得很清楚,关键数字准确,连一些技术方式在 BAMBOO 上原始分并不领先这类数据也完整呈现。
不足的地方有两处:有几页页脚和正文叠在一起,CAP 公式里的指数没做成上标。

论文和提示词都相同,正式版 Hy4 用时 15 分 47 秒,产出 18 页 PPT,结构和关键数字同样没错。压缩感知分数第一不等于原始分数第一、长文档上按问题筛选反而低于简单的均值池化这些细节,它也没漏。

总的看,把长篇技术论文做成可讲解 PPT 这件事,两边都完成了,论文要点和关键数字都写对了。Hy4 flash 胜在速度,主结果表也更完整;正式版 Hy4 慢一些,但页面更适合直接开讲,对结论的分析交代得更清楚。
05
尾声
平心而论,Hy4 flash 也好,DeepSeek-V4.1-Flash 也好,眼下市面上这一批 Flash 模型,准确率跟当前的 SOTA 模型比还有距离。但放到日常办公、编程修复这类任务上,它们已经够得上一个专业工程师和白领的水平。
再说 Agent 这种调用轮次多、上下文超长、成本很容易失控的场景,Flash 模型是个不错的选择。
混元官方 Blog 也是这么建议的:深度搜索、文档处理、PPT 生成、简单前端展示、computer use 等大部分日常任务用 Hy4 flash,长程软件工程这类复杂任务则用智能上限更高的 Hy4。
总而言之,Hy4 flash 就是当下各种 Flash 模型中,最适合过日子的神!
*头图来源:腾讯混元
本文为极客公园原创文章,转载请联系极客君微信 geekparkGO
模型体量一轮轮往上走,生成质量不断抬高,算力投入也跟着加码。身处这场「万卡竞赛」,创业公司要靠什么拼出自己的胜算?
达瓦科技年内累计融资近 5 亿元,把核心投入押在控制层上,走的是「重控制,轻渲染」的技术路线。这条路是从真实片场里长出来的:多年影视制作与虚拟拍摄的经历,让达瓦攒下约 180TB 结构化过程数据——摄影机怎么移动、灯光怎么变化、人物怎么跟环境发生关系。这些藏在成片背后的信息,成了模型判断「改变什么、保留什么」的重要依据。沿着这条路径,达瓦想让生成的内容能被准确修改,让发生过的变化能被记住,也让世界随着人的行动持续运行下去。
其 Scenes AI 已经展示过一项能力:在单张消费级 NVIDIA RTX 显卡上运行实时世界模型。
从片场里的积累走到国际技术舞台,从已有业务的收入和盈利走到实时互动的新市场,达瓦的这套选择也抛出一个可以讨论的问题:AI 视频的竞争,到底有哪几种不同的赢法?
11 月 17 日 19:30,极客公园创始人 & CEO 张鹏将对话达瓦科技 CTO 朱子威、CPO 李宗兴,把这条路线背后的技术判断与商业逻辑聊透。