混元：大模型评测如何对接真实业务？

早几年，大模型厂商推新品，几乎都要摆出一张写满数字的 Benchmark 成绩单。可模型一旦进了实际工作场景，衡量它的尺子就变复杂了。

今年 3 月有项研究，梳理了 43 套 Agent 评测基准，覆盖任务超过 7.2 万项，再拿去和美国劳动力市场的 1016 种职业做比对。结论是：现有评测大多扎堆在编程这类计算机任务上，管理、法律等大量真实工作场景的覆盖明显不够。

测试里考得好，到底能在多大程度上说明它会解决实际问题？

10 月 30 日，2026 腾讯全球数字生态大会「模型与 MaaS 服务专场」上，腾讯云 MaaS 产品中心总经理邹辉提到大模型市场的三个变化：模型本事还在变强；百万 Token 调用成本从「元」掉到「角」，甚至「分」；Agent 也不再只是对话接口，正变成能规划、能执行任务的智能主体。

门槛一降，企业问的问题就越来越实在：模型能力跟业务配不配，成本压不压得住，服务稳不稳，复杂任务究竟能不能干完。

这些诉求串起了模型研发、训练推理和业务应用，MaaS 的技术体系也因此面临新考验。本次专场上，腾讯云拿混元、TI-ONE、TokenHub 以及产业伙伴的模型实践，把模型能力从研发、部署到落地的整条链路摆了出来。

排行榜答不了的问题

Benchmark 仍是衡量模型能力的重要工具，可真实工作往往比考题更绕。

一段代码跑过单元测试，跟完成一项软件工程任务不是一回事——后者要理解需求、跨文件改动、调试并验证。到了 Agent 场景，模型还得不断调工具、处理执行中的异常，再根据中间结果调整后面的动作。单项能力强，不等于整项任务一定做得完。

混元研发模型时，除了 Terminal-Bench、DeepSWE 等公开基准和 Arena 等第三方评测平台，还拉来 163 名内部高频使用大模型的业务专家，围绕软件工程、游戏开发等四类典型场景做盲测。

眼下腾讯已搭起覆盖 9 大业务方向的内部评测体系。这些出自具体业务的评价，也成了模型后续迭代的重要参照。

评测方式在变，混元的研发体系也在同步调整。2025 年 12 月，混元启动研发体系重组；2026 年 1 月，后训练基础设施做了重点升级，为的是适应智能体长程推理任务的需求。之后，混元慢慢形成了每两到三个月做一次重大版本迭代的节奏。

其中很关键的一环，是模型与产品联合设计（Co-Design）。

WorkBuddy、CodeBuddy 等产品背后连着大量具体任务。代码开发看的是跨文件修改、调试验证和工程质量；办公应用则涉及跨文档分析、数据处理和成果交付。不同业务对准确性、长程执行能力、响应速度、Token 消耗各有各的要求。

这些实际需求，给模型研发指了更具体的优化方向。公开榜单帮团队判断模型水平，真实工作流则把能力短板照得更清楚。

够聪明，还得够好用

模型能完成复杂任务，不代表它已经适合上生产环境。

长程任务往往意味着更大的上下文窗口、更频繁的工具调用，推理开销也一路往上走。就算最后结果对了，响应太慢、跑起来太贵，规模化应用也很难撑住。

何况企业常要同时用不同厂商、不同规模的模型，底层硬件、推理框架、部署方式各不相同，工程复杂度还会再往上加。怎么在不同算力环境下稳定交付模型服务，成了 MaaS 平台必须回答的问题。

腾讯云 TI-ONE 产品总监王仿坤把生产级推理的难点归到三块：性能、成本、运营。

Prefill 和 Decode 两个阶段对算力的需求不一样，算子效率、并行通信、缓存策略、长尾时延都会牵动推理性能；异构算力适配和资源闲置影响使用成本；模型上线以后，还得具备可观测、弹性伸缩和平滑更新的能力。

拿开源权重把模型部署起来，如今不算难事。难的是让它长期稳定地满足生产要求。

作为腾讯云的训推一体化平台，TI-ONE 往下兼容并调度国产及海外异构算力，往上支撑 TokenHub 等 MaaS 服务和企业专属部署。训练工具链、推理加速、资源调度、部署工具被收进同一套体系，为的是压低模型与硬件的适配门槛。

这轮升级的一个重点，是国产算力上的推理优化。王仿坤介绍，在主流国产加速卡的测试环境下，Hy4 preview 优化后单卡吞吐达到初始版本的 5 倍。团队只用两周就完成了这轮专项优化，成果沉淀进 TI-ONE 平台，供后续部署复用。

平台还把推理配置和调优经验做成了部署模板。企业面对不同模型、不同硬件时，不必再反复配置推理服务，工作量因此减少。这些工程侧的改动，不会让模型在 Benchmark 上的分数直接变高。可相同的模型能力，能以更低成本、更稳的性能进入业务。

模型版本迭代越快，持续适配、持续交付这种能力的分量就越重。

真实业务到底需要什么样的模型？

模型能力一直在涨，企业却未必总要选参数规模最大的那个版本。复杂科研任务更看重推理深度，终端交互讲究响应快，工业预测在意数据适配、准确率和运行稳定。任务不同，对模型的要求也就没有统一答案。

小米 MiMo-V2.6 系列就体现了这种差异。据小米大模型商业化产品负责人崔巧英介绍，MiMo-V2.6 Pro 面向专业场景与复杂长程工作流；Pro-Ultraspeed 重点优化推理速度，适合强实时交互；Flash 则兼顾能力与成本，面向高频调用和批量任务。

小米披露的测试中，Ultraspeed 版本的输出速度最高可达 Pro 版本的 20 倍以上。版本之间的性能取舍，直接对应不同应用对响应时间和资源消耗的要求。

模型要进入应用，还得有高效的服务通路。MiMo-V2.6 在腾讯云 TokenHub 首发，并接入腾讯 ima、WorkBuddy 等产品。小米方面披露，V2.6 上线后的日调用量较 V2.5 增长 15 倍以上。

TokenHub 产品负责人何世友表示，平台建立了 Day 0 接入机制，重点模型正式发布当天基本就能完成上架；同时平台提供不同等级的模型服务，开发者可结合自身业务需求，更快完成选型和验证。

到了终端设备上，选模型这件事更难。荣耀全场景产品软件总经理席迎军介绍，YOYO Claw 采用的是端云双向智能路由：能放在本地跑的任务，尽量用设备侧算力；任务复杂时再交给云端，并按任务特点挑模型。目前相关产品已经接入腾讯的多类模型服务。

用户不用关心模型跑在哪里。但响应速度、操作体验和任务完成质量，会直接影响他们愿不愿意继续用 Agent。

工业场景要的能力又不一样。稳准智能研发平台负责人原豪介绍，其结构化数据基础模型 LimiX-2 针对表格、时序等数据做预测和决策。以往在石油化工场景里，传统方案得按单口油井的 13 项指标分别训练专有模型；LimiX-2 则能用单一模型把这些预测任务统一覆盖。

稳准智能披露，这套方案缩短了部署周期，部分关键指标的预测效果也有改善。

通用语言模型侧重文本理解、推理和任务执行，结构化数据模型则不同。它的价值更多体现在预测精度、生产效率这些业务指标上，训练方式和工程要求也不一样。

训练和迭代方面，LimiX-2 依托腾讯云 TI-ONE 完成，靠资源组管理、任务调度、故障恢复等机制保障运行。原豪还特别提到，训练任务要是跑得久，稳定性通常比瞬时峰值速度更关键。

从实时交互到工业预测，模型的能力、运行环境和成本结构都得跟业务对得上。混元持续优化基础模型能力，TI-ONE 提供训练与推理的工程支撑，TokenHub 则承接多模型接入与服务，让不同能力更有效地进入实际应用。

模型实际承担的工作越多，能力边界也就越需要重新打量。一次亮眼的评测成绩或任务演示，远不能说明它在生产环境里有多大价值。如何让模型不断进步，并以稳定、经济的方式服务不同业务，会越来越考验模型厂商从研发到 MaaS 服务的整体能力。