腾讯云MaaS：混元评测、TI-ONE推理与Token成本三线并进

早几年，大模型厂商每发新品，几乎都要附上一张挤满数字的Benchmark榜单。可模型一旦进了真实工作场景，衡量它的尺子就远不止这些了。

今年3月有项研究，把43套Agent评测基准拆开来看，覆盖超过7.2万项任务，再拿去和美国劳动力市场的1016种职业做对照。结论是：现有评测扎堆在编程这类计算机任务上，管理、法律等大量真实岗位反而覆盖得远远不够。

测试成绩漂亮，能多大程度说明它真能解决实际问题？

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讲了市场正在发生的三点变化：模型能力还在往上走；百万Token的调用成本从“元”掉到“角”，甚至“分”；Agent也不再只是对话入口，正变成能规划、能执行任务的智能主体。

应用门槛一降，企业问的问题就越来越实在：模型跟业务配不配，成本压不压得住，服务稳不稳，复杂任务到底能不能干完。

这些诉求横跨研发、训练推理和业务落地，MaaS的技术体系因此要接新的考题。这场专场上，腾讯云拿混元、TI-ONE、TokenHub以及产业伙伴的模型实践，串起了从研发到部署再到实际使用的整条链路。

排行榜答不了的问题

Benchmark仍是判断模型水平的重要工具，只不过真实工作常常比考题更绕。

一段代码跑过单元测试，跟做完一个要理解需求、跨文件改动、调试并验证的软件工程任务，完全不是一码事。放到Agent场景里更是如此，模型得反复调工具、处理执行中的异常，还得看着中间结果改下一步动作。单项能力强，不等于整件事能收尾。

混元做模型时，除了Terminal-Bench、DeepSWE这些公开基准和Arena等第三方评测平台，还拉了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给模型做盲测。

眼下腾讯已搭起覆盖9大业务方向的内部评测体系。这些从具体业务里长出来的评价，反过来成了模型迭代的重要参照。

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，为的是接住智能体长程推理任务。之后，混元逐渐跑出每两到三个月一次重大版本迭代的节奏。

模型与产品联合设计（Co-Design）就是其中关键的一环。

WorkBuddy、CodeBuddy这类产品背后连着大量具体任务。代码开发盯的是跨文件修改、调试验证和工程质量；办公应用则牵扯跨文档分析、数据处理和成果交付。业务不同，对准确性、长程执行、响应速度和Token消耗的要求也各不相同。

这些真实需求给模型研发指了更具体的优化方向。公开榜单帮团队看清模型处在什么水平，真实工作流则把短板照得更清楚。

聪明之外，还得好用

模型能做完复杂任务，不代表它就能直接上生产。

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，推理开销也会一路涨。就算最后答案是对的，响应太慢、跑起来太贵，规模化应用照样撑不住。

企业要是同时用上不同厂商、不同规模的模型，底层硬件、推理框架和部署方式的差异还会把工程复杂度再抬一层。怎样在各种算力环境下稳定交付模型服务，成了MaaS平台绕不开的题。

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、缓存策略以及长尾时延都会拖累推理性能；异构算力适配和资源闲置则影响使用成本；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，现在已经不算难事，难的是让它长期稳定地满足生产要求。

TI-ONE是腾讯云的训推一体化平台，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、资源调度和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。

国产算力上的推理优化是这轮升级的重点之一。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。相关团队只用了两周就完成这轮专项优化，成果沉淀进TI-ONE平台，供后续部署复用。

推理配置和调优经验也被平台做成了部署模板。企业面对不同模型、不同硬件时，不必再一遍遍重复配置推理服务，这部分工作量由此减轻。

这些工程层面的改动，不会让模型在 Benchmark 上的分数直接变高。但同样的模型能力，能以更低的成本、更稳的性能落到业务里。

模型版本迭代越快，持续做适配、把能力交付出去这件事就越关键。

真实业务到底需要什么样的模型？

模型能力一直在涨，可企业未必总要挑参数规模最大的那个版本。

复杂科研任务更在意推理的深度，终端交互要求响应更快，工业预测看重的是数据适配、准确率和运行稳定性。不同任务对模型提出的要求，本来就没有统一答案。

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。版本之间在性能上做的取舍，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。

据 TokenHub 产品负责人何世友介绍，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，开发者可按业务需求更快完成选型和验证。

到了终端设备上，选模型这件事更复杂。荣耀全场景产品软件总经理席迎军表示，YOYO Claw 采用的是端云双向智能路由：能放在本地处理的任务，尽量用设备侧算力完成；复杂任务交给云端，再按任务特点挑模型。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。但响应快不快、操作顺不顺、任务完成得好不好，会直接决定他们愿不愿意继续用 Agent。

工业场景的需求又是另一套。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、时序等数据做预测与决策。以石油化工场景为例，传统方案要对单口油井的 13 项指标分别训练专有模型，LimiX-2 则用一个模型就把这些预测任务统一覆盖了。

据稳准智能披露，这一方案缩短了部署周期，并改善了部分关键指标的预测效果。

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，它的价值更多落在预测精度、生产效率这类业务指标上，训练方式和工程要求也有区别。

训练和迭代方面，LimiX-2 依托腾讯云 TI-ONE 完成，资源组管理、任务调度、故障恢复等机制负责保障运行。原豪特别提到，训练任务如果运行时间很长，稳定性常常比瞬时峰值速度更关键。

从实时交互到工业预测，模型能力、运行环境、成本结构，每一项都得和业务对得上。混元继续打磨基础模型能力，TI-ONE 负责训练与推理的工程支撑，TokenHub 承接多模型接入和服务，让不同能力更顺畅地落到实际应用里。

模型承担的实际工作越来越多，能力边界也随之被重新打量。一次评测成绩漂亮，或者一次任务演示出彩，都不足以说明它在生产环境里有多大价值。让模型持续进步，并且以稳定、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。