腾讯Hy4 flash发布:224B参数,输入0.5元/百万Token
在 WorkBuddy 中实测腾讯 Hy4 flash,涵盖深度研究、3D 网页、游戏开发和办公任务。与 DeepSeek V4.1 Flash 相比,两者整体交付质量相近,前者首轮交付更快;生成交互帆船原型耗时半小时,按 API 定价估算费用约 0.23 元。
11 月初腾讯推出 Hy4,这款新模型在大模型竞技场上一举拿下开源第一。
排在它前头的三个模型是 GPT-6 Sol(Max)、Claude Opus 5(Max)与 Fable 5(High),旁边还挤着 GPT-6.1 Terra、GPT-5.6 Sol 等一批实力不俗的闭源选手。

之前我们在
WorkBuddy 里试过 Hy4 的 Agent 长程任务和日常办公本事。逐帧分析视频、复刻游戏和网页,再到整理文件、处理 Office 文档,Hy4 的表现都拿得出手。
这轮实测的整体结果,也跟它在大模型竞技场上的排名对得上。

可对天天泡在 WorkBuddy 里的用户来说,模型强不强只是挑模型的指标之一。免不免费、要不要排队、跑得快不快,同样左右实际感受。
拿工作日高峰时段的 WorkBuddy 来说,倍率仅 0.11x 的
DeepSeek V4.1 Flash,繁忙程度反倒经常高居不下。

Hy4 发布那会儿,腾讯就放风说还有一款主打效率的 Hy4 flash。
话音刚落,Hy4 flash 就正式登场了。腾讯的打算是,把 Hy4 已经具备的 Agent、长程任务与生产力能力,用更低的成本送进高频使用场景。
APPSO 提前拿到了 Hy4 flash 的测试资格。我们这回最想弄清楚的是:它在保住任务完成质量的前提下,能不能压住 Agent 执行时的时间和 Token 开销。

跟 Hy4 相比,Hy4 flash 在 Token 效率上做了大量优化:总参数量 224B,激活参数 12B,支持多模态和 1M 上下文长度。输出更精简,吞吐量和整体响应速度也跟着往上走。
更让人意外的是成本。在 WorkIndex 上,Hy4 flash 的单任务成本只有 Hy4 preview 的 1/13、Hy4 的 1/20,也只相当于 DeepSeek-V4.1-Flash-1017(max 档位,忙时价格)的 1/8。


Token 效率上去了,价格自然也跟着降。Hy4 flash 每百万 Token 输入收 0.5 元,输出收 2 元,差不多是 Hy4 价格的十分之一。

在 WorkBuddy 里直接就能选 Hy4 flash。新模型还带两周限时免费:11月16日–11月30日,每天送免费额度。
比 DeepSeek 更快还便宜
眼下 Agent 干起活来,动辄半小时打底。
翻开执行记录,看它读文件、拆任务、写代码、调工具、核结果……一套走完几十分钟没了,模型说不定还在同一个文件上来回打转,甚至把刚修好的毛病又改回去。
这些绕的弯子不会出现在最终成果的截图里,可任务耗时和 Token 账单却是实打实地往上涨。

所以,当 Agent 真开始接手实际工作,有个更现实的问题绕不开:同一件事做完,到底要花多少时间、多少成本?
为了看 Hy4 flash 的实际效率,我们在 WorkBuddy 里备好同样的任务,分别派给 Hy4 flash 和 DeepSeek V4.1 Flash。提示词、工具权限和其他设置全程保持一致,重点盯两款模型的执行过程、最终交付,以及背后的时间与 Token 消耗。
我们先挑了些在 WorkBuddy 里重复、琐碎却又费时间的活儿。这类工作用不着模型从零搭一套复杂系统,但很吃它对信息的理解、整理和工具调用功力。
比如做些深度研究任务,看它能不能又快又稳地给出信息可靠、条理清楚、方便接着用的结果。

我们让它就近期黄仁勋因出轨辞去英伟达 CEO 一事做深度研究,并交出一份网页版分析报告。DeepSeek V4.1 Flash 交付的内容大体相近,同样从摘要、时间线、时长、基本面、产品、华尔街等几个角度梳理事情来龙去脉,但比 Hy4 flash 多花了 10 分钟。

两份研究报告的Token账单也能看出差别:DeepSeek V4.1 Flash用掉近18万Token,总花费约0.56元。

再看编程。我们让两个模型在WorkBuddy里各造一艘能交互的3D历史帆船。
Hy4 flash动作很快,帆船的基本骨架搭了出来,网页交互也正常跑通,算得上一个相对完整的原型。

DeepSeek V4.1 Flash做得更细:水面起伏更自然,帆船细节更多,可探索的内容也更丰富。

可两款模型在耗时上差得很远——DeepSeek花了1小时30分钟,Hy4 flash只用半小时。对只想快速验证想法、搭个网页原型的人来说,尤其是迭代节奏快的场景,Hy4 flash更扛得住高频使用,产出的东西也已经有了继续改的基础。
这一轮任务里,DeepSeek V4.1 Flash消耗约30万Token,另有约1600万Token的缓存命中,API费用约1.21元。

Hy4 flash的对话数据记录到约14.9万Token的消耗,缓存命中约400万Token。按它的API定价,做完这艘可交互3D历史帆船,预计要付0.23元。

除了上面这些案例,我们还统计了两款模型在10个代码和办公任务里的表现。看最终成果,双方整体水平接近;但论首轮交付速度,Hy4 flash的优势更突出。
这一轮测下来,我们认为Hy4 flash和DeepSeek V4.1 Flash的任务完成能力大体在同一档。DeepSeek有时会砸更多Token进去,部分场景也确实做出了更丰富的细节。Hy4 flash的长处同样清楚:干实际活的时候,开销更少、响应更快。有些需求本来就明确、格式也固定,模型只要理解准确、执行顺利,等待时间短就很有价值。
像深度搜索、日常办公、文件整理这类高频生产力任务,我们更推荐Hy4 flash,它用更低的时间和Token成本,交出质量不错的结果。就算是网页原型、小游戏开发这类创作任务,也可以先拿Hy4 flash快速生成第一版、验证想法,再决定后面怎么完善。
至于长程软件工程、复杂代码库修改这类要持续推理、反复验证的高难度任务,我们仍然更推荐此前发布的Hy4。多花些时间和Token,换更强的复杂任务处理能力,往往划算。
这样Hy4和Hy4 flash的分工也更清楚了:日常高频任务放心交给Hy4 flash,碰上更复杂的工作再切到Hy4。任务质量、执行速度、使用成本之间怎么取舍,可以看实际需求来定。
更实用的编程和办公搭子
能力上限决定模型能接什么活,执行效率则决定这些能力能被用上多少次。这次我们继续在编程和办公场景里测Hy4 flash,看它能做到什么程度。
办公方面,我们试了PPT制作、文件整理,还有多种文档格式之间的转换。
在WorkBuddy里给它发了一篇论文,要求把这份pdf转成markdown文档和word文档,再做一份用于组会汇报的PPT,所有内容都要中英双语,并帮我们翻译好。
还有一种用法也值得试试:把Hy4 flash拉进WorkBuddy的专家团一起干活。
平常在WorkBuddy里调用专家团,系统一般会弹出提示,说多Agent协作会吃掉更多积分。道理不复杂,一个任务拆给不同Agent分头做,背后模型被调用的次数自然跟着涨。
而Hy4 flash的费率低,这类复杂流程的成本就没那么扎眼了。我们让深度研究团队去查了查fable 5.2眼下究竟有哪些本事、能派上什么用场。
编程这块,照搬社交媒体上网友写的一句话提示词,就能生成一个「大家来找茬」的小游戏。
接着我们把难度往上提,要求它从零用three.js写一款单人3D俯视角奇幻RPG,再通过多轮对话把玩法和内容一点点补全。
这个简单游戏里能逛的地图大约400×400:村庄、断脊山、沉水果园、低语沼泽、沉没古道,最后是终局的「空白之地」。
玩法跟常见RPG差不多:找NPC聊天、点亮测量标记和大锚点、收集6段记忆碎片。还能用近战、闪避和四种逐步解锁的魔法去对抗「未成之物」,剧情也留了不少等着解锁。
视觉理解这块,Hy4 flash也接住了Hy4的能力。开发途中它能把生成结果的截图拿来自查页面,也能读懂用户给的图片和视频,据此继续调整作品。
小游戏、3D网页,再到办公文档、多Agent协作,Hy4 flash能覆盖的真实工作需求已经不少。
对混元而言,推出Flash模型的意义也在这里:让已有的视觉、推理和Agent能力被反复调用,而成本更低。
Flash最大的价值,是让每个人放心用AI
这是腾讯Hy系列的第一款Flash模型。不过放到国产模型里看,主打「斩杀线」「多快好省」的Flash早已不稀奇。
厂商们拼价格、拼速度,恨不得把每百万Token压到几毛钱。可这些模型一旦装进WorkBuddy这类Agent里,光看API价目表,已经很难说清一款模型到底划不划算。
便宜归便宜,要是干一份活要一个半小时,未必比半小时交活的模型更值。反过来,一味追速度,最后人工大把时间返工,同样不划算。
体验完Hy4 flash,这一点感受比较明显。
它的生成效果不是每次都压得过DeepSeek V4.1 Flash,某些场景细节还少一些。但面对大量日常办公、网页原型和Agent协作任务,Hy4 flash已经能用更短的时间、更低的价格,交出一份质量相当、还能接着改的成果。
再说Agent干活,本来就很难一把做到完美。第一版结果来得越快,我们就能越早看出问题、调方向,再让它把后面的活干完。
模型越便宜,最终受益的应该是:同样的时间和预算,能让AI多干几件真正有用的事。
各种大小事都可以放心丢给AI,看它能做到什么程度,不用先盘算这件事值不值得让AI来做。
当模型、工具和WorkBuddy这样的产品场景跑进同一条迭代链路,Agent之间的差距就落在谁能让用户少等一点、少盯一点、少返工一点,把更多真实工作安安静静做完。