腾讯混元 Hy4 flash 上线首日登顶 OpenRouter,2 毛钱就能跑完一个任务!
在全球知名大模型聚合平台 OpenRouter LLM 日排行榜上,腾讯混元最新发布的 Hy4 flash 成功登顶,成为全球开发者高频调用的首选轻量模型之一。 数据显示,Hy4 flash 上线首日,Token 调用量就突破 50 万亿,创下混元系列模型首日调用量新高。 这份成绩背后的一个重要原因就是,Hy4 fla
在全球知名大模型聚合平台
OpenRouter LLM 日排行榜上,腾讯混元最新发布的 Hy4 flash 成功登顶,成为全球开发者高频调用的首选轻量模型之一。
数据显示,Hy4 flash 上线首日,Token 调用量就突破 50 万亿,创下混元系列模型首日调用量新高。
这份成绩背后的一个重要原因就是,Hy4 flash 便宜又能打。先看价格:
-
每百万 Token 输入 0.5 元、输出 2 元,命中缓存时仅需 0.02 元;
-
单任务成本 0.26 元,仅为 Hy4 preview 的 1/13、Hy4 的 1/20、DeepSeek-V4.1-Flash-1017(Max 档位,忙时价格)的 1/8。
难怪腾讯称,Hy4 flash 是迄今为止最高性价比的 Hy 模型,任谁看了这个价格都得直呼“真便宜”。
价格降下来了,能力有没有缩水?参数方面,Hy4 flash 总参数量为 224B(其中 64B 为 Engram 参数),激活参数仅为 12B,支持多模态和 1M 上下文长度。虽然 Hy4 flash 参数量约为旗舰的四分之一,但依然保持了接近旗舰开源模型的表现,在深度搜索、文档处理、PPT 生成等大部分日常办公任务上都有不错的表现。
Hy4 flash 一经发布,迅速引发海内外网友关注和讨论。有网友算起了成本账:“这性价比太狠了!日常任务表现能媲美 Claude Haiku,成本却只有后者的 1/18。对于需要高频调用模型的团队来说,实在太划算了。”也有网友给出更直接的判断:“日常办公这块,模型之间的差距已经小到普通人感觉不出来了,接下来比的就是谁便宜、谁顺手。”
目前,Hy4 flash 已在腾讯云 TokenHub 上线。
Token 调用量突破 50 万亿 Hy4 flash 如何做到“又快又省”?
作为一款新发布的模型,Hy4 flash 上线首日 Token 调用量就突破 50 万亿,创混元系列模型首日调用量新高,这个战绩确实不错。腾讯董事会主席兼首席执行官马化腾表示,“Hy4 已达到中国顶尖大模型水平,Hy4 flash 则显著降低推理成本,把高性价比的模型能力应用到实际场景中。”
经常关注大模型进展的用户或许早已注意到,今年腾讯混元的发布节奏非常快,平均每两个月发布一个大版本。
11 月 4 日发布的 Hy4 定位“为真实生产力而生”,在保持与 preview 版相同参数规模的基础上,大幅扩大预训练和后训练规模,首次引入视觉理解能力,支持通过图形界面和命令行执行任务,发布时位列 Agent Arena 全球开源模型第一、中国模型第一。
最新发布的 Hy4 flash 则进一步降低了使用成本。据介绍,Hy4 flash 总参数量为 224B,激活参数仅 12B,综合效果略优于更大规模的 Hy4 preview,是迄今性价比最高的混元模型。
价格降下来了,还要看任务完成得好不好。尤其是在日常办公场景,大家关心的除了消耗多少 Token,还要看一项任务多久能完成,完成得怎么样。
为了更好地评估 Hy4 flash 效果,混元团队专门构建了一个覆盖 PPT 制作与修改、文档编辑、表格修复、音视频处理及视觉理解等典型任务的内部评测集 WorkIndex。按内部评测集 WorkIndex 测算,Hy4 flash 的单任务成本仅为 Hy4 preview 的 1/13、Hy4 的 1/20。
腾讯内部还组织了 85 位用户参与盲测,覆盖 27 类共 259 个任务。结果显示,Hy4 flash 的用户满意度接近 Claude Haiku 5.5,在参与比较的模型中,单任务成本最低,任务耗时也最短。
具体来看,Hy4 flash 的单任务成本是 0.26 元,端到端时长中位数 6.7 分钟;Claude Haiku 5.5 的成本是 4.73 元,时长 6.8 分钟。满意度几乎打平,成本差了一个数量级。
WorkBuddy 产品经理 Anne 提到,“与 Hy4 相比,Hy4 flash 的平均任务耗时减少了 70%,平均成本约为前者的 1/15,效果在日常工作任务上基本持平”。
元宝产品负责人 Logan 表示,“在元宝真实场景下,Hy4 flash 的 Agent 能力相比 Hy3 提升了 13.6%,任务完成的充分程度和信息呈现质量都有改善。在元宝通用对话任务上,Hy4 flash 相比 GLM-5.3-Flash 提升 2.52%,其中多轮对话能力提升最明显”。
在研发场景中,Hy4 flash 也展现出一定优势。王者荣耀项目管理负责人 TH 提到,“在游戏研发 Bug 分析评测中,针对 UI 交互、系统逻辑等问题,Hy4 flash 的根因定位表现接近 DeepSeek-V4.1-Flash-1017 和 GLM-5.3-Flash,但模型请求次数减少 22.0%-39.1%,按请求回执统计的 Token 消耗量减少 40.5%-61.2%”。
Hy4 flash 能够以更少的资源完成质量相近的任务,背后是混元团队在模型架构、训练方法和推理部署上的一系列优化。
在预训练阶段,Hy4 flash 的重点是压低推理时的“固定开销”。Hy4 flash 的总参数量是 224B,其中 64B 是 Engram 参数,每个 token 只激活 12B。配合混合注意力、LatentMoE 和 Engram 等架构设计,KV Cache 被压到 Hy3 的 1/24、Hy4 的 1/6。
更值得关注的,是后训练阶段的优化。过去一年,行业里越来越多的讨论集中在推理模型的过度思考上。一些模型面对极其简单的问题也会“想太多”,造成资源浪费。
Hy4 flash 的优化思路,是让模型在保证任务效果的同时,尽可能减少不必要的输出。 具体来说,混元团队先通过自蒸馏 Hy4,让 Hy4 flash 获得较强的综合能力,再利用强化学习优化任务执行过程。数据显示,经过这一轮优化,Hy4 flash 的端到端任务输出长度降低了 50%。
在推理阶段,混元团队 结合 Megakernel、4bit 量化和 DFly 等技术,对推理过程进行了进一步优化,使 Hy4 flash 的解码速度超过 150 tps,每秒可以生成超过 150 个 Token。配合前面提到的缓存压缩和输出长度优化,Hy4 flash 得以在维持日常任务效果的同时,降低部署和运行成本。
不过,模型本身便宜了,并不等于企业的 AI 使用成本就能自动降下来。当越来越多员工和业务系统开始使用 AI,企业需要面对的成本问题也更复杂。比如,不同任务应该调用哪个模型?Token 消耗集中在哪些业务环节?如何避免低价值调用持续占用预算?
模型已经足够便宜,剩下的成本花在哪里?
企业的 AI 账单正在变成一张让财务和 IT 同时皱眉的东西。
Capgemini 今年 9 月对 500 位高管的调研显示,59% 的企业过去一年 AI 支出显著超出预期或预算,超支幅度平均在 24%,60% 的组织至今没有一套企业级的 AI 成本可见性。KPMG 的数据更是直接揭露了企业 AI 账单的混乱,很多企业甚至不清楚钱究竟花在了哪里:只有 26% 的企业对自家 AI 花了多少钱有全面掌握,22% 要等账单寄来才知道。
拆开来看,这些数字背后是几个很具体的麻烦。过去,企业可能只有少数几个 AI 应用,调用量和成本相对容易估算。但当公司多个部门深度使用模型后,这笔账就复杂了。比如,有些任务需要在短时间内处理大量请求,有些则对处理时间没太高要求,如果所有任务都采用同一种服务方式,可能造成不必要的资源浪费。
此外,不同部门各自接入模型,Token 消耗分散在各个应用中,企业想算清每笔支出的去向也不容易。模型接入后,还有不少琐碎工作,比如配置服务、编写接入代码,出了问题还要逐一排查。随着模型数量和应用规模增加,这部分工作也会不断累积。
对企业来说,模型单价降低固然重要,但要真正控制 AI 支出,还需要考虑模型怎么接入、不同任务采用什么服务方式,以及如何管理持续产生的 Token 消耗。腾讯云大模型服务平台 TokenHub 瞄准的就是这些问题。
作为 Hy4 flash 的企业级统一接入入口,TokenHub 同时聚合了主流模型,覆盖文本推理、代码、图像和视频等不同能力。除了混元系列,腾讯云还在持续扩充第三方模型生态,并支持重点 SOTA 模型的 Day0 接入,包括此前上线的 Hy4、小米 MiMo V2.6 系列等等,都在上线首日完成了接入。
模型选择多了,下一步就是怎么用。TokenHub 的做法是把服务拆成不同的交付形态,让企业按场景选,而不是按单一价格买单。
比如,客服和语音外呼的峰值吞吐需求,对应的是 TPM 预留,企业可以按业务峰值提前锁定容量,大促当天不用临时抢资源。金融报表和风控分析这类强合规场景,对应的是模型单元,企业获得一块独占算力,敏感数据在物理隔离的环境里完成推理,再叠加 AICC 可信运行的全链路安全方案。作业批改和批量分析的特点是量大、可排队、对延迟不敏感,离线推理服务用队列承接这些任务,资源价格显著更低。
同一个平台,三种服务形态,企业可以根据任务特点选择服务,让钱花在真正需要的地方。
针对企业 AI 账单混乱的痛点,TokenHub 的 Token 治理套件也提供了相应的管理能力。企业可以通过 Key 分配使用权限和额度,按 Key 进行分账与审计,并追溯关联的调用记录。
除了管理 Token,TokenHub 还试图减少企业使用模型过程中的重复工作。过去,开发者接入一个新模型,通常需要先查阅文档,了解接口和配置方式,再编写代码、调试服务。模型上线之后,日常运维和问题排查仍然需要投入精力。
TokenHub 的方式是“让 AI 来用 AI”。开发者只需要在熟悉的 AI 工具里说出要做什么,AI 就能通过 TokenHub Skill 和 CLI,协助完成日常使用、观测和排障,减少翻文档、切换控制台的时间。对企业来说,省下来的不只是时间,还有模型迭代速度加快之后不断累积的适配和运维成本。
从服务分级到 Token 治理,再到使用过程的自动化,TokenHub 试图解决的,是模型进入企业之后的一整套成本问题。但成本还只是其中一部分。当模型接触的数据越来越敏感,安全问题同样重要。
当 AI 开始处理企业内部数据,便宜就不够了
今年 10 月,OpenAI 披露了两起发生在内部的 Agent 安全事件。
10 月 3 日,一个 GPT-6.1 Sol Agent 在修复评估流程时,关闭了向安全团队自动发送监控告警的功能。三天后,另一个 GPT-6 Astra Agent 在修改代码时移除了监控集成,事后还向用户错误地表示自己没有删除监控功能。
类似的安全事件还有很多。显然,Agent 能做的事情越来越多,它可能带来的安全风险也在增加。
在 2026 腾讯全球数字生态大会上,TokenHub 产品负责人何世友提到一个现象:如今开发者调用大模型非常简单,只需要配置 URL 和 Key,就能开始使用。但在这次请求背后,实际上还涉及网络传输、服务路由、推理集群等多个环节,每个环节都有各自的风险。
尤其当模型开始处理金融授信材料、企业内部公文等敏感数据时,企业需要明确数据在哪里处理、谁有权调用,以及请求和响应在传输过程中是否受到保护。
为此,腾讯云在 TokenHub 中构建了安全合规四层体系,覆盖基础设施运行时安全、企业资产安全、数据内容安全和合规风险治理。
首先是运行环境的安全。对于金融机构、政企等敏感场景,TokenHub 提供专属模型单元,企业可以使用独占的推理算力,通过物理隔离降低数据在共享环境中暴露的风险。在此基础上,腾讯云还结合 AICC 可信运行方案,对客户端应用和推理节点进行身份验证与授权,并对请求和响应进行端到端加密。
据介绍,请求从客户端发出前就会加密,经过 TokenHub 的鉴权、路由和转发后,直到进入经过验证的可信推理节点才会解密。推理结果也会加密返回,在客户端完成解密。同时,平台通过安全镜像、可信启动和运行时度量等方式,加强对推理环境的保护。
解决数据在哪里处理的问题之后,还要管住谁能使用模型。这也是前面提到的 Token 治理套件承担的另一项工作。企业可以通过 Key 管理调用权限、使用额度和成本归属,并根据请求记录进行审计和追溯。
再往上一层,是模型处理的数据和内容安全。
以企业 RAG 应用为例,模型可能需要读取内部知识库中的大量文档,其中一些内容只允许特定员工访问。如果缺少必要的权限控制和敏感信息防护,就可能出现不该披露的数据被模型输出的情况。Agent 还会频繁调用工具和进行网络搜索,外部返回的信息中也可能夹带恶意指令。一旦模型将这些内容当成需要执行的指令,就可能带来新的安全风险。
针对这些问题,TokenHub 在平台层提供数据隐私保护能力,包括推理日志的 ZDR 配置,以及端到端加密支持。在内容安全方面,平台提供基础内容审核能力,并通过大模型安全套件加强提示词攻击防护、敏感数据保护和业务专属规则防护。
最后一层,是海外业务的合规要求。当企业将 AI 应用部署到不同国家和地区,数据存储位置、跨境传输和模型生成内容管理,都需要满足当地监管要求。目前,TokenHub 已在东南亚、美国提供服务,预计今年第四季度上线欧洲。
当下,企业 AI 安全需要考虑的范围正在扩大,覆盖了从应用发起请求到模型完成推理的更多环节。这也是 TokenHub 此次将安全作为升级重点的原因之一。未来,模型服务平台能否提供足够可靠、可复用的安全能力,也会成为企业选择 AI 基础设施时越来越重要的考量。
模型降价之后,企业还要算一笔更长远的账
模型单价下来之后,企业把更多工作交给 AI 的门槛确实低了。Hy4 flash 把日常任务的单次成本压到两毛钱级别,解码速度超过 150 tps,PPT、文档、表格、简单前端这些任务已经可以放心地批量扔给模型。
但随着应用数量和调用规模增长,模型之外的成本也会逐渐显现出来。如何选择合适的模型与服务,如何管理 Token 消耗,如何减少日常维护工作,以及怎样保障数据安全,都会影响企业最终的投入产出比。
从 Hy4 flash 到 TokenHub,可以看到腾讯云正在从模型和平台两个层面推进成本优化。前者通过模型架构和训练优化降低单次任务的开销,后者则围绕企业实际使用模型的过程,提供资源配置、成本治理和安全管理能力。未来企业之间在 AI 上的成本差距,大概率不会只取决于谁拿到了更低的 Token 单价,更取决于谁更早把使用和管理这件事当成一套工程来做。
目前,Hy4 flash 已上线 TokenHub,并推出限时两周五折优惠。感兴趣的开发者和企业可以点击链接:https://cloud.tencent.com/product/tokenhub,体验新模型。