腾讯混元Hy4 flash上线:1M上下文,解码超150tps
腾讯混元推出高性价比模型Hy4 flash,总参数224B但激活仅12B。支持1M超长上下文和多模态,解码速度超150 tps。通过强化学习将输出长度减半,API输出价格低至2元/百万tokens。已接入元宝、WorkBuddy等应用,适合文档处理、PPT生成及深度搜索等日常办公场景,旨在以更低成本提供接近旗舰模型的智
为什么关注 Hy4 flash
在大模型赛道越来越卷的今天,厂商们不再只拼参数量大小,开始琢磨怎么让模型既聪明又便宜,还得跑得快。腾讯混元最新推出的 Hy4 flash 就是冲着这个目标来的。
这款模型主打“超高性价比”。它的总参数量有 224B(2240亿),但在实际推理时,每次只激活 12B(120亿)参数。这种设计让它能在保持较高智能水平的同时,大幅降低算力消耗。更直观的是,它的解码速度超过了 150 tps(每秒 token 数),在处理长文档或复杂任务时,等待时间明显缩短。
对于普通用户来说,最直接的感知可能是它在元宝、
WorkBuddy 等产品里的表现:生成 PPT 更快了,整理长篇报告不卡顿了,而且因为输出更精炼,看起来没那么啰嗦。对于开发者而言,限时五折后的 API 价格(输出端 2 元/百万 tokens)也是一个值得关注的信号。
核心架构:小激活,大记忆
Hy4 flash 之所以能做到“又快又省”,核心在于其架构上的几个关键改动。
首先是稀疏混合专家架构(LatentMoE)。虽然模型总共有 224B 参数,但通过潜在空间路由技术,系统会根据输入内容,只激活最相关的 12B 参数参与计算。这就好比一个拥有几百名专家的大型智库,每次遇到问题,只请最对口的几位专家出来解答,而不是所有人一起开会。这样既保证了专业性,又避免了资源浪费。
其次是解决长上下文带来的显存压力。传统大模型在处理 1M(100万)token 的超长文本时,KV cache(键值缓存)会占用巨大显存,导致推理成本飙升甚至无法运行。Hy4 flash 引入了混合注意力机制和一种名为 Engram 的记忆机制。Engram 包含 64B 参数,作为外部记忆存储关键信息,替代了部分传统的 KV cache。结果是,Hy4 flash 的 KV cache 体积仅为前代 Hy3 的 1/24,是标准 Hy4 模型的 1/6。这意味着在同样的硬件条件下,它能更轻松地处理百万字级别的长文档。
最后是推理侧的极致优化。团队使用了 megakernel 算子融合技术,减少了底层计算内核的启动开销;权重采用 4bit 量化,进一步降低显存占用和带宽压力;配合 DFly 投机解码和并行解码技术,最终实现了超过 150 tps 的解码速度。在 WorkBuddy 的实际测试中,相比 Hy4 模型,Hy4 flash 的任务耗时减少了 70%。
训练策略:向老师学习,并学会少说话
有了好架构,还需要好的训练方法。Hy4 flash 的训练过程主要围绕两个目标:保持智能水平和提高输出效率。
为了不让“轻量化”牺牲太多智力,腾讯混元团队采用了自蒸馏技术。他们以更强的旗舰模型 Hy4 作为“教师”,指导 Hy4 flash 这位“学生”学习。通过这种方式,Hy4 flash 在综合智能水平上接近了 Hy4,甚至在内部评测集 WorkIndex 上略优于早期的 Hy4 preview 版本。
另一个显著变化是输出长度的优化。很多大模型有个毛病,就是喜欢啰嗦,明明几句话能说清楚,非要写一大段。Hy4 flash 通过强化学习(RL)专门针对端到端任务进行了优化,目标是让模型“说人话”,即用最少的 token 表达清楚意思。结果显示,其输出长度降低了 50%。在微信支付的具体场景中,相比 DeepSeek 的相关模型,Hy4 flash 的输出长度短了约 29%。
这种优化不仅节省了用户的阅读时间,更直接降低了 token 消耗成本。对于按量付费的 API 用户来说,这意味着同样的预算可以跑更多次任务。
功能与应用:不只是聊天
Hy4 flash 原生支持多模态,能够统一处理文本、图片、音频和视频内容,无需额外挂载其他模型。基于这一能力,它在多个日常办公场景中表现出了实用性。
深度搜索与信息整合
在面对需要多方查证的问题时,Hy4 flash 可以低成本地进行多轮检索。它不仅能找到信息,还能交叉验证不同来源,最终给出带有引用来源的结构化答案。这对于做市场调研、竞品分析或学术初步检索的人来说,能节省大量手动翻阅资料的时间。
文档处理与 PPT 生成
依托 1M 的超长上下文窗口,它可以一次性读完几十万字的长文档,进行摘要、编辑或格式修复。在表格处理方面,它能自动识别并修正表格中的错误,完成数据整理。此外,它还支持 PPT 的自动生成与迭代修改,用户只需提出需求,模型即可产出初稿,并支持人机协作修改,适合职场中高频的演示文稿制作需求。
Computer Use(计算机使用)
这是一个比较前沿的功能。Hy4 flash 具备操作真实图形用户界面(GUI)的能力。它可以像人一样,在电脑或手机上点击、输入,完成多步骤任务。例如,在 Marvis 和微信支付场景中,它已经能够自主完成应用的下载安装、系统设置调整、支付流程诊断等操作。这种能力让 AI 从“建议者”变成了“执行者”,在企业自动化运维或个人助手场景中潜力巨大。
企业智能助手
在企业微信、ima 等产品中,Hy4 flash 可以作为智能体核心,自主规划工具调用。比如员工询问内部政策,它能检索知识库并给出准确回答;遇到技术 Bug,它能协助定位根因。由于推理速度快、成本低,这类高频企业内部应用得以大规模部署。
与竞品的对比
为了更清晰地定位 Hy4 flash,我们可以将其与市场上另一款热门的高性价比模型 DeepSeek-V4.1-Flash 做个简单对比。
在架构上,两者都采用了 MoE(混合专家)思路,但 Hy4 flash 明确公布了 224B 总参/12B 激活的参数规模,并引入了 64B 的 Engram 记忆模块。DeepSeek-V4.1-Flash 的具体参数细节未完全公开。
在多模态能力上,Hy4 flash 原生支持文本、图片和音视频的统一处理,而 DeepSeek-V4.1-Flash 目前主要面向文本,多模态能力相对较弱。这对于需要处理多媒体内容的用户来说,是一个明显的差异点。
速度方面,Hy4 flash 的解码速度超过 150 tps,略高于 DeepSeek-V4.1-Flash 的约 100 tps。更快的速度意味着更好的交互体验,尤其是在流式输出场景下。
价格是目前 Hy4 flash 的一大优势。在 11 月底前的促销期内,其 API 输出价格为 2 元/百万 tokens,输入价格为 0.5 元/百万 tokens。相比之下,DeepSeek-V4.1-Flash 在忙时的 max 档位价格约为 Hy4 flash 的 8 倍。当然,促销期后的长期定价策略还需观察,但目前的成本优势确实明显。
在输出精简度上,得益于强化学习优化,Hy4 flash 的输出更短。在微信支付场景的对比中,其输出长度比 DeepSeek 短约 29%。这不仅省钱,也让结果更易读。
生态接入方面,Hy4 flash 深度融入腾讯全家桶,包括元宝、WorkBuddy、QQ、ima、企业微信等,并可通过 TokenHub 调用,未来还计划接入 OpenRouter。DeepSeek 则主要通过其官方平台及第三方 API 提供服务。对于已经在使用腾讯系办公套件的用户或企业来说,Hy4 flash 的集成便利性更高。
如何使用
普通用户不需要懂技术,直接在现有产品里就能用上。
你可以打开元宝 App 或网页版、WorkBuddy、ima、企业微信、QQ 或 Marvis。在这些应用的模型选择菜单中,确认当前模型为 Hy4 flash(部分应用可能默认切换或自动调度)。然后,像平时一样用自然语言下达指令,比如“帮我总结这份 PDF”、“生成一个关于季度汇报的 PPT 大纲”或“查一下最近 AI 行业的动态”,等待结果即可。
对于开发者,可以通过腾讯云 TokenHub 服务调用 API。
- 登录腾讯云控制台,开通 TokenHub 服务并创建 API Key。
- 选择 Hy4 flash 模型端点。注意查看当前的限时优惠价格。
- 使用兼容 OpenAI 格式的 SDK 发起请求。将
base_url指向 TokenHub 端点,model参数设为 Hy4 flash。 - 传入消息内容,支持附带文件、图片等多模态数据。
- 获取流式返回的结果,并在控制台监控 token 消耗。
如果任务特别复杂,需要极强的逻辑推理或长程规划,也可以考虑切换回标准的 Hy4 模型,但在大多数日常办公和信息处理场景中,Hy4 flash 提供了一个很好的平衡点。
写在最后
Hy4 flash 的出现,反映了大模型行业的一个趋势:从追求“最大最强”,转向追求“好用不贵”。
通过架构创新(LatentMoE + Engram)和训练优化(自蒸馏 + RL),腾讯混元在保持模型智能水平的同时,显著降低了推理成本和延迟。1M 上下文、原生多模态、Computer Use 能力以及极具竞争力的价格,使其成为日常办公、文档处理和企业级应用的有力候选者。
当然,模型的好坏最终要看实际落地效果。随着它在元宝、WorkBuddy 等千万级用户产品中的大规模应用,我们能看到更多真实场景下的反馈。对于用户来说,多一个高性价比的选择,总是好事。