腾讯云MaaS：混元研发体系重组后，模型如何落到真实业务

过去几年，大模型厂商每次发新品，几乎都要摆出一张密不透风的 Benchmark 成绩单。可模型一旦进了真实工作场景，评判的尺子就没这么简单了。

今年 3 月有项研究，拆解了 43 套 Agent 评测基准、覆盖超过 7.2 万项任务，再拿它们和美国劳动力市场的 1016 种职业做对照。结论是：现有评测大多扎堆在编程这类计算机相关任务上，管理、法律等大量真实工作场景的覆盖明显不够。

测试里表现亮眼，到底能在多大程度上说明它解决实际问题的本事？

10 月 30 日，2026 腾讯全球数字生态大会「模型与 MaaS 服务专场」现场，腾讯云 MaaS 产品中心总经理邹辉提到大模型市场的三项变化：模型能力还在持续增强，百万 Token 调用成本从“元”降到“角”甚至“分”，Agent 也从对话接口一步步变成能规划、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具体了：模型能力跟业务配不配，成本压不压得住，服务稳不稳，复杂任务到底能不能真做完。

这些要求串起了模型研发、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，腾讯云把混元、TI-ONE、TokenHub 以及产业伙伴的模型实践摆到一起，展示了模型能力从研发、部署到实际应用的整条链路。

Benchmark 仍是衡量模型能力的重要工具，不过真实工作往往比测试题复杂得多。

一段代码跑过单元测试，和做完一项涉及需求理解、跨文件修改、调试验证的软件工程任务，根本不是一回事。放到 Agent 场景里更是如此：模型得持续调用工具、处理执行中的异常，还要根据中间结果调整后面的动作。单项能力突出，不代表整项任务一定能完成。

混元在研发过程中，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给模型做盲测。

眼下腾讯已建成覆盖 9 大业务方向的内部评测体系，这些来自具体业务的评价，也成了模型后续迭代的重要参考。

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，重点升级后训练基础设施，以适配智能体长程推理任务的需求。此后，混元逐渐形成每两到三个月做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 等产品背后连着大量具体任务。代码开发看重跨文件修改、调试验证和工程质量；办公应用则涉及跨文档分析、数据处理与成果交付。不同业务对准确性、长程执行能力、响应速度和 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。公开榜单能帮团队判断模型处在什么水平，真实工作流则让能力短板暴露得更清楚。

模型能完成复杂任务，不等于它已经适合生产环境。

长程任务往往伴随更大的上下文窗口、更频繁的工具调用，推理开销也一路往上涨。就算最后结果是对的，响应太慢、运行成本太高，规模化应用也很难撑起来。

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高一截。怎么在不一样的算力环境下稳定交付模型服务，成了 MaaS 平台绕不开的问题。

腾讯云 TI-ONE 产品总监王仿坤把生产级推理的难点归到三方面：性能、成本和运营。

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；模型上线之后，还得具备可观测、弹性伸缩和平滑更新的能力。

拿开源权重部署模型，如今算不上难事，真正的挑战是让它长期稳定地满足生产要求。

腾讯云的训推一体化平台 TI-ONE，一头能兼容并调度国产与海外的异构算力，另一头支撑 TokenHub 等 MaaS 服务以及企业专属部署。训练工具链、推理加速、资源调度、部署工具全被归到一套体系里，模型和硬件之间的适配门槛因此低了。

这次升级的一个重点，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 优化之后单卡吞吐达到初始版本的 5 倍。相关团队只花两周就完成了这轮专项优化，成果还沉淀到 TI-ONE 平台，供后续部署复用。

推理配置和调优经验，平台也打包成了部署模板。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。

这些工程层面的优化，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、更稳的性能进入业务。

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。

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。

复杂科研任务看重的是推理深度，终端交互要的是响应更快，工业预测关心的则是数据适配、准确率和运行稳定性。不同任务对模型提出的要求不一样，没有统一答案。

小米

小米公布的测试里，Ultraspeed 版本的输出速度最高能到 Pro 版本的 20 倍以上。版本之间性能怎么取舍，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 上线后日调用量比 V2.5 增长了 15 倍以上。

TokenHub 产品负责人何世友介绍，平台靠 Day 0 接入机制，尽量在重点模型正式发布当天就完成上架，同时提供不同等级的模型服务，开发者可以按业务需要更快做选型和验证。

终端设备挑模型就更复杂了。端云双向智能路由的思路是：适合本地处理的任务尽量用设备侧算力，复杂任务交给云端，再按任务特点选模型。目前相关产品已经接入腾讯提供的多类模型服务。

用户不需要知道模型跑在哪里。但响应速度、操作体验、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 面向表格、时序等数据做预测与决策。石油化工场景里，传统方案得针对单口油井的 13 项指标分别训练专有模型，LimiX-2 用一个模型就能统一覆盖这些预测任务。

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

LimiX-2 借助腾讯云 TI-ONE 做训练与迭代，靠资源组管理、任务调度和故障恢复等机制保障运行。原豪特别提到，需要长时间运行的训练任务，稳定性往往比瞬时峰值速度更重要。

从实时交互到工业预测，模型的能力、运行环境、成本结构都得跟业务对上。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 承接多模型接入与服务，不同能力由此更有效地进入实际应用。

模型承担的实际工作越来越多，能力的边界也在被重新打量。一次漂亮的评测成绩或任务演示，远不足以说明它在生产环境里有多大价值。怎么让模型持续进步，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。