腾讯混元Hy4 Flash登场:主打低成本低延迟
腾讯正在进化成为一家AI科技公司
本文作者为深流研究所,钛媒体经授权发布。
11月16日,腾讯混元推出Hy4 Flash。
Flash版沿用了Hy4的视觉理解、Agent等核心能力,重点在于压低延迟和调用成本,官方给它的定位是“迄今为止最高性价比的Hy模型”。
在这之前,Hy4正式版在Artificial Analysis智能指数里排到中国模型第二,在Agent Arena中则拿下了开源模型第一。
Hy4 Flash一出,混元这边就有了旗舰模型加高效模型的两层搭配。
旗舰模型负责把智能上限往上顶,Flash要回答的是另一件事:这些能力能不能用更低的成本、更小的延迟撑起更大规模的调用。说到底,AI下半场更关键的问题就在这里。
对腾讯来说,这个问题格外现实。
从Hy3 preview起,混元就陆续接入WorkBuddy、元宝、企业微信和QQ等多款产品,场景覆盖搜索问答、办公、编程、企服和社交。其中不少产品是千万级用户,甚至达到国民级规模。
国民级产品带来的调用量,对模型的“实用性”要求更苛刻:效果稳不稳,响应够不够快,单次任务的总成本能不能控住。
这同样是腾讯自研模型绕不开的考验。
先把能力做实,再按需分层
模型分层,并不等于把参数规模简单砍小。
研发团队得先弄清楚:哪些能力非留不可,哪些计算可以压掉,不同任务之间又该怎么分配。
做这件事有个前提,就是旗舰模型本身要够强,能力边界也要相对清晰。
今年2月重建基础设施之后,混元从Hy3 preview重新出发。
最近半年,它的迭代大致走了两步:先把已有能力的任务成功率提上来,再拓展模型能接的任务范围。
Hy3正式版并没有大幅加参数,提升主要来自数据质量、后训练和强化学习。
官方公布的评测中,Hy3在SkillsBench上的得分从29.1升到55.3,SWE-bench Pro从46.0升到57.9。
榜单之外,产品里的实测更能看出这些提升到底能不能用。
WorkBuddy的内部评测里,Hy3的任务解决率由72%升到90%,平均耗时少了34%。也就是说,模型完成任务的可能性更高了,无效执行、失败重试和人工接管也随之减少。
对Agent产品来说,任务成功率本身就是效率指标。首次就把任务做成的概率提上去,往往能同时压低Token消耗、工具调用次数和用户等待时间。
到了Hy4 preview,混元又把智能上限往上抬了一截。
模型容量和上下文窗口都做了扩展,为代码工程、多文档研究和长程Agent任务打下基础。
Hy4正式版又补上视觉理解和Computer Use,并围绕Blender、CAD等专业软件以及跨应用流程做了训练。
模型能不能真正进工作流,看的正是这些能力。可现实工作里的信息,并不都躺在文本和标准接口里——大量内容散落在图片、网页和软件界面当中,不少专业工具压根没有可直接调用的 API。
模型得先看懂界面、判断状态、再把操作做完,才有可能从“给建议”走到“交结果”。
Hy4 正式版和 Hy4 preview 相比,指令遵循、复杂检索、游戏开发、逻辑实现这几类任务上提升约 10%—20%,智能水平整体抬升的迹象更明显。
混元的能力建设也开始往专业场景里扎。混元组织的一次金融众测里,153 位外部头部金融机构专家参与评估了 579 个真实任务,覆盖基金研究、证券分析、量化策略和财税会计等领域,Hy4 拿到 3.04 分,在参评开源模型中排第一。这些任务考的不只是金融知识,还有信息检索、分析验证和结果交付。专业场景要的不只是一个看着合理的答案,还得有清楚的证据边界。
可靠性于是成了单独的优化目标。

Hy4 因无依据猜测导致的错误率,在自建测试中从 23.1% 降到 5.6%。
混元持续迭代下来,一套贯通数据、训练、评测与工程的研发机制慢慢成形,模型能力得以稳定转成任务结果。
规模化调用,如何支撑?
模型进了产品,成本怎么算也跟着变。数据显示,Hy4 preview 曾在 OpenRouter 单周处理约 14.7 万亿 Token;Hy4 正式版发布首周的处理量约为 12.8 万亿 Token。
涨的不只是调用次数,任务链路也变长了。一次 Agent 任务里,可能有多轮规划、检索、工具调用、状态判断和结果验证,中间任何一环出错,都可能引来重新规划和执行。
Hy 系列模型已经接进腾讯多款产品。任务不一样,单一模型就很难同时把效果、速度和成本都照顾到:元宝的搜索问答要兼顾准确性和响应速度;CodeBuddy 更看重代码修改的正确性和执行稳定性;WorkBuddy 则要把任务规划落成文档、表格或软件操作。
简单问答要是用上过长的思考链,响应会变慢,成本也会被推高;复杂任务交给能力不够的模型,又容易出错返工。
所以实用性不是去追最低的单次调用价格,而是在效果达标的前提下,把完成任务的總成本尽量压下来。
围着这个目标,混元逐步搭起三层效率体系。
头一层是架构效率,减轻单个 Token 的计算负担。
混元用的是 MoE 架构,把模型总容量和单次推理负担拆开看。Hy3 总参数为 295B,每个 Token 激活约 21B 参数;Hy4 总参数扩大到 770B,每个 Token 激活 49B 参数。更大的总参数用来装知识和能力,推理时只激活其中一部分,模型扩容的同时,单步计算成本不必跟着同幅度上涨。
第二层是任务效率,减少完成一项任务所需的 Token 和调用次数。
Hy4 preview 上线那阵子,复杂任务里想得太多、反复自我核验的毛病已经露出来了。放到 Agent 产品上看,这不只是答得啰嗦,执行轮次会被拉高,上下文越拖越长,工具调用次数也跟着涨,整条任务链路的开销最后都被推了上去。
到了 9月7日,混元与 WorkBuddy 联合团队对外称专项优化已经做完。做法是 Benchmark 加人工评测两条线同时盯着,在任务效果基本稳住的前提下,把执行轮次压下来,输入和输出的 Token 消耗也一并减少。
Hy4 正式版发布的时候,思维链效率依旧被列为优化的重头。
第三层落在系统效率上:靠缓存、模型分层和自动路由,给不同任务配上合适的资源。
Agent 一旦连续干活,系统提示词、工具定义、项目资料、历史上下文都要一遍遍重读。这些东西往往没多大变化,可每次请求里都可能再出现一次。
Hy4 的缓存命中价只有普通输入价的二十分之一。只要满足缓存条件,重复内容就不用再按全价算。
模型分层这一环则由 Hy4 Flash 补上。产品能依据任务难度、执行效果和等待时间,动态换用模型。
用真实反馈,校准模型
外界聊起腾讯的 AI 优势,常提到它庞大的用户规模和产品矩阵。矩阵的意义不止是把模型分发给更多人,更在于让模型在真实任务里被反复检验好不好用。
腾讯让业务和用户自己挑模型,多模型接入与自动路由同样是其 Agent 产品的基本功。也就是说,混元进了腾讯自有产品,照样得跟别的模型同场较量。
产品框架、工具权限、任务环境大差不差时,模型在任务成功率、等待时间、执行稳定性上的差别,会直接落在调用、重试和模型切换里。
WorkBuddy 里主动选模型的用户中,Hy3 占到 60%;接进 ima Copilot 之后,Hy3 在 72 小时内就成了平台调用量最高的模型。
这些数字回答的,是一个比标准化评测更接地气的问题:用户手里有选择权时,愿不愿意把真实任务交给这个模型。
真实产品也在反过来改模型的研发路子。模型进了 Agent 产品,环境、权限、工具和上下文会一起左右任务结果,不少问题只有跑在实际运行的长链路里才会冒出来。
混元跟 WorkBuddy、元宝等产品做起了 Co-design,把模型研发和产品迭代放进同一个循环:产品团队发现毛病、提供任务、验证效果,模型团队再把这些转成训练数据、评测方法和优化目标。
“Preview 先行、正式版跟进”同样是这套机制的一部分。Preview 让模型早点进真实环境,把思考过长、工具误用、任务失败这些问题暴露出来,正式版再照着改。
Flash 版出来,又给这个反馈循环添了新条件。延迟和成本更低,就能撑起更高频的调用。调用规模一上去,产品会碰到更多真实任务和长尾案例;模型路由也能攒下更多比较信号,判断哪类任务该调哪种模型。
各场景里沉下来的数据、评测方法和模型能力,还有机会借通用模型挪到其他产品上去。
产品不光是模型的试验场,彼此之间还能连成一张能力网络,让能力互相借力。在腾讯内部,这套反馈机制正从零散的单点协作,转向成体系的运转。
基础设施重建之后,混元的迭代节奏明显加快,应用侧也跑出了规模。WorkBuddy 上线八个月,已经成了中国 Token 供给量最大的单一 AI 产品。
另一边,腾讯还在继续加码算力和基础设施,模型与产品之间的打通也在提速。
模型负责提供智能,产品负责承接任务、沉淀反馈,算力撑起规模化调用,真实使用又反过来喂给模型迭代。一个围绕智能生产、分发与进化的闭环,正在成形。
腾讯正一步步从互联网公司,走向由模型、算力和应用共同驱动的 AI 科技公司。
往后看,AI 竞争拼的不只是模型能力,还有整套闭环的运转效率。