腾讯混元发布 Hy4 Flash,以更低延迟和成本延续旗舰模型能力,瞄准国民级产品的规模化调用。本文拆解混元如何通过架构、任务与系统三层效率体系,在真实产品反馈中打磨模型实用性,回答 AI 下半场的核心命题:能力如何更便宜、更稳定地交付。

11月16日,腾讯混元发布 Hy4 Flash。

Flash 版保留了 Hy4 的视觉理解与 Agent 等核心能力,重点降低延迟和调用成本,被定位为“迄今为止最高性价比的Hy模型”。

此前,Hy4 正式版在 Artificial Analysis 智能指数中位列中国模型第二,在 Agent Arena 中位居开源模型第一。

随着Hy4 flash发布,混元形成旗舰模型与高效模型的组合。

旗舰模型提升智能上限,Flash 则要回答另一个问题:这些能力能否实现更低的成本和延迟,更大规模的调用。这才是AI下半场更为核心的问题。

这个问题对腾讯尤其现实。

从 Hy3 preview开始,混元陆续进入 WorkBuddy、元宝、企业微信和 QQ多个产品,覆盖搜索问答、办公、编程、企服与社交等场景。其中不少产品拥有千万级乃至国民级用户规模。

“国民级产品”的调用需求,对模型的“实用性”提出了更严苛的要求——效果能否稳定,响应是否足够快,单次任务的综合成本能否得到控制。

这也是腾讯自研模型必须应对的挑战。

先做实能力,再按需分层

模型分层并非简单缩小参数规模。

研发团队首先需要识别哪些能力必须保留,哪些计算可以压缩,不同任务又该如何分配。

这项工作的前提,是旗舰模型具备足够强的智能水平,并构建了相对清晰的能力边界。

今年2月重建基础设施后,混元从 Hy3 preview重新起步。

过去半年,它的迭代大致经历了两个阶段:先提高已有能力的任务成功率,再扩大模型能够承担的任务范围。

Hy3 正式版没有显著增加参数规模,提升主要来自数据质量、后训练和强化学习。

官方公布的评测显示,Hy3 在 SkillsBench 上的得分由 29.1 提高至 55.3,SWE-bench Pro 由 46.0 提高至 57.9。

榜单之外,产品实测更能说明这些提升是否真正可用。

在 WorkBuddy 内部评测中,Hy3 的任务解决率从 72% 提高至 90%,平均耗时缩短 34%。这意味着模型不仅更可能完成任务,也减少了无效执行、失败重试和人工接管。

对 Agent 产品而言,任务成功率本身就是一种效率指标。提高首次完成任务的概率,往往能够同时降低 Token 消耗、工具调用和用户等待时间。

到 Hy4 preview,混元进一步抬高智能上限。

模型容量和上下文窗口得到扩展,为代码工程、多文档研究和长程 Agent 任务提供了基础。

Hy4 正式版又加入视觉理解和 Computer Use,并针对 Blender、CAD 等专业软件及跨应用流程展开训练。

这些能力决定了模型能否真正进入工作流。

现实工作中的信息并不都存在于文本和标准化接口中,大量内容分散在图片、网页和软件界面里,许多专业工具也缺少可以直接调用的 API。

模型只有理解界面、判断状态并完成操作,才能从“提供建议”走向“交付结果”。

相比 Hy4 preview,Hy4 正式版在指令遵循、复杂检索、游戏开发和逻辑实现等任务上提升约 10%—20%,智能水平呈现出更明显的整体提升。

混元的能力建设也开始深入专业场景。

在混元组织的一次金融众测中,579 个真实任务由 153 位外部头部金融机构专家参与评估,覆盖基金研究、证券分析、量化策略和财税会计等领域。Hy4 获得 3.04 分,在参评开源模型中位居首位。

这些任务考察的不只是金融知识,也包括信息检索、分析验证和结果交付。专业场景要求模型给出的不只是一个看似合理的答案,还要有明确的证据边界。

可靠性因此成为独立的优化目标。

在自建测试中,Hy4 因无依据猜测导致的错误率由 23.1% 降至 5.6%。

随着混元持续迭代,一套贯通数据、训练、评测与工程的研发机制逐渐成型,推动模型能力稳定转化为任务结果。

规模化调用,如何支撑?

模型进入产品后,成本的计算方式也随之改变。

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。

增长的不只是调用次数,还有任务链路的长度。

一次 Agent 任务可能包含多轮规划、检索、工具调用、状态判断和结果验证。任何一个中间环节出现错误,都可能触发重新规划和执行。

Hy 系列模型已经接入腾讯多款产品。任务差异的存在,也让单一模型很难同时满足效果、速度和成本要求。

元宝的搜索问答需要兼顾准确性与响应速度;CodeBuddy 更重视代码修改的正确性和执行稳定性;WorkBuddy 要将任务规划转化为文档、表格或软件操作。

简单问答使用过长的思考链,会拖慢响应并推高成本;复杂任务交给能力不足的模型,又容易产生错误和返工。

因此,实用性并非追求最低的单次调用价格,而是在效果达标的前提下,尽可能降低完成任务的总成本。

围绕这一目标,混元逐渐形成三层效率体系。

第一层是架构效率,降低单个 Token 的计算负担。

混元采用 MoE 架构,将模型总容量与单次推理负担分开。Hy3 总参数为 295B,每个 Token 激活约 21B 参数;Hy4 总参数扩大至 770B,每个 Token 激活 49B 参数。

更大的总参数用于容纳知识和能力,推理时只激活其中一部分。这使模型在扩大容量的同时,不必让单步计算成本以同样幅度增长。

第二层是任务效率,减少完成任务所需的 Token 和调用次数。

Hy4 preview 上线后,曾暴露出复杂任务中思考过长、过度自我验证的问题。

对 Agent 产品而言,这并非简单的回答冗长,而是会增加执行轮次、上下文长度和工具调用次数,最终推高整条任务链路的成本。

9月7日,混元与 WorkBuddy 联合团队宣布完成专项优化。团队通过 Benchmark 和人工评测双重监控,在任务效果基本稳定的前提下,减少执行轮次以及输入、输出 Token 消耗。

Hy4 正式版发布时,思维链效率仍是重点优化方向。

第三层是系统效率,通过缓存、模型分层与自动路由,为不同任务匹配合适的资源。

Agent 连续工作时,会反复读取系统提示词、工具定义、项目资料和历史上下文。这些内容通常变化不大,却可能在每次请求中重复出现。

Hy4 的缓存命中价格为普通输入价格的二十分之一,满足缓存条件后,重复内容不再需要按完整价格计算。

Hy4 Flash 则补上了模型分层的一环。产品可以根据任务难度、执行效果和等待时间动态调整模型。

用真实反馈,校准模型

腾讯经常被提及的 AI 优势之一,是庞大的用户规模和产品矩阵。

产品矩阵的价值,不只是把模型分发给更多用户,还在于持续检验模型在真实任务中的实用性。

腾讯允许业务和用户自主选择模型,多模型接入与自动路由也是其 Agent 产品的基础能力。

这意味着,即使进入腾讯自有产品,混元仍要与其他模型同台竞争。

在产品框架、工具权限和任务环境大致相同的情况下,模型在任务成功率、等待时间和执行稳定性上的差异,会直接反映在调用、重试和模型切换中。

在 WorkBuddy 主动选择模型的用户中,Hy3 占比达到 60%;接入 ima Copilot 后,Hy3 在 72 小时内成为平台调用量最高的模型。

这类数据回答了一个比标准化评测更实际的问题:当用户拥有选择权时,是否愿意把真实任务交给这个模型。

真实产品也在改变模型的研发方式。

模型进入 Agent 产品后,环境、权限、工具和上下文会共同影响任务结果,许多问题只有在实际运行的长链路中才会出现。

混元与 WorkBuddy、元宝等产品展开 Co-design,将模型研发与产品迭代纳入同一个循环:

产品团队发现问题、提供任务并验证效果,模型团队再将其转化为训练数据、评测方法和优化目标。

“Preview 先行、正式版跟进”也是这一机制的体现。Preview 让模型更早进入真实环境,暴露思考过长、工具误用和任务失败等问题,正式版再据此优化。

Flash版的推出,又为这套反馈循环提供了新的条件。

更低的延迟和成本,可以支撑更高频的调用。调用规模扩大后,产品将接触更多真实任务和长尾案例;模型路由也能积累更多比较信号,判断不同任务适合调用哪一类模型。

各个场景沉淀的数据、评测方法和模型能力,又有机会通过通用模型迁移到其他产品。

产品既是模型的试验场,也可以组成一张相互连接的能力网络。

在腾讯,这套反馈机制正从单点协作走向体系化运转。

基础设施重建后,混元迭代明显提速,应用侧也开始跑出规模。WorkBuddy 上线八个月后,已成为中国 Token 供给量最大的单一 AI 产品。

与此同时,腾讯仍在加码算力和基础设施,并加快模型与产品的打通。

模型提供智能,产品承接任务、沉淀反馈,算力支撑规模化调用,真实使用再反哺模型迭代——一个围绕智能生产、分发与进化的闭环正在形成。

腾讯正在从互联网公司逐步走向由模型、算力和应用共同驱动的 AI 科技公司。

未来,AI 竞争比拼的不只是模型能力,更是整套闭环的运转效率。

文 / 吴绛枫

本文由 @深流研究所 原创发布于人人都是产品经理。未经作者许可,禁止转载

题图来自作者提供