让模型从一堆报销单里揪出哪张发票不合规，这种活儿过去得靠熟手干半天。腾讯混元今天放出来的新旗舰就是冲着这类脏活来的：770B 总参数、1M 上下文、输出 18 元/百万 tokens。参数堆得凶，价格压得低，真正要问的是它干活快不快、交付稳不稳。
产品概述
混元这次端出来的 Hy4 preview，是一代 MoE 旗舰的预览版本。总参数 770B，每个 token 只激活 49B，上下文长度拉到 1M。对照上一代 Hy3 的 295B 总参数，这一代在尺寸上是实打实的翻倍还多，激活参数同样翻了一倍。
模型在 2026 年 8 月 28 日发布，同一天开源权重，HuggingFace、GitHub、ModelScope、GitCode、CNB 全部同步上线，API 则走腾讯云 TokenHub 和 OpenRouter。官方对它的定位直接写在 slogan 里：为生产力而生，主攻软件工程、办公分析、游戏开发、科学研究四条线，不追全能，追能干活。
官网：https://hy.tencent.com/research/hy4-preview | 项目地址：https://github.com/Tencent-Hunyuan/Hy4-preview
节奏也值得单独说一句。自今年 2 月重建基础设施以来，混元基本保持每两个月一个大版本的迭代速度，Hy3 preview、Hy3、Hy4 preview 依次落地，中间还穿插了大量外界看不见的基础设施和组织调整。preview 先行、正式版跟进这套打法，本质上是用真实反馈换迭代速度，代价是每一代 preview 都得带着已知问题出门。
| 规格项 | 参数 |
|---|---|
| 架构 | MoE（78 层，首层 dense FFN，其余 77 层 MoE） |
| 总参数 / 激活参数 | 770B / 49B |
| 专家配置 | 256 路由专家 + 1 共享专家，每 token 激活 top-8 |
| 注意力 | Gated DSA（含 IndexCache 跨层稀疏索引复用） |
| 上下文长度 | 1M |
| 词表大小 | 120832 |
| 附加模块 | 1 层原生 MTP（10B 总参数 / 0.7B 激活，用于推测解码） |
| 开源协议 | Apache 2.0（社区转述，以 HuggingFace 仓库 License 页为准） |
核心功能
参数只是入场券，真正决定体验的是架构怎么搭、能力往哪儿使劲。先把这代模型的骨架拆开看看。
Hy4 preview 的主干是 78 层，第一层保留标准 dense FFN，剩下 77 层全部换成 MoE，每层挂 256 个路由专家加 1 个共享专家，每个 token 只激活 top-8。注意力部分用了 Gated DeepSeek Sparse Attention，配合 IndexCache 做跨层稀疏索引复用，残差通路则换成 iHC（identity Hyper-Connections）来拓宽层间信息流。额外还内置了一层 MTP 做推测解码。
这套结构带来的收益直接体现在 12 项基准上，而且没有一项垫底。Terminal Bench 2.1 拿到 85.4 分，比 Hy3 高出 14.6 分，超过 DeepSeek V4 Pro，与 Claude Opus 5 基本持平。聚焦软件工程实战的 DeepSWE 从 Hy3 的 28.0 跳到 64.3，翻了一倍还多。工具调用马拉松 Toolathlon-Verified 拿到 74.1 分，压过 Qwen 3.8 Max 和 GPT-5.6 Sol，正在逼近 Kimi K3。
软件工程是这代投入最重的方向。官方的说法是增强长程开发任务的理解、规划、调试与验证能力，前端的视觉审美和交互质量也一并提升。有媒体实测让它做谷歌财报汇总页，一句模糊需求下去，模型自己判断去找 SEC 和 IR 资料包，交叉验证网络报道，再用工具校验数字，17 分钟后交付了带图表和重点标注的完整页面。
办公分析这条线走的是脏活路线。一个演示案例是公司财务费用稽核：72 份文件里混着多个版本的制度文件，模型要自己判断哪份现行有效，再结合花名册、预算和历史台账逐笔核对，从一堆报销单里准确挑出 14 张合规的。这种活儿难不在推理，难在上下文里全是干扰项。
游戏开发和科学研究属于两个极端场景。前者靠 MCP 接进 Unreal 5 和团结引擎，一句话出可玩原型，媒体实测做出来的企鹅岛小游戏交互完整、画风统一，但离 3A 还差得远。后者是真的硬：配合 Hyra 模型，把三维 Blaschke–Lebesgue 这个百年几何难题的体积下界从 0.380799 推进到 0.41104，距 Meissner 四面体猜想的 0.41986 只剩约 2% 的差距。
上手体验
看完纸面能力，接下来是把它接进自己的流程里到底顺不顺手。三条路可走，难度依次递增。
最省事的一条路是直接在产品里用。WorkBuddy、CodeBuddy 的国内版和国际版、元宝、ima 都已同步首发，发布当天起还有为期两周的限时免费。选模型、开对话就完事，没有任何配置成本，适合先花半小时摸清它的脾气再决定要不要接进流程。
第二条路是走 API。腾讯云 TokenHub 的控制台建个 Key 就能调，OpenRouter 上也挂了 tencent/hy4-preview，海外业务不用折腾网络。接口是 OpenAI 兼容格式，chat template 里带 thinking mode、reasoning effort 控制和工具调用，从别的模型迁过来基本只需要改一行模型名。
# TokenHub / OpenRouter：OpenAI 兼容调用
pip install openai
python - <<'PY'
from openai import OpenAI
client = OpenAI(base_url="https://api.tokenhub.tencent.com/v1", api_key="YOUR_KEY")
r = client.chat.completions.create(
model="hy4-preview",
messages=[{"role": "user", "content": "审阅这份报销单，指出不合规项"}],
extra_body={"reasoning_effort": "medium"},
)
print(r.choices[0].message.content)
PY
要自己部署，HuggingFace 上给了 BF16 和 FP8 两套权重，vLLM 和 SGLang 都有快速上手文档。770B 的体量决定了这不是单卡能扛的活，FP8 权重下也需要多机多卡，个人玩家建议直接走 API。实测下来最明显的体感是慢：媒体在 WorkBuddy 里跑财报页面花了 17 分钟，中间模型反复自我验证，等待过程相当煎熬。
使用技巧
用了下，攒下几个很多人不知道的省时间技巧，都是踩过坑才总结出来的。
-
先压思考深度再谈速度。 chat template 支持 reasoning effort 控制，日常问答和简单改写直接调到 low，长程开发任务再拉到 high，能明显缓解它的过度自我验证倾向。 -
长任务先让它出计划。 面对多文件、多步骤的需求，先要求它列出执行计划和信源判断依据，确认后再让它动手，比一次性丢过去更少返工。 -
善用 1M 上下文，但别硬塞满。 缓存命中的输入价只有 0.3 元每百万 tokens，把稳定的制度文件、代码库前段固定下来做前缀缓存，比每次全量重发划算得多。 -
前端和游戏任务给死约束。 明确指定引擎、框架版本、交互流程和验收标准，它能交付的完成度会高一个档次；反之容易给你一个能跑但粗糙的半成品。 -
科学计算让它交付可复现物。 官方案例里模型不只给结论，还会封装交互式模拟器并做独立验证，这类任务要求它输出完整求解流程和参数入口，价值最大。
竞品对比
同一个价位段能选的对手不少，摆在一起看差异更清楚。下表价格均为 2026 年 8 月 28 日的公开价目，各来源计价口径不完全一致，只作选型参考。
| 对比项 | Hy4 preview | GLM-5.3 | Kimi K3 | DeepSeek V4 Pro | GPT-5.6 Sol |
|---|---|---|---|---|---|
| 上下文长度 | 1M | 1M | 1.05M | 1M | 1M（阶梯计价） |
| 开源权重 | 是（Apache 2.0） | 否 | 是（Moonshot 许可） | 是（MIT） | 否 |
| 智能分（AA 指数） | 暂未收录 | 60 | 60 | 53 | 61 |
| 输入价（美元/百万） | 6 元（约 0.84） | 1.40 | 3.00 | 1.32 | 2 起 |
| 输出价（美元/百万） | 18 元（约 2.52） | 4.40 | 15.00 | 3.96 | 6 起 |
| 缓存命中输入价 | 0.3 元（约 0.04） | 0.26 | 0.30 | 0.044 | 未公开 |
| 内部盲测均分（4 分制） | 2.99 | 2.92 | 2.94 | 未参与 | 未参与 |
真正值得注意的是输出价的站位。18 元一百万 tokens 换算下来约 2.52 美元，只有 Kimi K3 的六分之一，比 GLM-5.3 还低一档，同时还把开源权重交了出去。这跟海外旗舰动辄 6 美元起、长上下文还要再翻一倍的定价逻辑完全不是一个路数，成本敏感的场景差距会非常大。
但也要看到另一面。内部盲测 2.99 对 GLM-5.3 的 2.92、Kimi K3 的 2.94，优势只有零点零几分，胜率 46.8% 和 51.2% 也只是勉强过半。换句话说，它是挤进了第一梯队，但远没到能碾压同价位对手的程度，真要选型，还是得拿自己的任务集跑一遍再下结论。
用户反馈
发布当天的反馈量还不算大，但几个方向已经比较清楚了。先看正面的评价。
有媒体在 WorkBuddy 里接入后做谷歌财报页，模型的表现被评价为同时承担了研究员和前端工程师两个角色：自己找信源、交叉验证、跑工具校验数据，确认可靠后才动手写代码。让它做火星模拟器和太阳系模拟器时，交互控件、地标信息和科学数据比例都对得上，前端效果被形容为超出预期。
开源社区的反应集中在两点。一是 770B 配 Apache 2.0 这个组合，二是有人指出姚顺雨加入后混元的训练节奏明显提速，半年多时间里连着交了三个版本。技术侧的评价则提到 chat template 对 thinking mode、reasoning effort 和工具调用的支持完整，接入成本低。
负面反馈同样集中。最常被提到的是慢：模型在复杂任务上会反复验证自己的输出，导致交付时间被拉长，有实测者形容等待过程比较煎熬。另一个问题是能力缺口，preview 版本还不支持视觉输入，多模态要等正式版才补齐。此外，内部盲测的领先幅度偏小，也被认为说明它的优势还不够稳固。
多维评分
能力和槽点都摆完了，接下来按八个固定维度逐项打分，看看它到底站在哪个位置。
| 维度 | 权重 | 评分 | 解读 |
|---|---|---|---|
| 功能完整性 | 20% | ★★★★☆ | 代码、办公、科学三条线齐备，多模态缺失扣分 |
| 易用性 | 15% | ★★★★☆ | 产品内开箱即用，接口 OpenAI 兼容，但响应偏慢 |
| 性能表现 | 15% | ★★★★☆ | 1M 上下文、自优化后吞吐提升 31.8%，被长思考拖累 |
| AI 能力 | 15% | ★★★★☆ | 12 项基准无一项垫底，DeepSWE 翻倍增长 |
| 价格合理性 | 10% | ★★★★☆ | 输出 18 元，同档位最低梯队，缓存价 0.3 元 |
| 生态集成 | 10% | ★★★★☆ | 腾讯系产品全覆盖，MCP 可接 Unreal 5 与团结引擎 |
| 文档与支持 | 10% | ★★★☆☆ | HF 卡片与部署文档完整，中文社区积累刚起步 |
| 更新频率 | 5% | ★★★★★ | 两个月一个大版本，preview 机制成熟 |
综合评分：4.2 / 5.0
优缺点
-
优点 -
770B 配 49B 激活的 MoE 结构，把旗舰级能力压到了中端价格档位，输出价在同档位里处于最低梯队，长文档场景再叠加 0.3 元的缓存命中价，成本结构相当友好。 -
代际跃升的幅度是真实可测的，12 项基准里没有一项垫底，DeepSWE 从 28.0 跳到 64.3 实现翻倍，Terminal Bench 2.1 拿到 85.4 分与 Claude Opus 5 基本持平。 -
开源与生态两手都硬，Apache 2.0 权重配 BF16 与 FP8 双版本，vLLM 和 SGLang 都能跑，同时与 WorkBuddy、CodeBuddy 深度协同，MCP 还能接进 Unreal 5 和团结引擎。 -
科学研究方向有可查证的硬成果，三维 Blaschke–Lebesgue 问题的体积下界被推进到 0.41104，分子动力学模拟提速 2.0 倍，属于能翻出证明的过程，不是跑分话术。
-
-
缺点 -
长思考拖慢交付节奏，官方已把复杂任务上的过度自我验证列为已知问题，实测中模型会反复回头检查自己的输出，等待时间明显偏长，实时场景要谨慎。 -
多模态存在明确缺口，preview 版本不支持视觉输入，图像理解类业务现在接不了，只能等后续正式版补齐，选型阶段必须把这个限制算进去。 -
领先幅度其实很小，内部盲测均分 2.99 对 GLM-5.3 的 2.92 和 Kimi K3 的 2.94，优势只有零点零几分，胜率刚过半，按榜单直接选型容易翻车。 -
自部署门槛偏高，770B 的体量决定了需要多机多卡集群，个人用户基本只能走 API；同时它仍是 preview 版本，能力还会随正式版变化，长期依赖要考虑版本锁定。
-
适用人群
不同角色能从这台模型身上拿到的东西差别很大，对号入座更省事。
Agent 与编码场景的开发者。 Terminal Bench 2.1 拿 85.4、DeepSWE 拿 64.3，配合 reasoning effort 控制和工具调用，适合接入编码 Agent 做长程任务。两周免费期正好用来跑自己的评测集。
需要处理长文档的分析岗。 财报稽核、合同审查、制度比对这类任务，1M 上下文加 0.3 元缓存命中价，成本结构比按次调用友好得多。前提是能接受它的响应时间。
用 AI 做前端和轻游戏的团队。 一句话出可玩原型、多轮迭代完善，对做 Demo 和验证玩法的阶段非常合适，别指望它直接产出成品级内容。
科研与工程计算用户。 分子动力学、凝聚态物理、基础数学方向有可复现的成果案例，适合当作研究助手而非结论来源。
不推荐给这两类人。 需要图像理解的多模态场景现在接不了；对响应延迟敏感的实时交互业务，也会被它的长思考拖住。
定价方案
打分归打分，落到预算上才算数。按量计费的账其实很好算。
| 计费项 | 价格（每百万 tokens） | 备注 |
|---|---|---|
| 输入（命中缓存） | 0.3 元 | 长上下文重复前缀场景优势明显 |
| 输入（常规） | 6 元 | 约 0.84 美元 |
| 输出 | 18 元 | 约 2.52 美元，同档位最低梯队 |
以上为 2026 年 8 月 28 日官方公布的现价。除了按量计费，WorkBuddy 和 CodeBuddy 在发布后提供两周限时免费，开源权重则可以直接自部署，不产生调用费用。按官方口径，接下来要走的是持续普惠路线，但 preview 期的价格不承诺长期不动，签长期预算前建议留个余量。
FAQ
临上手前，把最常被问到的几个问题集中答一遍，省得你自己去翻文档。
Q1：Hy4 preview 和 Hy4 正式版是什么关系？
A1：preview 是正式版之前的早期版本。 官方明确说明它在预训练和后训练上都还有提升空间，采用先发 preview 收集真实反馈、再推正式版的节奏，与 Hy3 preview 到 Hy3 的路径一致。
Q2：770B 参数、1M 上下文，本地部署需要什么硬件？
A2：个人单卡基本不用想。 HuggingFace 提供 BF16 与 FP8 两套权重，vLLM 和 SGLang 均可部署，但 770B 的体量需要多机多卡集群，个人用户建议直接调用 API 更划算。
Q3：它支持图片、语音这类多模态输入吗？
A3：暂时不支持。 当前 preview 版本没有视觉能力，多模态要在后续正式版补齐，涉及图像理解的业务现在还接不了。
Q4：为什么感觉它干活特别慢？
A4：这是官方列出的已知问题之一。 模型在复杂任务上存在长思考和过度自我验证倾向，会反复检查自己的输出，导致交付时间拉长。可以通过 chat template 的 reasoning effort 参数压低思考深度来缓解。
Q5：和 GLM-5.3、Kimi K3 相比到底选哪个？
A5：按任务类型分，别只看榜单。 Hy4 preview 在内部盲测里均分 2.99，对 2.92 和 2.94 只是微弱领先，胜率刚过半。但它输出价更低且开源权重，成本敏感或需要私有化部署的场景更占优。
Q6：API 在哪里接？兼容什么格式？
A6：腾讯云 TokenHub 和 OpenRouter 都有。 接口是 OpenAI 兼容格式，chat template 支持 thinking mode、reasoning effort 控制和工具调用，从其他模型迁移过来改动很小。
Q7：1M 上下文是真的能用满吗？
A7：长度是真的，成本要自己算。 1M 上下文已写进模型规格，且缓存命中输入价只有 0.3 元每百万 tokens，把固定内容做成前缀缓存能大幅压低长文档场景的开销。
Q8：开源协议允许商用吗？
A8：按社区转述是 Apache 2.0。 该协议对商用友好，但具体条款以 HuggingFace 仓库的 License 页面为准，落地商用前建议自行核对最新版本。
Q9：它在科学研究上的成果可信度如何？
A9：有公开可查的证明，但仍需人工复核。 三维 Blaschke–Lebesgue 问题的完整证明已发布在 GitHub 的 Hyra-results 仓库，分子动力学部分给出了 54.9 ms/step 的具体指标，属于可验证结果。
Q10：适合接入编码 Agent 做长程开发吗？
A10：适合，但要有耐心。 Terminal Bench 2.1 拿 85.4 分，与 Claude Opus 5 基本持平，DeepSWE 从 28.0 涨到 64.3，长程任务能力是这代的主攻方向，代价是响应时间偏长。
Q11：现在有免费额度可以用吗？
A11：有，但有时限。 WorkBuddy 和 CodeBuddy 在发布后开展为期两周的限时免费活动，元宝、ima 等腾讯产品也能直接体验，API 侧则按量计费。
结尾
Hy4 preview 不是那种靠一个爆点出圈的模型。它的卖点很朴素：把旗舰级的能力压到一个中端价格，同时把权重交出去。770B 参数只激活 49B，1M 上下文配 0.3 元的缓存价，这套组合对成本敏感又有长文档需求的团队来说，吸引力是实打实的。
但它的问题同样明确，而且是官方自己承认的。长思考和过度自我验证让交付时间偏长，多模态缺口还在，对同价位对手的优势只有零点零几分。preview 这个词本身就说明了一切：它能干活，但还不是完成品，把它当稳定依赖之前得先想清楚这一点。
如果你的场景是编码 Agent、长文档分析或者科研辅助，现在就值得花两周免费期测一轮自己的任务集，成本几乎为零。反过来，若要实时响应或图像理解，就不必急着上，等正式版补齐多模态、把长思考压下来之后评估，显然是更明智的做法。