Hy4 点评：一份「最强开源」发布稿里，最值得读的是那句「仍有差距」
11 月 4 日，腾讯混元发布了 Hy4 正式版。通稿的标题是「首次跻身最强开源模型之列」，但把发布页拉到《局限性和未来展望》那一节，还有另一句话：
尽管 Hy4 已经是目前最强的开源模型之一，其与顶尖闭源模型仍然存在较大差距。
两句话相隔不到一屏。一边宣布进入第一梯队，一边写清楚离天花板还有多远，还具体点名了差在哪几个方向：内部构建的前沿数学、长程开发、模型迭代、视觉问答。
在「全网第一」「史诗级超越」几乎成了发布模板的当下，这种克制反而少见。所以这篇不复述功能清单，我想写的是：作为一个要把模型用进真实项目的人，从这份发布稿里能拿走什么、哪些数字要打折看、以及现在该不该切换。
一、先把「混元 4」这个词说清楚
先纠正一个容易含混的地方：官方名称是 Hy4，不是「混元 4.0」这样的软件版本号。它是腾讯混元第四代大语言模型，海外品牌在 2025 年底简化成了 Tencent HY。
更值得分清楚的是发布节奏——今年 2 月重建数据和训练基础设施之后，混元大致按每两个月一个大版本推进，而且固定是「先放 Preview 收集反馈，再发正式版」：
| 时间 | 版本 | 规格 | 权重状态 |
|---|---|---|---|
| 2026-07-06 | Hy3 | 295B 总参数 / 21B 激活 / 256K 上下文 | 发布首日上线 HF、ModelScope |
| 2026-08-28 | Hy4 preview | 770B 总参数 / 49B 激活 / 1M 上下文，MoE | 已开源，Apache 2.0，含 FP8 与 vLLM/SGLang 部署说明 |
| 2026-11-04 | Hy4 正式版 | 同代架构，预/后训练数据与规模显著扩展 | 尚未开源，官方称「将于近期」并同步发布系统卡片 |
| 近期 | Hy4 Flash | 继承能力、主打低成本 | 待发布 |
| 下一代 | Hy5 | 官方称规模进一步扩大 | — |
从 Hy3 到 Hy4 系列，参数从不到 300B 爬到 770B，上下文从 256K 拉到 1M，激活参数从 21B 到 49B。规模爬坡很陡，但真正值得注意的是节奏本身：Preview 不是内测，是正式交付物。它开源、给部署说明、列已知局限，两个月后正式版再带着真实反馈回来。这比「憋大招一次性发布」对下游友好得多——你有两个月时间拿真实任务去试，而不是等发布当天才第一次上手。
这里有个必须说清的区分：今天能下载的是 8 月那个 preview，11 月这个正式版目前只能通过 API 调用。后面第四节会讲，这个区分不是文字游戏，直接影响「最强开源」这句话该怎么读。
二、两个「首次」里，真正改变工作方式的是哪一个
正式版相对 preview 的两个「首次」：视觉理解和电脑操作（Computer Use）。
视觉理解好理解：细粒度图像识别、复杂图表分析、带图数学推理。官方演示里最说明问题的一个任务是——给一张 62500 × 45000 像素（约 28 亿像素）的卫星图，要求在「屋顶写着 KLOOSTERBOER 的仓库右上方光伏板区」里，找到最东侧那个约 2 米见方的白色方形构件。
模型没有直接给答案：先裁切东侧仓库群，调用代码算原图到显示尺寸的缩放比例，用 Python 一步步收紧观察框，再比对白色构件，最后返回坐标，三十多步搜索轨迹。关键不在于「看懂了图」，而在于图像成了推理链里可以随时取用、反复裁切的一部分。过去把图交给模型，通常得到一段描述；现在它是个能反复查询的数据源。
但我认为更关键的是 Computer Use。因为它把模型的输出从「一段内容」变成了「一系列对环境的动作」——同时理解屏幕像素和终端输入，跨应用执行长程任务，还针对 Blender、CAD 这类专业软件做了专项训练，游戏侧适配了 UE、Unity、Godot（GameDev、GameLogic 评测较 preview 分别提升 19.1% 和 9.8%）。
对做工程的人来说，这个变化会直接改掉验收方式。以前测模型，问的是「答案对不对」；有了 Computer Use，得问的是：
- 过程能不能回放（三十多步里哪一步走偏了）？
- 动作能不能撤销（它改了文件、发了消息之后）？
- 遇到工具调用失败，是停下来问，还是硬着头皮继续编？
- 沙箱边界在哪，高危操作有没有拦截？
风险面也从「说错话」扩大到了「做错事」。这是能力跃升，也是责任边界的重划。有意思的是，腾讯在这块做得挺克制：网络安全训练只纳入 PoC 生成、漏洞修复这类防守性数据，主动剔除了漏洞利用、逆向、渗透等攻击性内容，还让玄武、科恩实验室的内部专家围绕密码分析、漏洞利用做了审计。给模型开了手，同时把能学的攻击手法关掉——这个取舍比性能数字更值得记一笔。
三、把发布稿里的数字分成三类看
这是我认为读任何一份模型发布稿都该做的动作。混元这次给的数字非常密集，但来源和可信度完全不同，混在一起看就会被带偏。
| 层级 | 典型数字 | 谁测的 | 我怎么用 |
|---|---|---|---|
| A：第三方实测 | Agent Arena 总榜第 14、较 preview 提升 4.7%、排名跃升 11 位；单任务成本 $0.55 vs Kimi K3.1 Pro 的 $1.46（低约 62%）；命令行可靠度 −3.1% → +6.2% | Arena.ai，基于 8500+ 场真实长程智能体会话 | 最有参考价值。真实任务、真实账单、有外部对照 |
| B：有外部专家参与的自建评测 | 金融众测：213 位专家（153 位来自外部头部机构，七成 5 年以上经验）、579 个真实任务，Hy4 3.04、DeepSeek-V4.1-Flash-1017 2.97、Kimi K3.1 Pro 2.68、GLM-5.3 2.68 | 腾讯金融科技 FiT 组织 | 有参考性，但评委、任务集、对比模型的选择都在同一生态内 |
| C：纯内部自建 | WorkBuddy 平均 83.18 分 / 通过率 96.15% / 12 场景 9 个国内第一；TenureTrail（7 学科 123 项任务）开源第一；GameDev +19.1%；幻觉率下降 | 腾讯内部测试集 | 只能看趋势，不能看绝对值，更不能横向比较 |
A 类里我最看重的其实不是排名，是那两个「难看但真实」的指标：命令行可靠度从 −3.1% 逆袭到 +6.2%，以及单任务成本降到对手的四成不到。前者说明 preview 被吐槽最狠的软肋被真的修了，后者说明它进了「同等成本下效果最优」的帕累托前沿。跑过长程 Agent 的人都知道，模型反复读写工具、观察报错、自我纠错，token 像流水一样走——纸面分数再高，一个任务十几块钱也铺不开。
顺带说一个我在核对资料时发现的细节：幻觉率这组数字，官方发布页写的是从 preview 的 15.76% 降到 5.45%，而同日「腾讯技术工程」的公众号稿写的是 12.95% 降到 7.2%，两者都标注为「自建测试」。猜测导致的错误率倒是一致的（23.1% → 5.6%）。
我不认为这是谁写错了，更可能是两套测试集或两种统计口径。但这恰好暴露了一个真问题：没有公开测试集和判定细则时，「幻觉率」这种数字既不能横向比，也不能用来推算自己的场景。哪怕按较乐观的 5.45% 算，也意味着大约每 20 次输出里有一次不实——放在金融、医疗、法务这类场景，这个数字直接决定了必须保留人工复核。
还有个整体观察：这份发布稿几乎不摆静态学术榜单，给的十几组对比（ProgramBench、FrontierCode 2.0、OSWorld 2.1、Agents’ Last Exam 等）全是「真实任务型」评测。这是优点，比刷 MMLU 贴近落地；但也是风险——自己出题、自己考、自己判卷，尤其其中几组明确标着 internal。第一财经当天的概括比较中肯：Hy4 在多项基准上超过 DeepSeek-V4.1-Flash-1017，部分接近或超过 GPT-6.1 Sol，但多数分数仍低于 GPT-6.1 Sol 和 Claude Opus 5.5。
（A 类数字来自媒体对 Arena.ai 榜单的转述，我没能找到可核验的原始报告链接，这一层请自行保留一分余地。）
四、「最强开源模型」这句话，现在还差一步
这是整份发布里我最想较真的一点。
标题说「首次跻身最强开源模型之列」，但正式版的权重还没放出来，官方措辞是「将于近期开源模型权重，发布模型系统卡片」。也就是说，当前参与第三方评测、被拿去和 Kimi K3.1 Pro 比较的那个 Hy4，是以专有 API 的形式在跑。现在能下载、能本地部署的，仍是 8 月那个 Apache 2.0 的 preview。
严格讲，这句话今天应该读作「即将成为最强开源模型之一」。
而且就算权重如期放出，还有一道物理门槛：770B 总参数，BF16 精度下权重约 1.5TB，全精度跑起来至少要 8 张 80GB 显存的卡加高带宽互联。社区里呼声最高的两件事，一是联合 vLLM / SGLang 把吞吐做上去并尽快出极致量化的 GGUF 版本（希望压到 200GB 以内），二是等轻量版 Hy4 Flash。
对做私有化部署的人，这个区分尤其要命。开源的价值从来不在「能看代码」，而在于四件事：能自己部署、能微调、能审计、能离线。数据不出内网是硬约束时，「承诺开源」和「已开源」之间差的是整个方案的可行性——1.5TB 的权重就算到手，普通机房也接不住。所以我反倒觉得，Hy4 Flash 对落地的意义可能比 770B 旗舰更大：能力下放到能跑得动的尺寸，才是真正能被用起来的模型。
真正兑现要看三件事：权重放出、系统卡片（含更完整的安全评估）、以及 vLLM / SGLang 社区的实际支持。这三件齐了，再谈「最强开源」不迟。
五、我最欣赏的一点：它把「不能做什么」写出来了
前面说了那句「仍有较大差距」。难得的不只是承认，是点名了差在哪：内部构建的前沿数学、长程开发、模型迭代、视觉问答四类高难度测试集。对做技术选型的人来说，这比十个「国内第一」都有用——选型最怕的从来不是模型弱，而是不知道它弱在哪，等上线才发现踩了坑。
生物安全那节也写得很实在：官方给了个 Hy-BioExperimentBench 30.4/100 的分数，直说「模型基础生物知识掌握较强，但把知识转化为可执行实验方案的能力仍然有限，尚未发现其能够显著降低实施生物化学危害行为的门槛」。注意这里的逻辑——它不是把「能力不足」当缺点遮掩，而是把它当作安全结论来陈述。这个表述方式很专业。
当然，也要留一分清醒：安全审计是腾讯玄武、科恩实验室的内部专家做的，系统卡片尚未发布，第三方复核这一步还没走完。「主动剔除攻击性训练数据」是好做法，但效果如何，得等权重和系统卡片出来由社区验。
顺带一提，官方那句坦诚不是孤例。汤道生此前说过，「AI 上半场大家关注参数和评测分数，下半场更关注场景里用户能得到什么」；姚顺雨今年 6 月谈模型时也是「performance 第一，性价比第二」。把这两句和 Hy4 的定价放在一起看，路线就很清楚了：不追单点跑分，追真实任务的单位成本。Hy4 性能大幅超过 preview 但定价不变——输入 6 元 / 百万 tokens，输出 18 元 / 百万 tokens，缓存命中 0.3 元 / 百万 tokens。这个「加量不加价」，加上 Hy3 发布一周 API 调用量达到上一代 68 倍、登上 OpenRouter 使用榜首的记录，说明腾讯走的是规模分发而不是稀缺溢价。
六、作为使用者，我现在会怎么做
落回自己的场景，我的判断分三档：
可以现在就用。 办公文档、前端生成、多模态理解这类容错较高的任务，趁 11 月 4–15 日 WorkBuddy / CodeBuddy 的免费额度、以及 TokenHub 到 12 月 31 日的五折，拿自己项目里的真实任务做一轮 A/B。别用官方 demo——那些任务是模型练过的方向，测不出你的问题。
先别急。 私有化部署、离线内网、数据不出域的场景，继续等权重 + 量化版本 + 社区推理支持；金融、医疗这类高风险场景，无论幻觉率取 7.2% 还是 5.45%，人工复核这道工序都不能省。
验收要换一套指标。 我会固定拿 20 个自己项目的真实任务做基线，重点测三件别人不爱测的：长程任务中断后能不能恢复、工具调用失败时怎么处理、以及信息不足时会不会老实说不知道。最后一条尤其关键——一个永远答应用户要求的 Agent，往往是最不可靠的那个。
还有一笔容易忽略的成本账：缓存命中 0.3 元、正常输入 6 元，差 20 倍。长程 Agent 里如果把系统提示、知识片段、历史上下文固定成可缓存前缀，账单会完全不一样。这属于不改模型、只改调用方式就能拿到的收益。
结语
我前阵子写过一篇《如何克服 AI 时代带来的问题》，里面有个判断：验证能力比生成能力更重要。模型越强，这条越成立——因为它能交付的东西越来越完整，人就越容易跳过检查那一步，直接把结果拿去用。
所以这份发布稿里，我最看重的不是 770B、不是 1M 上下文、也不是「12 个场景 9 个第一」，而是那句「与顶尖闭源模型仍然存在较大差距」。它给了一个明确的坐标：知道天花板在哪，才知道哪部分工作可以放心交出去，哪部分必须留在自己手里。
模型负责把活干完，人负责确认这活干对了。这条分界线，不会因为模型又大了一代就自动消失。
资料来源（均为 2026-11-04 至 11-05 的公开信息）