AI 最新动态 16 分钟阅读

224B 参数只激活 12B、单任务成本压到二十分之一:腾讯混元 Hy4 flash 把「性价比」写进了模型目标

2026 年 11 月 16 日,腾讯混元发布 Hy4 flash:总参数 224B(含 64B Engram 参数)、每词元仅激活 12B,支持多模态与 100 万 Token 上下文。通过混合注意力、LatentMoE、Engram 与 4bit 量化等全链路优化,解码速度超过 150 tps,官方称单任务成本仅为 Hy4 的二十分之一。本文拆解它的成本账、WorkIndex 评测思路,以及「日常任务用 flash、复杂任务用 Hy4」的分层策略。

# 腾讯混元# Hy4 flash# Engram# LatentMoE# 单任务成本# 办公 AI# 模型分层
腾讯工程师在算力机房查看混元大模型推理服务的运行状态
Hy4 flash 总参数 / 每词元激活参数(含 64B Engram 参数)
224B / 12B
官方称单任务成本约为标准版 Hy4 的二十分之一
1/20
官方披露的解码速度
>150 tps
命中缓存时每百万 Token 输入价格
0.02 元

要点速览

2026 年 11 月 16 日,腾讯混元发布 Hy4 flash,官方定位为「迄今性价比最高的 Hy 模型」。

模型总参数 224B(其中 64B 为 Engram 参数),每词元激活参数仅 12B,支持多模态输入与 100 万 Token 上下文。

预训练阶段引入混合注意力、LatentMoE 与 Engram 架构,KV cache 大小降至 Hy3 的 1/24、Hy4 的 1/6。

后训练通过自蒸馏 Hy4 获得综合智能,再用强化学习将端到端任务输出长度压缩 50%;推理阶段结合 megakernel、4bit 量化、dflash 等手段,解码速度超过 150 tps。

在内部评测集 WorkIndex 上,官方称单任务成本为 Hy4 preview 的 1/13、Hy4 的 1/20、DeepSeek-V4.1-Flash-1017(Max 档忙时价)的 1/8。

85 位 WorkBuddy 内部用户在 27 类共 259 个日常任务上盲测,满意度接近 Claude Haiku 5.5,单任务成本 0.26 元、端到端时长中位数 6.7 分钟。

腾讯建议日常搜索、文档处理、PPT 生成、Computer Use 等任务使用 Hy4 flash,长程软件工程仍交给智能上限更高的 Hy4。

黄鹂鸟视角:flash 与旗舰的分层,本质是把「合适的模型用在合适的任务」变成可执行的路由策略。

本期三块拼图

高性价比模型、真实工作评测与企业分层策略——理解 Hy4 flash 的三层结构

Hy4 flash

腾讯混元 · 224B 总参、12B 激活的性价比旗舰

  • 混合注意力 + LatentMoE + Engram 架构
  • 多模态输入,100 万 Token 上下文
  • 解码速度超 150 tps(官方口径)

WorkIndex 评测集

腾讯内部 · 用真实工作产物衡量模型,而非公开榜单

  • 覆盖 PPT 制作修改、文档编辑、表格修复等
  • 聚焦产物效果、输出长度与端到端用时
  • 含 8 个内部集并对照公开 Agent 基准

企业大模型应用平台

黄鹂鸟科技 · 把模型分层变成可执行的路由策略

  • 按任务难度与成本预算自动选模型
  • 快慢模型混合编排
  • 调用成本与产物质量统一度量

从 Hy4 到 Hy4 flash

两款模型在半个月内形成「快与慢」的产品分工

  1. 2026 年 11 月 4 日

    腾讯混元发布 Hy4 旗舰模型,主打高智能上限

  2. 2026 年 11 月 16 日

    Hy4 flash 正式发布,定位高性价比日常任务模型

  3. 2026 年 11 月 16 日

    公布预训练、后训练、推理三阶段的全链路成本优化细节

  4. 2026 年 11 月 16 日

    披露 WorkIndex 内部评测与 85 位用户 259 任务盲测结果

  5. 2026 年 11 月 16 日

    模型在腾讯云 TokenHub、WorkBuddy、元宝、企业微信、QQ 等上线

  6. 2026 年 11 月 17 日

    本文梳理成本优化逻辑、分层策略与企业落地的启示

同一周两款模型:Hy4 往上冲,flash 往下压

2026 年 11 月 16 日,腾讯混元发布新模型 Hy4 flash。就在十余天前,混元刚推出主打智能上限的 Hy4。两款模型在半个月内相继登场,却指向截然不同的目标:一个向上够「最强」,一个向下压「最省」。

官方把 Hy4 flash 定位为「迄今性价比最高的 Hy 模型」。这句话里的关键词不是「最高」,而是「性价比」。它暗示了一种判断:在相当一部分日常工作场景里,用户要的并不是把最难的问题答到极致,而是以足够好的质量、足够快的速度、足够低的成本,稳定完成那些高频重复的任务。

支撑这一定位的,是一组精心设计的数字:总参数 224B(其中 64B 为 Engram 参数),每词元激活仅 12B,支持多模态与 100 万 Token 上下文,API 输入每百万 Token 0.5 元、输出 2 元、命中缓存仅 0.02 元。价格被压到这样的水平,意味着模型被明确定位成「可以大规模常开」的基础设施。

把 Hy4 flash 放进当天的行业背景看,会更清楚它的意义。同一天,阿里发布 Qwen4-Max,同样把「单任务成本」写进核心叙事。两家头部厂商在同一天、用不同路径强调同一件事——大模型竞争的重心,正从「能不能做出来」转向「用不用得起、干不干得动」。

需要先说明口径:本文涉及的解码速度、成本倍数与盲测满意度,主要来自腾讯官方披露与内部评测,尚缺独立第三方的统一条件复现。我们会逐项标明来源,把厂商结论与客观事实区分开。

算力机房中服务器指示灯与混元大模型推理监控界面
Hy4 向上冲智能上限,Hy4 flash 向下压单位成本

把成本拆到每一个环节:预训练、后训练与推理

Hy4 flash 的性价比不是靠单一技巧实现的,而是贯穿了预训练、后训练、推理三个阶段。理解这条链路,才能明白「1/20 成本」是怎么被一点点挤出来的。

预训练阶段,模型引入混合注意力、LatentMoE 与 Engram 三类架构特性。其中 Engram 是一种可扩展的查表式参数模块,能以较低的算力成本扩充模型容量——这也是 224B 总参数中专门有 64B 属于 Engram 参数的原因。官方称,这些设计让 KV cache 大小降至 Hy3 的 1/24、Hy4 的 1/6,并通过大量 scaling ladder 实验确保效果符合预期。

KV cache 的压缩对长上下文任务尤为关键。在处理百万级 Token 时,缓存占用的显存往往是部署成本的大头;把它压下来,同样的硬件就能服务更多并发请求,单位成本自然下降。这也是为什么「1M 上下文 + 低缓存占用」在 flash 上能同时成立。

后训练阶段,团队先用自蒸馏的方式从 Hy4 获得较强的综合智能,再通过强化学习把端到端任务的输出长度压缩 50%。输出更短,意味着更少的生成词元、更低的推理费用与更快的响应——这是一项直接影响账单和体验的优化。

推理阶段则叠加了 megakernel、4bit 量化与 dflash 等工程手段,使解码速度超过 150 tps,并支持大规模低成本部署。量化降低了权重与计算的精度开销,内核优化减少了调度损耗,两者结合,把每一分算力都用在刀刃上。

这套打法的本质是「全链路抠成本」:架构决定基础效率,后训练决定输出的长度与质量,推理工程决定最终吞吐。任何单一环节的优化都有限,三段一起改,才可能拿到数量级的成本差距。

监控大屏上展示不同模型路由调用的成本与吞吐指标
架构、后训练、推理三段协同,才换来数量级的成本差距

WorkIndex:不刷公开榜,只看「活干得怎么样」

Hy4 flash 的评估思路,与它的产品定位高度一致。腾讯没有把重点放在公开榜单分数上,而是构建了一套基于 WorkBuddy 典型任务的内部评测集 WorkIndex,并结合人工评价,聚焦三项指标:产物效果、单轮输出长度与端到端用时。

WorkIndex 覆盖 PowerPoint 制作与修改、文档编辑、表格修复、音视频处理与视觉理解等日常任务,包含 8 个内部任务集,并对照 7 个公开 Agent 基准。这些任务的共同点是「结果可检验」——一份 PPT 好不好用、一张表格修得对不对,用户一眼就能判断,而不必依赖抽象的分数。

这套评测传递出一个信号:模型评价正在从「知识考试」转向「工作交付」。传统 benchmark 考的是模型懂不懂,WorkIndex 考的是模型能不能把一件具体的活干完、干好、干得快。对以办公为主的企业用户而言,后者显然更贴近真实价值。

基于 WorkIndex,官方称 Hy4 flash 的单任务成本仅为 Hy4 preview 的 1/13、标准版 Hy4 的 1/20、DeepSeek-V4.1-Flash-1017(Max 档忙时价)的 1/8;在综合效果上,它略优于总参数 770B、激活 49B 的 Hy4 preview。用更小的体格拿到接近甚至略好的效果,正是 flash 的卖点。

但必须诚实指出:这些结论来自腾讯内部评测,公开基准的对照范围有限,缺少独立复现。「接近 Claude Haiku 5.5 的满意度」也是内部盲测结论。把它们当作选型参考可以,当作普适结论则需要保留判断。

对企业采购者来说,WorkIndex 的方法论比它的结论更值得借鉴——与其盯着公开榜单,不如建一套自己的「WorkIndex」:把本部门最高频的十几类任务做成样本集,用产物质量、耗时与成本三个维度去横向比较模型。

办公室里中国白领在电脑上制作演示文稿与处理表格
WorkIndex 用「产物效果、输出长度、端到端用时」衡量真实工作交付

与其盯公开榜单,不如建自己的「WorkIndex」:把高频任务做成样本集,用产物质量、耗时与成本三维比较。

259 个任务的盲测:满意度、成本与速度的三方平衡

为了衡量真实使用体验,腾讯邀请了 85 位 WorkBuddy 内部用户,在 27 类共 259 个日常工作任务上进行盲测。所谓盲测,是让用户在不被告知用的是哪个模型的情况下评价结果,以减少品牌偏好带来的偏差。

官方披露的结果是:Hy4 flash 的用户满意度接近 Claude Haiku 5.5,单任务成本约 0.26 元,端到端时长中位数 6.7 分钟,且在参与对比的模型中成本最低、任务时长最短。三个指标放在一起看,才构成完整的性价比画像——不是单纯便宜,而是「便宜的同时还够好、够快」。

这组数字值得关注的,是它对「够用」的重新定义。在日常办公里,多数任务并不需要顶尖模型的全部能力:整理会议纪要、润色一段文字、修一张表格、做一版简单 PPT,这些任务的质量和时效,flash 级别模型已能胜任。把它们交给高价位旗舰,在经济上并不划算。

当然,盲测样本来自腾讯内部用户,任务分布与真实企业可能存在差异;满意度「接近」某竞品,也是一个区间判断而非精确结论。这些限制不影响方向性价值,但提醒我们不要过度解读小数点后的差异。

更深层的变化在于:当模型能力足够密集地分布在多个价位段,企业的选型逻辑就从「选最强」变成「配最合适」。这要求组织对自身任务有清醒盘点——哪些是高频低难度的,哪些是低频高难度的,哪些对数据敏感,哪些可以走云端。

换句话说,模型降价只是前提,真正的效率提升来自「分层」这件事本身。谁能把任务与模型精确匹配,谁就能在同样的预算里跑出更多产出。

中国研发团队在会议室里评审大模型盲测结果与使用反馈
85 位用户、259 个任务的盲测,把「够好、够快、够省」放到同一张表里

快与慢的分工:flash 管日常,Hy4 管难题

腾讯对 Hy4 flash 给出了明确的使用建议:深度搜索、文档处理、PPT 生成、简单前端展示、Computer Use 等日常任务改用 flash;长程软件工程等复杂任务,则交给智能上限更高的 Hy4。官方也坦承,内部评测显示 flash 在长程编码任务上有小幅下降。

这种「快慢分工」的产品设计,本质上是对模型能力边界的诚实表达。它不再假设一个模型通吃所有场景,而是承认不同任务需要不同档位的智能,并把这种差异明明白白地写进使用指引——这比含糊地宣称「全面领先」更负责任,也更便于用户做决策。

对用户而言,分工意味着要在工作流里建立「选择器」:看到任务先判断类型和难度,再决定调用哪个模型。单次看,这个判断可能只省几毛钱;但当它发生在每天成千上万次调用里,累积的成本差距就相当可观。

分工还带来体验上的优化。把日常任务交给快速模型,响应更快、等待更短,用户的使用感受更顺畅;把复杂任务留给高能力模型,则避免了「小马拉大车」导致的质量事故。快慢各得其所,整体效率最优。

这一逻辑与企业内部的资源调度颇为相似:简单问题一线快速响应,疑难问题才升级到专家。模型层面的分工,其实是这套成熟管理智慧在 AI 时代的映射。

开发者在显示器前审查由 AI 辅助编写的软件工程代码
日常任务用 flash、长程工程用 Hy4:把合适的模型放到合适的位置

上线与开源:从云端服务到开发者生态

发布当天,Hy4 flash 已在腾讯云 TokenHub、WorkBuddy、元宝、企业微信、QQ、ima、Marvis 等产品上线,并宣布即将接入 OpenRouter。这意味着用户可以立即在多个高频入口体验该模型,而不必等待单独申请。

价格方面,官方给出了明确的促销安排:2026 年 11 月 30 日前,用户可在 WorkBuddy 限时免费使用,腾讯云 TokenHub 的 API 限时 5 折。对想评估模型能力的团队来说,这是一个成本很低的试用窗口。

混元团队表示,计划将 Hy4 flash 开源并保持高频迭代。若开源落地,开发者将能自行部署与微调,进一步增强模型的可控性与生态活力。不过官方并未给出具体的开源时间与许可细节,这一点仍需等待后续披露。

从国产模型生态的角度看,Hy4 flash 的发布延续了一条清晰的路线:云端服务负责规模化交付,开源负责培育开发者与信任,两者互为补充。这与同期 other 厂商「旗舰闭源、小模型开源」的组合,形成了有趣的对照。

对企业用户而言,丰富的上线入口与潜在的开源选项,意味着更高的可替换性——这恰恰是降低供应商依赖风险的有利条件。

中国工程师在多应用工作台上查看 AI 模型接入不同业务系统
多入口上线与计划开源,提升了模型的可获得性与可替换性

150 tps 的另一面:速度如何改变人机协作的节奏

在 Hy4 flash 的技术清单里,「解码速度超过 150 tps」是一个容易被参数淹没的数字。但对每天都用 AI 办公的人来说,它可能比总参数更直接影响体验——因为速度决定的,是人愿意不愿意把它放进工作流里反复使用。

一个直观的对比是:当模型每秒只能吐出十几个词元,生成一份长文档需要等待分钟级的时间,用户会下意识把它当成「提交任务后去做别的事」的批处理工具;而当速度提升到每秒一百多个词元,输出几乎同步呈现,人的工作方式就变成了「边看边说、随时插话」的实时协作。

这种节奏的改变,会进一步改变产品形态。实时性足够好,AI 才能自然地嵌入对话、逐句修改 PPT、跟着用户的思路即时调整表格——这也解释了为什么腾讯把 WorkBuddy 的典型任务作为评测重点,并特别关注「端到端用时」这一指标。速度不是孤立的性能数字,而是可用性的前提。

当然,tps 是一个受硬件、批量大小与量化方式影响的指标,官方披露的「超过 150 tps」属于特定条件下的结果,真实环境中的体验会有差异。但方向是明确的:更快的解码、更短的等待,正在把 AI 从「异步工具」推向「同步伙伴」。

对企业来说,速度还意味着吞吐与成本的联动。同样的硬件,解码更快就能服务更多并发请求,单位请求的成本随之下降。这也是为什么在 Hy4 flash 的叙事里,速度与成本从来不是两件事,而是同一枚硬币的两面。

把这条线索和「快慢分工」连起来看,产品的轮廓就清晰了:flash 用速度换取高频场景的流畅与便宜,Hy4 用能力承接低频但棘手的难题。前者决定 AI 能不能「常开」,后者决定 AI 能不能「兜底」。

中国职场人在电脑前与 AI 助手实时协作编辑文档
解码速度决定 AI 是「异步工具」还是「同步伙伴」

黄鹂鸟视角:把「分层」从口号变成路由策略

Hy4 flash 给我们的最大启发,不是某个数字,而是「分层」这两个字。当模型被明确定位成快与慢两档,企业要做的就不是追着最强跑,而是建立一套能把任务自动分配到合适模型的能力。

第一层是任务识别。要在工作流里判断新进来的任务是高频低难度、低频高难度,还是数据敏感型。这个判断可以基于规则,也可以基于一个小模型做分类,关键是让它发生在调用之前。

第二层是动态路由。统一的企业大模型应用平台可以根据任务类型、成本预算与服务质量要求,把请求分发到 flash、旗舰或私有化小模型。任务简单就走快的,任务复杂就走强的,数据敏感就留在本地——这套策略若能自动化,省下的不只是钱,还有人工协调的成本。

第三层是统一计量。不同模型的单价、词元消耗与缓存策略各不相同,只有把它们放到同一张成本看板上,才能比较「干同一件活谁更划算」。这也是把 WorkIndex 方法论落到企业内部的必经之路。

第四层是效果回流。分层策略是否正确,要用产物质量与人工反馈来验证,并持续优化路由规则。让「哪个模型适合哪类任务」这件事,随着使用数据不断自动校准。

说到底,flash 与旗舰的分工只是可能性;把这种可能性变成可执行的路由策略,让它每天在真实业务里稳定运转,才是企业 AI 落地的真功夫。

团队围绕成本看板讨论不同模型任务的路由分配方案
分层不是口号:任务识别、动态路由、统一计量、效果回流,四步缺一不可

模型分层的价值不在「有快有慢」,在于企业能否把它自动化成一套可持续优化的路由策略。

常见问题

224B 是模型总参数规模,其中 64B 属于 Engram 查表式参数模块;12B 是每个词元实际激活的参数。激活参数少意味着单次推理算力与成本更低,是 flash 高性价比的基础。

免费需求分析

看懂了趋势,下一步是选对系统

告诉我们你的行业、团队规模和最想自动化的环节,我们从 866 条产品线里帮你匹配合适的管理系统, 或按需求定制开发——并为 AI 接入预留好规范的数据接口。

电话咨询 17666080858

7×24小时在线

黄鹂鸟科技顾问微信二维码
微信扫码,一对一咨询

把文章里的思路,落成你的系统方案

留下行业与业务规模,我们免费给出针对性的选型建议与实施路径

服务保障

  • 免费需求分析
  • 按行业匹配系统
  • 实施方案透明
  • 7×24 技术支持