騰訊 Hy4 Preview 開源模型全面拆解：相比 Hy3 及中國競爭對手有幾勁？

騰訊 Hy4 Preview 是 Hunyuan 系列的新一代開源大型語言模型，採用「混合專家」（Mixture of Experts，MoE）架構，定位不只是聊天問答，而是協助用戶完成一連串工作：寫程式、搜尋及整理研究資料、辦公室自動化、數據分析，以及需要多步規劃和調用工具的 AI Agent 任務。414

不過，Hy4 目前仍是 Preview 預覽版。騰訊公布的部分比較結果相當亮眼，但由於不少數據來自公司自家測試或發布材料，暫時不宜單憑這些數字就斷言它已經全面超越 DeepSeek、Qwen、GLM、Kimi 或 MiniMax 等模型。513

Hy4 同 Hy3 有甚麼分別？

指標	Hy3 Preview	Hy4 Preview	實際意思
總參數	295B	770B	MoE 整體容量約增至 2.6 倍。24
激活參數	約 21B／Token	約 49B／次請求	每次推理使用的計算量約增 2.3 倍，潛在能力更高，但服務成本亦會上升。24
上下文窗口	256K Token	逾 1M Token	名義容量約為四倍，適合大型程式碼庫、長篇文件及長流程 Agent。214
主要用途	推理、編程、RAG／IDE Agent	Agent、編程、研究、辦公室工作、複雜工具操作	Hy4 更明確瞄準生產力及企業工作流程。24
發布狀態	開放權重模型；據報採用 Apache 2.0 條款	開源預覽版	商業部署前，應先查閱官方模型庫的最新授權及自建部署條款。214

簡單講，Hy3 已經用「大模型、少量激活」的方式壓低每次推理的計算負擔：它有 295B 總參數，但每個 Token 約只經過 21B 參數，並在 192 個專家中採用 Top-8 路由；模型亦支援可調校的推理深度，騰訊曾報告其 SWE-bench Verified 成績為 74.4%。23

Hy4 延續這套稀疏 MoE 思路，但將總容量和每次實際啟用的計算量一併推高。要留意的是，「49B 激活」不等於只需準備一個 49B 模型：自建服務仍要儲存及管理整個 770B 模型，對記憶體、GPU 數量及分佈式部署要求都相當高。24

對比中國競爭對手，Hy4 到底有幾強？

編程及 Agent 測試

騰訊表示，Hy4 在 Terminal-Bench 2.1 取得 85.4 分，比 Hy3 高 14.6 分；按騰訊公布的比較，這個成績高過 DeepSeek V4 Pro，並與 Claude Opus 5 看齊。13

這個結果值得留意，但仍要保留一點戒心：它目前主要是騰訊相關的發布數據，未必已經由外部團隊用完全相同的工具設定、提示詞、模型版本及測試流程重現。因此，較穩妥的說法是：Hy4 在終端機編程及 Agent 工作流方面，看起來已具備頂級開源模型的競爭力，而不是已獲獨立排行榜確認為全面第一。13

騰訊另外組織了涉及 163 名工程專家、203 項工程任務的盲測，Hy4 平均得分 2.99／4，略高於 Z.ai 的 GLM-5.3（2.92）及 Moonshot 的 Kimi K3（約 2.91 至 2.94，視乎所引用版本及報道）。5

這個差距其實很窄，而且是騰訊內部設計的測試，不能直接當成所有使用情境的通用排行榜。不同模型的 benchmark 版本、工具權限、Agent 外層程式、測試資料污染控制及輸出評分方式，都可能影響結果。

參數規模比較

以總參數計算，Hy4 的 770B：

• 少於報道中的 DeepSeek V4 Pro（約 1.6T）；
• 少於 Kimi K3（約 2.8T）；
• 接近 GLM-5.3（約 744B）。

Hy4 的 49B 激活參數，據報與 DeepSeek V4 Pro 大致相若。4

換句話說，Hy4 並不是參數最多的模型，但它嘗試在大型總容量、較高激活計算量及超長上下文之間取得平衡。至於模型「大」是否一定代表實際工作表現更好，就要看推理效率、工具調用可靠性及不同任務的實測結果。

作為參考，較早期的 GLM-5 曾被報告在 SWE-bench Verified 取得 77.8%。但跨模型比較時，不能只將百分比直接排隊，因為測試版本、工具設定及 Agent 框架未必一致。1

現階段較合理的結論： Hy4 在編程及 Agent 工作流中，已經看似站上中國前沿開源模型的競爭圈；但獨立、可重複的外部評測仍然不足，未足以宣稱它整體領先 DeepSeek、Qwen、GLM、Kimi 或 MiniMax。

使用方式、整合產品及 API 價格

Hy4 Preview 的優勢之一，是它不只停留在模型庫，而是同步放進騰訊自家產品及 API 渠道：

• WorkBuddy、CodeBuddy： 已在中國版及國際版提供 Hy4 Preview，分別面向辦公室生產力及編程 Agent。14
• Yuanbao、ima： 騰訊亦表示可在相關產品中體驗 Hy4。22
• Tencent Cloud TokenHub： 提供 API 入口，並可透過一個 API 接入不同模型。
• OpenRouter： 亦提供模型接入渠道。19
• 開源模型庫： 模型已同步至 Hugging Face、GitHub、ModelScope 及 GitCode 等平台。19

騰訊官方資料顯示，Hy4 推出初期會在 WorkBuddy 及 CodeBuddy 提供限時免費使用；實際配額及優惠期則可能按地區和產品政策變更。

據報中國內地 API 價格為：

• 輸入：每百萬 Token 人民幣 6 元；
• 輸出：每百萬 Token 人民幣 18 元；
• 命中快取的輸入：每百萬 Token 人民幣 0.3 元。4

不同聚合平台的報價並不一致。有第三方比較網站列出 Hy4 為每百萬輸入 0.85 美元、輸出 0.62 美元，既與上述人民幣價目不符，輸出價亦顯得不太合理。84 因此，如要正式使用，最好以騰訊雲控制台當時顯示的價格、地區、配額及服務條款為準。

Hy4 Preview 有甚麼限制？

1. 預覽版仍可能大幅變動

模型質素、API 行為、速率限制、價格、安全設定及部署文件，都可能在預覽期間快速調整。14

2. 最亮眼的比較尚未完全獨立驗證

Terminal-Bench 及內部盲測等結果，主要來自騰訊自家測試或與發布相關的報道。外部團隊需要用公開模型、相同提示及相同工具配置重做測試，才較容易判斷 Hy4 的真實排名。513

3. 自建部署門檻很高

MoE 的稀疏激活可以減少每個 Token 的計算量，但服務端仍要處理 770B 模型的權重、記憶體及分佈式推理。Hy4 每次激活約 49B，亦明顯高於 Hy3 的約 21B，因此不能把它當成普通 40B 至 50B 模型般輕鬆部署。24

4. 1M Token 不等於一定能可靠處理 1M Token

超過 100 萬 Token 的上下文窗口，對大型程式碼庫、長篇合約及多輪研究工作很有吸引力，但實際使用仍要測試：

• 模型能否準確找回上下文內的關鍵資料；
• 輸入變長後的延遲；
• 長上下文下的推理穩定性；
• 實際 Token 成本及快取效果。

下一步最值得觀察甚麼？

如果 Hy4 繼續發展，市場大概會期待以下幾方面改善：

• 推出正式穩定版，而不是 Preview；
• 提升 Agent 執行長流程及調用工具的可靠性；
• 改善推理速度、顯存效率及量化方案；
• 由獨立團隊進行可重複 benchmark；
• 擴大雲端、API 及第三方開發工具整合。

這些是合理的產品期望，並不是騰訊已經公布的承諾。

Hy4 背後，其實是騰訊一場更大的 AI 基建押注

Hy4 並非一個孤立的模型發布。騰訊正把模型、雲端算力及 WorkBuddy、CodeBuddy 等應用綁在一起，形成由底層 GPU 到最終辦公室工具的完整 AI 生態。

騰訊在 2026 年第二季表示，經營資本開支達 人民幣 518 億元，按年增加 190%；同期自由現金流為 負人民幣 138 億元，管理層將大幅增加的支出歸因於 AI 基建投資。7

在應用層面，騰訊稱 WorkBuddy 是中國最廣泛使用的生產力 AI Agent 服務；彭博亦形容它在 3 月推出後不久，已成為中國最受歡迎的 AI 辦公室助理之一。不過，這些屬於市場地位描述，並不是經審計的收入或用戶數據。31

第三方桌面網站流量估算顯示，WorkBuddy 在 2026 年 6 月錄得 2,097 萬次訪問，高於 3 月推出時的 885 萬次。但資料來源特別提醒，這些是電腦端網站訪問量，不等於每日活躍用戶、付費企業數、收入或手機使用量。12

騰訊管理層亦表示，WorkBuddy 和 CodeBuddy 都在快速吸納用戶。6

最後判斷：Hy4 是模型升級，也是騰訊 AI 商業化測試

對開發者而言，Hy4 Preview 的吸引力在於：總容量大、激活參數增加、上下文窗口逾 1M Token，而且已經可以透過產品、雲端 API 及開源渠道接觸。對企業而言，真正關鍵則不是參數數字本身，而是它能否穩定完成長流程編程、文件處理及工具操作，並在可接受成本下運行。

對騰訊而言，Hy4 更像是一項基建和應用的整合測試：GPU 和雲端投入可以分攤到 WorkBuddy、CodeBuddy、自家 AI 產品及 Tencent Cloud 客戶身上，而不是只靠單獨出售一個模型回本。615

短期代價是資本開支大幅上升，而 AI 產品的收入及盈利模式仍在建立。Hy4 的真正成績，最終要看三件事：獨立評測能否支持騰訊的性能說法、WorkBuddy 和 CodeBuddy 能否把使用量轉成付費需求，以及騰訊能否把 770B 模型以足夠低的成本大規模服務。