騰訊嘅 Hy4 Preview 係公司至今最大型嘅開放權重語言模型，亦係騰訊將前沿級模型直接接駁到辦公室同 Coding 產品嘅一次重要嘗試。模型喺 2026 年 8 月 28 日推出，主要針對軟件工程、研究、金融分析，以及需要 AI Agent 自主處理嘅生產力工作。 112

最吸睛嘅規格包括：總共 770B 參數、每個 Token 約啟用 49B 參數，以及超過 100 萬 Token 嘅 Context Window。不過，較穩妥嘅結論係：Hy4 目前睇落係中國開放權重模型之中，Coding 同生產力表現較強嘅一員；至於係咪全面勝過其他對手，現階段仍然主要靠騰訊自家評測，仲未有足夠廣泛嘅獨立測試支持。 18

Hy4 Preview 係乜嘢？

Hy4 Preview 採用 Mixture-of-Experts（MoE，專家混合） 架構。簡單講，模型唔會為每一個 Token 動用全部參數，而係由路由系統揀出部分網絡處理當前要求。咁樣可以令模型擁有更大嘅總容量，同時避免每個 Token 都承受完整 770B 參數嘅理論運算成本。

騰訊將 Hy4 定位成支援「Agentic Work」嘅模型，而唔只係一般聊天機械人。目標用途包括 Coding、辦公室生產力、研究同金融分析，並會直接整合到軟件開發及日常工作流程之中。 18

呢度所講嘅「開源」，較準確理解應該係 開放權重（open weights），而唔係所有訓練數據、完整訓練流程同底層資源全部公開。騰訊以 Apache 2.0 授權發佈模型，並提供 Serving、Fine-tuning 同 Quantization 相關指引。 812

架構同主要規格

Hy4 Preview 嘅核心規格如下：

• 總參數： 770B
• 每個 Token 啟用參數： 49B
• Context Window： 超過 1M Token
• 架構： Mixture-of-Experts
• 授權： Apache 2.0
• 模型格式： BF16 同 FP8
• 部署支援： vLLM、SGLang，以及 OpenAI-compatible API 路徑 812

模型骨幹共有 78 層。騰訊表示，第一層採用密集式 Feed-Forward Network，其餘 77 層就使用 MoE 路由，每層有 256 個 Routed Experts 加一個 Shared Expert。每個 Token 會揀選 8 個 Routed Experts，再加上 Shared Expert 一齊處理。Hy4 亦加入原生 Multi-Token Prediction Layer，目標係支援 Speculative Decoding，從而改善推理速度。 8

Attention 部分就採用 Gated DeepSeek Sparse Attention，配合 IndexCache，重用唔同層之間嘅稀疏 Attention Index。騰訊指相關設計部分受到 DeepSeek 同 GLM 嘅方法啟發。 8

所以，Hy4 嘅賣點唔只係參數數目大。佢將超大型模型容量、稀疏路由、超長上下文處理，同降低推理負擔嘅機制放埋一齊，目的係喺能力同實際運算成本之間取得平衡。

Hy4 同 Hy3 有咩分別？

Hy4 係上一代 Hy3 嘅大幅升級版：

規格	Hy3	Hy4 Preview	變化
總參數	295B	770B	約 2.6 倍
每個 Token 啟用參數	21B	49B	約 2.3 倍
Context Window	262K Token	超過 1M Token	約 4 倍
模型設計	MoE	擴充版 MoE，加上稀疏 Attention 改動	容量更大、上下文更長

換句話講，Hy4 不但提高總模型容量，亦增加每個 Token 實際動用嘅計算量。騰訊同時表示，訓練數據規模有所擴大，Pre-training 同 Post-training 都作出大幅調整。 814

對實際用家嚟講，Context Window 由 262K 去到超過 100 萬 Token 可能尤其重要。理論上，模型可以一次過處理大型 Codebase、長篇研究資料庫，或者步驟繁複嘅工作任務。不過，長上下文實際有幾好用，仍然要睇 Retrieval 質素、Latency，以及模型處理超長輸入時能否保持準確。

同中國競爭對手相比，Hy4 有幾勁？

騰訊目前最清楚公開嘅比較，係一項公司內部進行嘅盲測。測試由 163 名騰訊內部專家，評估 203 個工程任務嘅輸出。Hy4 Preview 平均得分為 2.99／4，略高於智譜 GLM-5.3 嘅 2.92，以及月之暗面 Kimi K3 嘅 2.94。 8

呢個結果顯示 Hy4 喺騰訊自家測試入面稍勝一籌，但唔應該直接當成中立而全面嘅模型排名。評審係騰訊內部專家，測試範圍亦集中喺工程任務；其他報道所整理嘅 benchmark 結果，顯示 Hy4 對阿里巴巴 Qwen 系列、DeepSeek 等國內模型嘅相對表現，會因應測試項目而變化。 113

部分二手報道亦提到，Hy4 相比 Hy3 喺 Terminal-Bench 2.1 同 DeepSWE 等 Coding benchmark 有大幅進步。呢啲數字可以反映騰訊聲稱嘅代際提升，但由於目前未有足夠獨立重現，解讀時應該留返少少餘地。 1718

現階段最穩陣嘅講法係：Hy4 已經可以放入中國開放權重模型中 Coding 同生產力工作嘅第一梯隊，但現有證據未足以證明佢喺所有任務、所有 benchmark 都決定性擊敗競爭對手。

去邊度可以用 Hy4 Preview？

騰訊同時提供可下載權重同雲端產品入口。

下載權重同自行部署

模型以及 FP8 版本，已經上載到 Hugging Face、ModelScope、GitCode 同 CNB。騰訊亦提供 vLLM、SGLang 部署配方、OpenAI-compatible 本地 API 路徑、Fine-tuning 指引同 Quantization 工具。 812

對開發者嚟講，呢種安排方便大家下載權重、測試模型，或者自行砌一套客製化 Serving Stack。不過，「開放權重」唔代表模型輕巧。騰訊嘅參考 FP8 配置需要八路 Tensor Parallelism，而自行運行 770B 模型仍然係一項對記憶體、網絡同多 GPU 資源要求極高嘅工程。 8

騰訊產品同 Hosted API

用家可以經 WorkBuddy、CodeBuddy、Yuanbao 同 ima 使用 Hy4，亦可以透過 Tencent Cloud TokenHub 同 OpenRouter 接入。推出初期，騰訊提供 WorkBuddy 同 CodeBuddy 兩星期免費使用；上一代 Hy3 嘅免費使用期就延長至 9 月 30 日。 12

第三方報道列出 OpenRouter 輸入價格約為每 100 萬 Token 0.834 美元。呢個數字應該視為特定渠道當時嘅參考價，而唔係騰訊永久固定嘅官方統一定價，因為價格同供應情況可能受平台及地區影響。 3

點解產品分發對 Hy4 咁重要？

Hy4 同騰訊嘅產品策略關係密切。騰訊表示，Hy4 係同 WorkBuddy、CodeBuddy 一齊共同設計，訓練及調整過程吸收咗公司內部工程師、遊戲開發者、金融分析師同保安專家嘅任務數據及意見。 8

呢種做法帶來嘅優勢，唔只係模型架構本身。騰訊可以將模型放入真實 Coding 同辦公室流程，觀察使用情況，再將產品反饋帶返去下一輪模型改進。同一時間，龐大嘅產品網絡亦令用家唔需要自行部署 770B 系統，都可以直接接觸 Hy4。

騰訊曾表示，將 Hunyuan 3 推向正式生產環境後，平均每日 Token 使用量較 Preview 階段增加約 6 倍。呢個數字反映應用程式分發可以帶來快速使用增長，但唔等於已經獨立證明用家滿意度或者長期留存。

為支撐呢套策略，騰訊亦大幅增加基礎設施投入。2026 年第二季，設施及設備資本開支達人民幣 527.84 億元，約為去年同期 2.8 倍；管理層表示，資源會優先投向 AI 基礎設施及 WorkBuddy 相關投資。

騰訊形容 WorkBuddy 係中國最廣泛使用嘅生產力 AI Agent 服務，但呢個屬於公司方面嘅說法，並非經獨立審計嘅市場份額數據。 4

目前有咩限制？

Hy4 Preview 並唔係以完成版模型姿態推出。騰訊承認，模型面對困難任務時，有時會推理得耐過實際需要，亦可能反覆驗證自己嘅答案，結果係增加延遲同推理成本。 8

模型規模亦帶來實際部署門檻。雖然 MoE 路由令單一 Token 只啟用 49B 參數，但完整模型仍然需要儲存同提供服務。想自建服務嘅機構，需要準備大量記憶體、網絡頻寬同多 GPU 運算資源；騰訊嘅參考 FP8 Serving 配置就使用八路 Tensor Parallelism。 8

Benchmark 證據同樣有局限。騰訊內部評測顯示 Hy4 喺工程任務中只係稍微領先 GLM-5.3 同 Kimi K3，而更廣泛嘅比較結果亦會隨 benchmark 改變。因此，現階段嘅排名應該視為方向性訊號，而唔係最終定論。 8

另外，超過 100 萬 Token 嘅 Context Window，唔代表模型一定能夠可靠地進行超長文本推理。實際表現仍會受到任務類型、Prompt 結構、Retrieval 策略同 Serving 配置影響。

下一步可能點改進？

騰訊目前講得較清楚嘅係發展方向，而唔係一份正式發布時間表。公司提到會繼續進行 Pre-training 同 Post-training，令推理更快、減少重複思考，亦會透過 WorkBuddy 同 CodeBuddy 持續收集產品反饋，並研究壓縮及 Quantization，降低部署成本。 8

如果呢啲方向落實，將直接針對 Hy4 最核心嘅取捨：模型容量同上下文長度比 Hy3 大得多，但 Preview 呢個名稱亦代表速度、效率同生產環境可靠性仍然需要繼續打磨。

總結：值得試，但唔好急住封王

Hy4 Preview 相比 Hy3 係一次明顯升級：總參數由 295B 增至 770B，每個 Token 啟用參數由 21B 增至 49B，而 Context Window 就由 262K 擴大至超過 100 萬 Token。佢亦同騰訊嘅 Coding、辦公室、雲端及消費者產品生態連結得相當緊密。 812

對開發者嚟講，Apache 2.0 開放權重同部署工具令 Hy4 值得納入測試名單；對企業或團隊嚟講，經騰訊產品及 API 使用，可能比自行部署更加實際。不過，現階段最合理嘅判斷仍然係保持審慎：Hy4 睇落係一個具備頂級競爭力、主打 Coding 同 Agentic Productivity 嘅中國開放權重模型，但佢能否由「有潛力」變成長期領先，仍要睇獨立 benchmark 同持續生產環境使用結果。

騰訊嘅 Hy4 Preview 係公司至今最大型嘅開放權重語言模型，亦係騰訊將前沿級模型直接接駁到辦公室同 Coding 產品嘅一次重要嘗試。模型喺 2026 年 8 月 28 日推出，主要針對軟件工程、研究、金融分析，以及需要 AI Agent 自主處理嘅生產力工作。 112

最吸睛嘅規格包括：總共 770B 參數、每個 Token 約啟用 49B 參數，以及超過 100 萬 Token 嘅 Context Window。不過，較穩妥嘅結論係：Hy4 目前睇落係中國開放權重模型之中，Coding 同生產力表現較強嘅一員；至於係咪全面勝過其他對手，現階段仍然主要靠騰訊自家評測，仲未有足夠廣泛嘅獨立測試支持。 18

Hy4 Preview 係乜嘢？

Hy4 Preview 採用 Mixture-of-Experts（MoE，專家混合） 架構。簡單講，模型唔會為每一個 Token 動用全部參數，而係由路由系統揀出部分網絡處理當前要求。咁樣可以令模型擁有更大嘅總容量，同時避免每個 Token 都承受完整 770B 參數嘅理論運算成本。

騰訊將 Hy4 定位成支援「Agentic Work」嘅模型，而唔只係一般聊天機械人。目標用途包括 Coding、辦公室生產力、研究同金融分析，並會直接整合到軟件開發及日常工作流程之中。 18

呢度所講嘅「開源」，較準確理解應該係 開放權重（open weights），而唔係所有訓練數據、完整訓練流程同底層資源全部公開。騰訊以 Apache 2.0 授權發佈模型，並提供 Serving、Fine-tuning 同 Quantization 相關指引。 812

架構同主要規格

Hy4 Preview 嘅核心規格如下：

• 總參數： 770B
• 每個 Token 啟用參數： 49B
• Context Window： 超過 1M Token
• 架構： Mixture-of-Experts
• 授權： Apache 2.0
• 模型格式： BF16 同 FP8
• 部署支援： vLLM、SGLang，以及 OpenAI-compatible API 路徑 812

模型骨幹共有 78 層。騰訊表示，第一層採用密集式 Feed-Forward Network，其餘 77 層就使用 MoE 路由，每層有 256 個 Routed Experts 加一個 Shared Expert。每個 Token 會揀選 8 個 Routed Experts，再加上 Shared Expert 一齊處理。Hy4 亦加入原生 Multi-Token Prediction Layer，目標係支援 Speculative Decoding，從而改善推理速度。 8

Attention 部分就採用 Gated DeepSeek Sparse Attention，配合 IndexCache，重用唔同層之間嘅稀疏 Attention Index。騰訊指相關設計部分受到 DeepSeek 同 GLM 嘅方法啟發。 8

所以，Hy4 嘅賣點唔只係參數數目大。佢將超大型模型容量、稀疏路由、超長上下文處理，同降低推理負擔嘅機制放埋一齊，目的係喺能力同實際運算成本之間取得平衡。

Hy4 同 Hy3 有咩分別？

Hy4 係上一代 Hy3 嘅大幅升級版：

規格	Hy3	Hy4 Preview	變化
總參數	295B	770B	約 2.6 倍
每個 Token 啟用參數	21B	49B	約 2.3 倍
Context Window	262K Token	超過 1M Token	約 4 倍
模型設計	MoE	擴充版 MoE，加上稀疏 Attention 改動	容量更大、上下文更長

換句話講，Hy4 不但提高總模型容量，亦增加每個 Token 實際動用嘅計算量。騰訊同時表示，訓練數據規模有所擴大，Pre-training 同 Post-training 都作出大幅調整。 814

對實際用家嚟講，Context Window 由 262K 去到超過 100 萬 Token 可能尤其重要。理論上，模型可以一次過處理大型 Codebase、長篇研究資料庫，或者步驟繁複嘅工作任務。不過，長上下文實際有幾好用，仍然要睇 Retrieval 質素、Latency，以及模型處理超長輸入時能否保持準確。

同中國競爭對手相比，Hy4 有幾勁？

騰訊目前最清楚公開嘅比較，係一項公司內部進行嘅盲測。測試由 163 名騰訊內部專家，評估 203 個工程任務嘅輸出。Hy4 Preview 平均得分為 2.99／4，略高於智譜 GLM-5.3 嘅 2.92，以及月之暗面 Kimi K3 嘅 2.94。 8

呢個結果顯示 Hy4 喺騰訊自家測試入面稍勝一籌，但唔應該直接當成中立而全面嘅模型排名。評審係騰訊內部專家，測試範圍亦集中喺工程任務；其他報道所整理嘅 benchmark 結果，顯示 Hy4 對阿里巴巴 Qwen 系列、DeepSeek 等國內模型嘅相對表現，會因應測試項目而變化。 113

部分二手報道亦提到，Hy4 相比 Hy3 喺 Terminal-Bench 2.1 同 DeepSWE 等 Coding benchmark 有大幅進步。呢啲數字可以反映騰訊聲稱嘅代際提升，但由於目前未有足夠獨立重現，解讀時應該留返少少餘地。 1718

現階段最穩陣嘅講法係：Hy4 已經可以放入中國開放權重模型中 Coding 同生產力工作嘅第一梯隊，但現有證據未足以證明佢喺所有任務、所有 benchmark 都決定性擊敗競爭對手。

去邊度可以用 Hy4 Preview？

騰訊同時提供可下載權重同雲端產品入口。

下載權重同自行部署

模型以及 FP8 版本，已經上載到 Hugging Face、ModelScope、GitCode 同 CNB。騰訊亦提供 vLLM、SGLang 部署配方、OpenAI-compatible 本地 API 路徑、Fine-tuning 指引同 Quantization 工具。 812

對開發者嚟講，呢種安排方便大家下載權重、測試模型，或者自行砌一套客製化 Serving Stack。不過，「開放權重」唔代表模型輕巧。騰訊嘅參考 FP8 配置需要八路 Tensor Parallelism，而自行運行 770B 模型仍然係一項對記憶體、網絡同多 GPU 資源要求極高嘅工程。 8

騰訊產品同 Hosted API

用家可以經 WorkBuddy、CodeBuddy、Yuanbao 同 ima 使用 Hy4，亦可以透過 Tencent Cloud TokenHub 同 OpenRouter 接入。推出初期，騰訊提供 WorkBuddy 同 CodeBuddy 兩星期免費使用；上一代 Hy3 嘅免費使用期就延長至 9 月 30 日。 12

第三方報道列出 OpenRouter 輸入價格約為每 100 萬 Token 0.834 美元。呢個數字應該視為特定渠道當時嘅參考價，而唔係騰訊永久固定嘅官方統一定價，因為價格同供應情況可能受平台及地區影響。 3

點解產品分發對 Hy4 咁重要？

Hy4 同騰訊嘅產品策略關係密切。騰訊表示，Hy4 係同 WorkBuddy、CodeBuddy 一齊共同設計，訓練及調整過程吸收咗公司內部工程師、遊戲開發者、金融分析師同保安專家嘅任務數據及意見。 8

呢種做法帶來嘅優勢，唔只係模型架構本身。騰訊可以將模型放入真實 Coding 同辦公室流程，觀察使用情況，再將產品反饋帶返去下一輪模型改進。同一時間，龐大嘅產品網絡亦令用家唔需要自行部署 770B 系統，都可以直接接觸 Hy4。

騰訊曾表示，將 Hunyuan 3 推向正式生產環境後，平均每日 Token 使用量較 Preview 階段增加約 6 倍。呢個數字反映應用程式分發可以帶來快速使用增長，但唔等於已經獨立證明用家滿意度或者長期留存。

為支撐呢套策略，騰訊亦大幅增加基礎設施投入。2026 年第二季，設施及設備資本開支達人民幣 527.84 億元，約為去年同期 2.8 倍；管理層表示，資源會優先投向 AI 基礎設施及 WorkBuddy 相關投資。

騰訊形容 WorkBuddy 係中國最廣泛使用嘅生產力 AI Agent 服務，但呢個屬於公司方面嘅說法，並非經獨立審計嘅市場份額數據。 4

目前有咩限制？

Hy4 Preview 並唔係以完成版模型姿態推出。騰訊承認，模型面對困難任務時，有時會推理得耐過實際需要，亦可能反覆驗證自己嘅答案，結果係增加延遲同推理成本。 8

模型規模亦帶來實際部署門檻。雖然 MoE 路由令單一 Token 只啟用 49B 參數，但完整模型仍然需要儲存同提供服務。想自建服務嘅機構，需要準備大量記憶體、網絡頻寬同多 GPU 運算資源；騰訊嘅參考 FP8 Serving 配置就使用八路 Tensor Parallelism。 8

Benchmark 證據同樣有局限。騰訊內部評測顯示 Hy4 喺工程任務中只係稍微領先 GLM-5.3 同 Kimi K3，而更廣泛嘅比較結果亦會隨 benchmark 改變。因此，現階段嘅排名應該視為方向性訊號，而唔係最終定論。 8

另外，超過 100 萬 Token 嘅 Context Window，唔代表模型一定能夠可靠地進行超長文本推理。實際表現仍會受到任務類型、Prompt 結構、Retrieval 策略同 Serving 配置影響。

下一步可能點改進？

騰訊目前講得較清楚嘅係發展方向，而唔係一份正式發布時間表。公司提到會繼續進行 Pre-training 同 Post-training，令推理更快、減少重複思考，亦會透過 WorkBuddy 同 CodeBuddy 持續收集產品反饋，並研究壓縮及 Quantization，降低部署成本。 8

如果呢啲方向落實，將直接針對 Hy4 最核心嘅取捨：模型容量同上下文長度比 Hy3 大得多，但 Preview 呢個名稱亦代表速度、效率同生產環境可靠性仍然需要繼續打磨。

總結：值得試，但唔好急住封王

Hy4 Preview 相比 Hy3 係一次明顯升級：總參數由 295B 增至 770B，每個 Token 啟用參數由 21B 增至 49B，而 Context Window 就由 262K 擴大至超過 100 萬 Token。佢亦同騰訊嘅 Coding、辦公室、雲端及消費者產品生態連結得相當緊密。 812

對開發者嚟講，Apache 2.0 開放權重同部署工具令 Hy4 值得納入測試名單；對企業或團隊嚟講，經騰訊產品及 API 使用，可能比自行部署更加實際。不過，現階段最合理嘅判斷仍然係保持審慎：Hy4 睇落係一個具備頂級競爭力、主打 Coding 同 Agentic Productivity 嘅中國開放權重模型，但佢能否由「有潛力」變成長期領先，仍要睇獨立 benchmark 同持續生產環境使用結果。