騰訊的 Hy4 Preview 是騰訊迄今發布的最大型開放權重大型語言模型，也是其將前沿級模型直接接入辦公與程式開發產品的一次重要嘗試。模型於 2026 年 8 月 28 日發布，主要面向軟體工程、研究、金融分析，以及需要多步驟執行的 AI 代理工作。 112

規格表面上十分驚人：總參數達 7700 億、每個 Token 啟用約 490 億參數，上下文窗口超過 100 萬 Token。不過，較穩妥的結論是：Hy4 已躋身中國開放權重模型在程式開發與生產力任務上的第一梯隊，但其「全面領先」的說法，目前仍高度依賴騰訊自家評測，尚待更廣泛的獨立測試確認。 18

Hy4 Preview 是什麼？

Hy4 Preview 採用 混合專家模型（Mixture of Experts，MoE）架構。與每次處理都使用整個神經網路的密集模型不同，MoE 會根據輸入內容，從大型模型中選擇一部分專家網路處理當前 Token。這讓模型可以擁有更高的總容量，同時避免每個 Token 都承擔全部參數的理論計算成本。

騰訊將 Hy4 定位為支援「代理式工作」的模型，而不只是一般聊天機器人。它的目標場景包括程式設計、辦公生產力、研究與金融分析，並且會直接整合到軟體開發及工作流程產品中。 18

這裡的「開源」更精確地說，是指 開放權重以及相對寬鬆的部署支援。騰訊以 Apache 2.0 授權發布模型，並提供服務、微調與量化相關指引。 812

Hy4 的規格與架構

Hy4 Preview 的主要規格如下：

• 總參數： 7700 億
• 每個 Token 啟用參數： 490 億
• 上下文窗口： 超過 100 萬 Token
• 架構： 混合專家模型（MoE）
• 授權： Apache 2.0
• 模型格式： BF16 與 FP8
• 部署支援： vLLM、SGLang，以及相容 OpenAI API 的服務路徑 812

模型骨幹共有 78 層。騰訊表示，第一層使用密集式前饋網路；其後 77 層則採用 MoE 路由，每層包含 256 個路由專家與 1 個共享專家。每個 Token 會選擇 8 個路由專家，並同時使用共享專家。模型還加入原生多 Token 預測層，目的是支援推測解碼，進一步改善推理效率。 8

注意力機制方面，Hy4 使用 Gated DeepSeek Sparse Attention，並搭配 IndexCache，在不同層之間重用稀疏注意力索引。騰訊表示，這些設計部分受到 DeepSeek 與 GLM 相關方法啟發。 8

因此，Hy4 的重點不只是「參數很多」。它同時結合了大型模型容量、稀疏路由、超長上下文，以及降低推理負擔的機制。對需要處理大型程式碼庫、長篇研究資料或複雜工作流程的使用者來說，這些設計比單純追逐參數數字更具實際意義。

Hy4 與 Hy3 有哪些差異？

Hy4 是騰訊前一代 Hy3 的大幅擴展版：

規格	Hy3	Hy4 Preview	變化
總參數	2950 億	7700 億	約 2.6 倍
每個 Token 啟用參數	210 億	490 億	約 2.3 倍
上下文窗口	262K Token	超過 100 萬 Token	約 4 倍
模型設計	MoE	擴展版 MoE，加入稀疏注意力改動	容量更高、上下文更長

Hy4 同時提高了模型總容量與每個 Token 的啟用計算量。騰訊也表示，團隊擴充了訓練資料，並對預訓練及後訓練流程作出大幅調整。 814

上下文窗口由 262K 擴大至超過 100 萬 Token，可能是最具實用價值的升級之一。理論上，模型可以一次處理更大型的程式碼庫、長篇研究資料集或複雜企業文件。不過，長上下文的實際效果仍取決於檢索品質、延遲，以及模型能否在長輸入中維持準確性。

Hy4 比中國競爭模型更強嗎？

騰訊目前公布最清楚的比較，是一項由公司內部進行的盲測。測試由 163 名內部專家評估 203 項工程任務，Hy4 Preview 平均得分為 2.99／4，略高於智譜 GLM-5.3 的 2.92 與 Moonshot Kimi K3 的 2.94。 8

這項結果顯示 Hy4 在騰訊的測試中小幅領先，但不應直接視為中立且完整的市場排名。評測者是騰訊內部專家，測試內容也集中在工程任務；其他報導顯示，Hy4 對阿里巴巴 Qwen 系列及 DeepSeek 等中國模型的表現，會因基準測試而有所不同。 113

部分二手報導也引用了 Hy4 相較 Hy3 在 Terminal-Bench 2.1、DeepSWE 等程式開發基準上的大幅進步。這些數字可作為騰訊所宣稱進展的參考，但在測試條件與結果獲得獨立重現前，仍應審慎解讀。 1718

目前較站得住腳的說法是：Hy4 已經是中國開放權重模型在程式開發與生產力工作負載上的第一梯隊成員；現有證據尚不足以證明它在所有任務上都明顯擊敗每一個競爭對手。

如何使用 Hy4 Preview？

騰訊同時提供可下載權重與託管服務，使用者可以依需求選擇自行部署或直接透過產品及 API 使用。

下載權重與自行部署

Hy4 及其 FP8 版本已上架 Hugging Face、ModelScope、GitCode 與 CNB。騰訊提供 vLLM、SGLang 部署配方、相容 OpenAI API 的本機服務路徑、微調說明及量化工具。 812

這對希望研究模型權重、建立客製化推理服務或進行微調的開發者較為便利。不過，「開放權重」不代表模型容易在一般電腦上運行。騰訊的參考 FP8 配置使用八路張量平行，而部署 7700 億參數模型仍是需要大量記憶體、網路頻寬及多 GPU 的基礎設施工程。 8

騰訊產品與託管 API

使用者可以在 WorkBuddy、CodeBuddy、Yuanbao 與 ima 中存取 Hy4，也可以透過騰訊雲 TokenHub 與 OpenRouter 連接。發布初期，騰訊在 WorkBuddy 與 CodeBuddy 提供兩週免費使用；前一代 Hy3 的免費使用期限則延長至 9 月 30 日。 12

第三方報導列出的 OpenRouter 輸入價格約為 每 100 萬 Token 0.834 美元。這應視為特定通路的參考價格，而不是永久有效的騰訊官方統一牌價，因為價格與供應情況可能會按平台及地區變動。 3

為什麼騰訊的產品分發能力很重要？

Hy4 並非孤立發布的模型，而是騰訊 AI 產品策略的一環。騰訊表示，Hy4 是與 WorkBuddy、CodeBuddy 共同設計，訓練與改進過程使用了來自內部工程師、遊戲開發者、金融分析師及安全專家的任務資料與回饋。 8

這種做法可能讓騰訊取得架構以外的優勢：模型可以直接在實際的程式開發與辦公流程中接受測試，再將產品回饋帶回後續版本。另一方面，騰訊龐大的產品分發網路，也讓使用者不必自行下載及維護 7700 億參數模型，便能接觸 Hy4。

騰訊曾表示，將 Hunyuan 3 推入正式生產環境後，平均每日 Token 使用量較預覽階段增加約 6 倍。這證明產品分發能快速帶來使用量，但並不等同於獨立證明使用者滿意度或長期留存率。

為支撐這項策略，騰訊也在大幅增加相關投入。2026 年第二季，騰訊的設施與設備資本支出達 人民幣 527.84 億元，約為去年同期的 2.8 倍；管理層表示，投資重點包括 AI 基礎設施及 WorkBuddy 相關項目。

騰訊曾形容 WorkBuddy 是中國最廣泛使用的生產力 AI 代理服務，但這仍屬公司說法，並非經獨立審計的市場佔有率數據。 4

Hy4 Preview 目前有哪些限制？

首先，Hy4 Preview 並不是已經完全定型的正式版本。騰訊承認，模型在處理困難任務時可能花費過長時間推理，也可能過度驗證自己的答案，導致延遲與推理成本上升。 8

其次，模型規模本身就是部署門檻。雖然 MoE 路由意味著單一 Token 只啟用 490 億參數，但完整模型仍必須儲存並提供服務。打算自行託管的企業，需要準備相當可觀的記憶體、網路與多 GPU 運算能力。

第三，現有基準證據仍有限。騰訊的內部測試顯示 Hy4 在工程任務上僅小幅領先 GLM-5.3 與 Kimi K3，而更廣泛的比較結果會因基準不同而改變。因此，早期排名較適合作為方向性參考，而不是定論。 8

最後，超長上下文不等於可靠的長上下文推理。Hy4 超過 100 萬 Token 的窗口確實是規格上的重大優勢，但實際表現仍會受到任務類型、提示詞結構、檢索策略與服務配置影響。

下一步可能改善什麼？

騰訊目前公布的發展方向，比正式產品路線圖更清楚。公司指出，後續將持續進行預訓練與後訓練，讓推理更快速、減少重複思考，並透過 WorkBuddy 與 CodeBuddy 的使用回饋持續迭代；同時也會推進模型壓縮與量化，以降低部署成本。 8

這些改進正好對應 Hy4 的核心取捨：它比 Hy3 擁有更高容量與更長上下文，但「Preview」標籤也說明速度、效率與生產環境可靠性仍在打磨。

結論：值得評估，但不宜過早宣布勝出

Hy4 Preview 相較 Hy3 是一次大幅升級：總參數由 2950 億增至 7700 億，每個 Token 的啟用參數由 210 億增至 490 億，上下文窗口也由 262K 擴大至超過 100 萬 Token。它還與騰訊的程式開發、辦公、雲端及消費者產品生態緊密連結。 812

對開發者來說，Apache 2.0 開放權重與部署工具讓 Hy4 值得測試；對企業而言，直接透過騰訊產品或 API 使用，可能比自行託管完整模型更實際。

現階段最合理的評價仍應保持克制：Hy4 是一款面向程式開發與代理式生產力工作的中國頂級開放權重模型，具備強大規格與廣泛產品分發能力；但它能否形成持久領先，還要看獨立基準測試、開發者採用情況，以及長期生產環境中的穩定表現。

騰訊的 Hy4 Preview 是騰訊迄今發布的最大型開放權重大型語言模型，也是其將前沿級模型直接接入辦公與程式開發產品的一次重要嘗試。模型於 2026 年 8 月 28 日發布，主要面向軟體工程、研究、金融分析，以及需要多步驟執行的 AI 代理工作。 112

規格表面上十分驚人：總參數達 7700 億、每個 Token 啟用約 490 億參數，上下文窗口超過 100 萬 Token。不過，較穩妥的結論是：Hy4 已躋身中國開放權重模型在程式開發與生產力任務上的第一梯隊，但其「全面領先」的說法，目前仍高度依賴騰訊自家評測，尚待更廣泛的獨立測試確認。 18

Hy4 Preview 是什麼？

Hy4 Preview 採用 混合專家模型（Mixture of Experts，MoE）架構。與每次處理都使用整個神經網路的密集模型不同，MoE 會根據輸入內容，從大型模型中選擇一部分專家網路處理當前 Token。這讓模型可以擁有更高的總容量，同時避免每個 Token 都承擔全部參數的理論計算成本。

騰訊將 Hy4 定位為支援「代理式工作」的模型，而不只是一般聊天機器人。它的目標場景包括程式設計、辦公生產力、研究與金融分析，並且會直接整合到軟體開發及工作流程產品中。 18

這裡的「開源」更精確地說，是指 開放權重以及相對寬鬆的部署支援。騰訊以 Apache 2.0 授權發布模型，並提供服務、微調與量化相關指引。 812

Hy4 的規格與架構

Hy4 Preview 的主要規格如下：

• 總參數： 7700 億
• 每個 Token 啟用參數： 490 億
• 上下文窗口： 超過 100 萬 Token
• 架構： 混合專家模型（MoE）
• 授權： Apache 2.0
• 模型格式： BF16 與 FP8
• 部署支援： vLLM、SGLang，以及相容 OpenAI API 的服務路徑 812

模型骨幹共有 78 層。騰訊表示，第一層使用密集式前饋網路；其後 77 層則採用 MoE 路由，每層包含 256 個路由專家與 1 個共享專家。每個 Token 會選擇 8 個路由專家，並同時使用共享專家。模型還加入原生多 Token 預測層，目的是支援推測解碼，進一步改善推理效率。 8

注意力機制方面，Hy4 使用 Gated DeepSeek Sparse Attention，並搭配 IndexCache，在不同層之間重用稀疏注意力索引。騰訊表示，這些設計部分受到 DeepSeek 與 GLM 相關方法啟發。 8

因此，Hy4 的重點不只是「參數很多」。它同時結合了大型模型容量、稀疏路由、超長上下文，以及降低推理負擔的機制。對需要處理大型程式碼庫、長篇研究資料或複雜工作流程的使用者來說，這些設計比單純追逐參數數字更具實際意義。

Hy4 與 Hy3 有哪些差異？

Hy4 是騰訊前一代 Hy3 的大幅擴展版：

規格	Hy3	Hy4 Preview	變化
總參數	2950 億	7700 億	約 2.6 倍
每個 Token 啟用參數	210 億	490 億	約 2.3 倍
上下文窗口	262K Token	超過 100 萬 Token	約 4 倍
模型設計	MoE	擴展版 MoE，加入稀疏注意力改動	容量更高、上下文更長

Hy4 同時提高了模型總容量與每個 Token 的啟用計算量。騰訊也表示，團隊擴充了訓練資料，並對預訓練及後訓練流程作出大幅調整。 814

上下文窗口由 262K 擴大至超過 100 萬 Token，可能是最具實用價值的升級之一。理論上，模型可以一次處理更大型的程式碼庫、長篇研究資料集或複雜企業文件。不過，長上下文的實際效果仍取決於檢索品質、延遲，以及模型能否在長輸入中維持準確性。

Hy4 比中國競爭模型更強嗎？

騰訊目前公布最清楚的比較，是一項由公司內部進行的盲測。測試由 163 名內部專家評估 203 項工程任務，Hy4 Preview 平均得分為 2.99／4，略高於智譜 GLM-5.3 的 2.92 與 Moonshot Kimi K3 的 2.94。 8

這項結果顯示 Hy4 在騰訊的測試中小幅領先，但不應直接視為中立且完整的市場排名。評測者是騰訊內部專家，測試內容也集中在工程任務；其他報導顯示，Hy4 對阿里巴巴 Qwen 系列及 DeepSeek 等中國模型的表現，會因基準測試而有所不同。 113

部分二手報導也引用了 Hy4 相較 Hy3 在 Terminal-Bench 2.1、DeepSWE 等程式開發基準上的大幅進步。這些數字可作為騰訊所宣稱進展的參考，但在測試條件與結果獲得獨立重現前，仍應審慎解讀。 1718

目前較站得住腳的說法是：Hy4 已經是中國開放權重模型在程式開發與生產力工作負載上的第一梯隊成員；現有證據尚不足以證明它在所有任務上都明顯擊敗每一個競爭對手。

如何使用 Hy4 Preview？

騰訊同時提供可下載權重與託管服務，使用者可以依需求選擇自行部署或直接透過產品及 API 使用。

下載權重與自行部署

Hy4 及其 FP8 版本已上架 Hugging Face、ModelScope、GitCode 與 CNB。騰訊提供 vLLM、SGLang 部署配方、相容 OpenAI API 的本機服務路徑、微調說明及量化工具。 812

這對希望研究模型權重、建立客製化推理服務或進行微調的開發者較為便利。不過，「開放權重」不代表模型容易在一般電腦上運行。騰訊的參考 FP8 配置使用八路張量平行，而部署 7700 億參數模型仍是需要大量記憶體、網路頻寬及多 GPU 的基礎設施工程。 8

騰訊產品與託管 API

使用者可以在 WorkBuddy、CodeBuddy、Yuanbao 與 ima 中存取 Hy4，也可以透過騰訊雲 TokenHub 與 OpenRouter 連接。發布初期，騰訊在 WorkBuddy 與 CodeBuddy 提供兩週免費使用；前一代 Hy3 的免費使用期限則延長至 9 月 30 日。 12

第三方報導列出的 OpenRouter 輸入價格約為 每 100 萬 Token 0.834 美元。這應視為特定通路的參考價格，而不是永久有效的騰訊官方統一牌價，因為價格與供應情況可能會按平台及地區變動。 3

為什麼騰訊的產品分發能力很重要？

Hy4 並非孤立發布的模型，而是騰訊 AI 產品策略的一環。騰訊表示，Hy4 是與 WorkBuddy、CodeBuddy 共同設計，訓練與改進過程使用了來自內部工程師、遊戲開發者、金融分析師及安全專家的任務資料與回饋。 8

這種做法可能讓騰訊取得架構以外的優勢：模型可以直接在實際的程式開發與辦公流程中接受測試，再將產品回饋帶回後續版本。另一方面，騰訊龐大的產品分發網路，也讓使用者不必自行下載及維護 7700 億參數模型，便能接觸 Hy4。

騰訊曾表示，將 Hunyuan 3 推入正式生產環境後，平均每日 Token 使用量較預覽階段增加約 6 倍。這證明產品分發能快速帶來使用量，但並不等同於獨立證明使用者滿意度或長期留存率。

為支撐這項策略，騰訊也在大幅增加相關投入。2026 年第二季，騰訊的設施與設備資本支出達 人民幣 527.84 億元，約為去年同期的 2.8 倍；管理層表示，投資重點包括 AI 基礎設施及 WorkBuddy 相關項目。

騰訊曾形容 WorkBuddy 是中國最廣泛使用的生產力 AI 代理服務，但這仍屬公司說法，並非經獨立審計的市場佔有率數據。 4

Hy4 Preview 目前有哪些限制？

首先，Hy4 Preview 並不是已經完全定型的正式版本。騰訊承認，模型在處理困難任務時可能花費過長時間推理，也可能過度驗證自己的答案，導致延遲與推理成本上升。 8

其次，模型規模本身就是部署門檻。雖然 MoE 路由意味著單一 Token 只啟用 490 億參數，但完整模型仍必須儲存並提供服務。打算自行託管的企業，需要準備相當可觀的記憶體、網路與多 GPU 運算能力。

第三，現有基準證據仍有限。騰訊的內部測試顯示 Hy4 在工程任務上僅小幅領先 GLM-5.3 與 Kimi K3，而更廣泛的比較結果會因基準不同而改變。因此，早期排名較適合作為方向性參考，而不是定論。 8

最後，超長上下文不等於可靠的長上下文推理。Hy4 超過 100 萬 Token 的窗口確實是規格上的重大優勢，但實際表現仍會受到任務類型、提示詞結構、檢索策略與服務配置影響。

下一步可能改善什麼？

騰訊目前公布的發展方向，比正式產品路線圖更清楚。公司指出，後續將持續進行預訓練與後訓練，讓推理更快速、減少重複思考，並透過 WorkBuddy 與 CodeBuddy 的使用回饋持續迭代；同時也會推進模型壓縮與量化，以降低部署成本。 8

這些改進正好對應 Hy4 的核心取捨：它比 Hy3 擁有更高容量與更長上下文，但「Preview」標籤也說明速度、效率與生產環境可靠性仍在打磨。

結論：值得評估，但不宜過早宣布勝出

Hy4 Preview 相較 Hy3 是一次大幅升級：總參數由 2950 億增至 7700 億，每個 Token 的啟用參數由 210 億增至 490 億，上下文窗口也由 262K 擴大至超過 100 萬 Token。它還與騰訊的程式開發、辦公、雲端及消費者產品生態緊密連結。 812

對開發者來說，Apache 2.0 開放權重與部署工具讓 Hy4 值得測試；對企業而言，直接透過騰訊產品或 API 使用，可能比自行託管完整模型更實際。

現階段最合理的評價仍應保持克制：Hy4 是一款面向程式開發與代理式生產力工作的中國頂級開放權重模型，具備強大規格與廣泛產品分發能力；但它能否形成持久領先，還要看獨立基準測試、開發者採用情況，以及長期生產環境中的穩定表現。