腾讯开源Hy4 preview：770B参数模型定价6元/百万tokens
8月28日腾讯开源混元Hy4 preview，总参数从295B增至770B、激活参数从21B增至49B，上下文从256K扩展到1M，输入价格却定在6元/百万tokens。这一代模型已直接进入WorkBuddy、CodeBuddy、元宝和ima。
总参数770B激活49B，Hy4把规模直接拉到新量级
Hy4 preview在模型规模上实现了显著跃升。相比前代Hy3的总参数295B，Hy4 preview的总参数增加到770B，激活参数则从21B提升至49B。上下文长度也从256K直接扩展到1M。
这些数值变化意味着模型能够处理更长的输入序列，并在更多参数空间中捕捉复杂模式。总参数770B让Hy4 preview进入当前主流大模型的参数量级，而激活参数49B则表明它在实际推理时仍保持了相对高效的计算路径。这种MoE式的设计思路在规模扩张的同时试图控制算力开销。
上下文1M的长度扩展尤为关键。它允许模型一次性处理更长的代码仓库、完整的技术文档或多轮复杂对话，而无需频繁切分内容。这对后续的生产力场景构成基础支撑。信号显示，这些参数升级是Hy4 preview区别于Hy3的核心硬件规格变化，直接体现了腾讯在算力投入后的规模迭代。
从实际效果看，参数规模扩大通常能带来能力边界的外推，但也伴随训练和推理成本的上升。腾讯选择在这个量级发布preview版，显示其对770B规模的训练已经取得阶段性成果。不过目前公开信息尚未提供具体benchmark数据，因此Hy4 preview在真实任务上的能力增益仍需进一步观察。
这一规模提升并非孤立动作。它建立在Hy3已经验证的产品化路径之上。Hy3的实用性经验让腾讯敢于把参数推高，同时保持对落地场景的针对性优化。770B总参数和49B激活参数的组合，构成了Hy4 preview在架构上的新起点。（约380字）
输入6元输出18元，Hy4继续用低价打普惠牌
Hy4 preview的定价策略延续了腾讯混元系列的高性价比路线。官方公布的价格为输入6元/百万tokens，输出18元/百万tokens，缓存命中价格低至0.3元/百万tokens。
这一定价在当前主流商用大模型中处于较低区间。输入6元的价格让开发者或企业以相对可控的成本进行大规模调用，尤其适合需要频繁输入长上下文的办公和编程场景。输出18元的价格虽然高于输入，但仍保持在合理范围内。缓存命中0.3元的价格则进一步降低了重复内容处理的成本，对多轮对话和知识库应用特别友好。
低价策略的背后是腾讯对普惠的坚持。Hy3已经通过类似定价验证了市场接受度，Hy4 preview在此基础上继续压低单位成本，试图让更多中小团队和个人开发者用得起大模型。6元输入价意味着每处理约166万tokens的输入仅需10元，这对日常办公分析或代码生成任务而言门槛不算高。
不过低价也可能反映出模型在通用能力上的取舍。信号明确指出Hy4 preview走的是普惠高性价比路线，这暗示其优化重点并非追求绝对的顶尖性能，而是平衡能力和成本。缓存命中0.3元的价格显示腾讯在工程实现上做了针对性工作，显著降低了重复计算开销。
这一定价对生态的影响是直接的。它降低了企业将Hy4 preview接入现有系统的试错成本，也为腾讯云上的TokenHub调用提供了价格优势。相比一些国际大厂动辄数十元的token价格，Hy4 preview的6元输入和18元输出确实更具普惠属性。（约360字）
Hy3一周API调用涨68倍，Hy4要复制这条产品路径
Hy3的实际表现为Hy4 preview提供了清晰的产品化参照。Hy3在7月发布后，其API调用量在一周内达到了上一代模型的68倍以上。这一增长速度验证了腾讯在模型实用性上的判断。
Hy3的核心优势在于降低了幻觉和常识错误，改善了工具调用和多轮对话的连贯性。它让网页生成、表格处理、代码编写和文档理解从“能生成”进化到“基本可用”。正是这些实用改进驱动了68倍的调用增长。
Hy4 preview要复制的正是这条路径。腾讯没有把Hy4 preview定位为纯研究模型，而是延续Hy3的落地思路，把规模扩张与场景优化结合。Hy3的68倍增长数据表明，只要模型在真实生产力任务中做到“可用”，企业内部和外部开发者就会快速跟进。
这一数据也反映出腾讯内部协同的优势。Hy3发布后迅速进入办公、编程和内容产品，形成了闭环反馈。Hy4 preview继承了这一机制，意味着其迭代速度和数据获取能力都比纯开源模型更有保障。68倍的调用增长不是孤立的流量数字，而是产品路径被验证的直接证据。
对Hy4 preview而言，这一前车之鉴既是压力也是动力。它需要在770B规模下继续降低错误率、提升工具使用准确性，才能复制甚至超越Hy3的增长曲线。目前信号尚未给出Hy4 preview的具体调用数据，但Hy3的68倍增长已经为它设定了明确的产品化预期。（约340字）
直接进入WorkBuddy和CodeBuddy，Hy4已在腾讯哪些产品落地
Hy4 preview发布后立即集成到多个腾讯内部产品中。目前它已进入WorkBuddy、CodeBuddy、元宝和ima。这些集成显示腾讯正把新模型快速转化为具体生产力工具。
WorkBuddy作为办公助手，Hy4 preview的1M上下文和49B激活参数能帮助它更好地处理长文档、复杂表格和多轮工作流。CodeBuddy则是编程助手，770B规模的模型理论上能理解更大范围的代码上下文，生成更准确的补全和重构建议。
元宝和ima的接入进一步扩大了Hy4 preview的应用面。元宝作为通用对话产品，能利用新模型在常识错误减少方面的进步；ima可能涉及图像或多模态相关场景，虽然信号未详细展开，但集成本身说明腾讯内部产品矩阵已为Hy4 preview准备好落地通道。
这种快速集成与Hy3的路径一致。Hy3发布后同样迅速进入办公、编程和内容产品，Hy4 preview把这一做法延续下来。直接进入现有产品的做法缩短了从模型发布到用户可用的时间，也让腾讯能快速收集真实使用反馈用于后续迭代。
目前这些产品中的具体表现尚未有公开benchmark，但信号明确指出Hy4 preview已同步进入上述四个产品。这意味着开发者或企业用户如果已经在使用腾讯的这些工具，就可能在近期体验到Hy4 preview带来的能力升级。（约320字）
软件工程、游戏开发、科学研究，Hy4把重点推向这些场景
相比Hy3，Hy4 preview把优化重点进一步推向软件工程、办公分析、游戏开发和科学研究等生产力领域。这些场景对模型的长上下文理解、复杂推理和专业知识运用要求更高。
软件工程场景下，1M上下文让Hy4 preview能处理整个代码仓库而非单个文件，这对代码重构、跨文件依赖分析和自动化测试生成有直接帮助。游戏开发则需要模型理解引擎逻辑、资源管理和数值平衡，770B参数规模理论上能提供更丰富的领域知识。
科学研究场景对准确性和幻觉控制要求极高。Hy4 preview在Hy3降低常识错误的基础上进一步优化，试图让模型在文献理解、公式推导和实验设计辅助上更可靠。办公分析则延续了Hy3在表格和文档处理上的优势，但规模扩大后能处理更复杂的多源数据关联。
这些优化方向显示腾讯不再满足于通用聊天能力，而是把资源集中到高价值生产力场景。信号指出Hy4 preview要回答的是“下一道题”，这道题的核心就是如何把规模优势转化为特定领域的可用性。
与Hy3相比，Hy4 preview的侧重更加明确。Hy3侧重把“能生成”变成“基本可用”，Hy4 preview则试图在软件工程、游戏开发和科学研究中实现“高效可用”。这一转变是否成功，目前仍缺乏公开的针对性benchmark数据，但优化方向本身已足够清晰。（约350字）
腾讯云TokenHub和OpenRouter，Hy4如何开放调用
Hy4 preview不仅在腾讯内部产品落地，也同步开放给外部开发者。模型已可通过腾讯云TokenHub及OpenRouter进行调用，同时腾讯选择开源这一preview版本。
腾讯云TokenHub作为官方渠道，提供稳定且价格透明的访问方式。开发者可以按照6元输入、18元输出的价格直接调用Hy4 preview，适合需要SLA保障的企业用户。OpenRouter则为更广泛的开发者社区提供了接入点，让Hy4 preview能与各种第三方工具和框架快速结合。
开源策略延续了腾讯混元系列的一贯做法。通过开放模型权重，腾讯希望吸引更多研究者和开发者参与优化和垂直微调。这对770B规模的模型而言尤为重要，因为社区的探索能帮助发现模型在不同场景下的极限和短板。
外部调用渠道的开放与内部产品集成形成互补。TokenHub和OpenRouter让Hy4 preview走出腾讯生态，而WorkBuddy、CodeBuddy等产品的使用则提供大量真实数据用于迭代。这种内外结合的路径正是Hy3验证过的有效模式。
目前Hy4 preview仍处于preview阶段，意味着其稳定性和边界仍在探索中。通过TokenHub和OpenRouter的调用，开发者能直接测试1M上下文在实际任务中的表现，也能验证低价策略下的性价比。信号显示，这些开放措施与模型发布同步进行，显示腾讯希望快速扩大Hy4 preview的使用面和反馈来源。（约370字）
参考来源
- 原文作者：知识铺
- 原文链接：https://index.zshipu.com/ai001/post/20260830/%E8%85%BE%E8%AE%AF%E5%BC%80%E6%BA%90Hy4-preview770B%E5%8F%82%E6%95%B0%E6%A8%A1%E5%9E%8B%E5%AE%9A%E4%BB%B76%E5%85%83%E7%99%BE%E4%B8%87tokens/
- 版权声明：本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可，非商业转载请注明出处（作者，原文链接），商业转载请联系作者获得授权。
- 免责声明：本页面内容均来源于站内编辑发布，部分信息来源互联网，并不意味着本站赞同其观点或者证实其内容的真实性，如涉及版权等问题，请立即联系客服进行更改或删除，保证您的合法权益。转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。也可以邮件至 sblig@126.com
