腾讯把单次任务账单压到两毛六,混元4把评测集换成了自家工作台

首页 / AI资讯 / 大模型

0:00
0:00
1x
定时

11月16日,腾讯混元发布 Hy4 flash。总参数2240亿,其中640亿是 Engram 参数,激活参数只有120亿,支持多模态与100万词元上下文,API 定价为每百万词元输入0.5元、输出2元,命中缓存时0.02元。混元团队把它称为迄今性价比最高的一代,同时给了两个更容易被忽略的数字:解码速度超过每秒150词元,单任务成本是上一代 Hy4 的二十分之一。

2240亿参数里,只有120亿在干活

这个比例决定了三件事:显存占用、单次推理的算力开支,以及长上下文能不能真的用起来。混元给出的佐证是缓存大小,Hy4 flash 的 KV cache 只有 Hy3 的二十四分之一、Hy4 的六分之一。这不是一个漂亮的工程指标,它直接决定了一份100万词元的文档在第二十个追问回合还能不能跑得动。

架构上的选择写得很技术:混合注意力、LatentMoE、Engram。Engram 那部分640亿参数承担的是记忆类的查表工作,不参与每一步的矩阵计算,这也是总参数与激活参数能拉开近二十倍的原因。代价是路由要更准,一旦路由把该查表的问题送去算,省钱的设计就变成了慢。混元在预训练阶段做了大量 scaling ladder 实验,本质是在验证这个比例在不同规模下不会崩。

后训练的两步更值得注意。一步是自蒸馏 Hy4,把大模型的综合能力搬到小激活的模型上;另一步是用强化学习把端到端任务输出长度压掉一半。输出长度减半,账单就减半,这个动作比调价更根本:它改的是模型的行为习惯,不是价目表。

价格表上多了一列命中缓存

0.02元、0.5元、2元,三个价格对应三种调用形态。命中缓存的价格只有未命中的二十五分之一,这个设计把成本压力从问什么转移到问的顺序:同一份长文档反复追问,与每次重新上传,账单差一个量级。

和上一代并排看更清楚。Hy4 的输入是6元、输出18元、缓存0.3元,Hy4 flash 分别是0.5元、2元、0.02元。输入降了十二倍,输出降了九倍,缓存降了十五倍。这种降幅通常来自三个方向:更小的激活、更好的缓存复用、更便宜的推理栈。混元提到推理阶段用了 megakernel、4bit量化与 DFly,这三样合起来解释了每秒150词元是怎么来的。

但单价不是采购决策的唯一变量。一个任务要跑多少轮、每轮吐多少词元、失败重试几次,三项乘起来才是账单。所以混元这次给的不是单价对比,而是单任务成本:上一代 Hy4 preview 的十三分之一、Hy4 的二十分之一、DeepSeek-V4.1-Flash-1017 在最高档位忙时价格的八分之一。分母换了,比较才有意义。

还有一个常被忽略的项是上下文长度带来的成本曲线。100万词元听起来是能力,实际是账单的分母:一次把整份文档塞进去,和先切块检索再追问,价格差好几倍。缓存那一列的存在,本质上是在鼓励后一种用法。

评测集换成了自家的工作台

这一代最反常的地方是评测顺序。混元没有把公开榜单放在第一位,而是先拿出一个叫 WorkIndex 的内部评测集,8个子集分别对应 PPT 制作、PPT 修改、PPT 人机双写、Markdown 人机双写、文档编辑、表格修复、音视频处理、视觉理解。这8件事的共同点是:它们都是这家公司自己的产品里每天发生的任务。

公开榜单也没有放弃,7个智能体评测集被并列列出:DeepSWE、ProgramBench、Terminal-Bench 4.0、APEX-Agents、AutomationBench、HLE、OSWorld 2.1。两套榜单放在一起,等于承认了一个事实:通用能力可以横向比,日常工作的产物质量只能纵向比。

内部评测集的风险同样明显。题目来自自家产品,分布就带着自家产品的偏好;85位内部用户、27类259个任务的盲测,样本量够做方向判断,不够做显著性结论。混元给出的结论是满意度接近 Claude Haiku 5.5,任务时长最短,单任务成本显著低于其他模型。这三句话里,只有第三句是可复算的。

开源承诺与一次任务的定义

混元说计划开源 Hy4 flash 并高频迭代。这句话的时间点比内容更重要:先上线、再开源,意味着开源版本大概率会落后云端版本若干周,而这几周正好是开发者决定要不要把生产流量放上去的窗口。对采购方,需要问清楚的是许可证、权重精度,以及开源版是否保留100万词元上下文。

另一个需要拆开的概念是一次任务。按混元的定义,一次任务包含多轮工具调用与最终产物,成本按整条链路结算。这个口径比按词元计价更贴近真实开支,也更难横向比较:同样叫做一份 PPT,十页与三十页、要不要配图、改几轮,成本差好几倍。所以十三分之一、二十分之一、八分之一这三个比值,只有在同一套任务定义下才成立。

推荐用法也写得很克制:深度搜索、文档处理、PPT 生成、简单前端展示、Computer Use 用 flash,长程软件工程用智能上限更高的 Hy4。这句话其实是在划边界:便宜的模型负责把日常活儿做完,贵的模型负责那些一次做错就要重来的活儿。

最后提醒一句口径问题。二十分之一这类比值都建立在自家任务的分布上,换一批任务,比值会变。采购时值得做的是把自己最常用的二十个任务跑一遍,用真实账单去校对比值,而不是直接引用公告里的数字。

素材来源:腾讯混元、腾讯云开发者社区、新京报、TechDaily 发布时间:2026-11-18