腾讯 Hy4 正式 GA，具备视觉与计算机使用能力——却没有基准测试表

腾讯 Hy4 于 2026 年 11 月 4 日正式全面开放，它是混元系列中首个既能读图、又能操作桌面的模型。但腾讯并未随它一同提供那种曾在 8 月为 Tencent Hy4 Preview 赢得认可的实证：没有 Terminal-Bench 成绩行，没有 SWE-bench 成绩行，也没有模型卡。此次发布反而以内部任务套件、一个由 213 位专家组成的金融评测小组以及一项幻觉率对比作为主打。迄今能力最强的 Hy 模型，在发布当天也是文档记录最少的那个。

这并不是无视它的理由。预览版已公布的分数仍然是该系列目前可用的最佳替代指标，腾讯表示 GA 版本在其训练所针对的工作负载上优于这些分数，而且价格没有变化。但这确实改变了你解读这则公告的方式：应把它看作一项附带交付日期的能力声明，而不是一次经过实测的发布。本文会将腾讯实际交付的三项内容——视觉、计算机使用，以及更廉价的思维链——与它已承诺但尚未交付的三项内容区分开来。

GA 版本中究竟有哪些新内容

腾讯描述了三项新增内容，而用户在第一天只能看到前两项。

视觉。Hy4 现已支持细粒度图像处理、复杂图表分析以及基于图表的数学推理，并将感知、推理和工具调用结合起来。Tencent 的演示是一张 28 亿像素的航拍照片，模型在其中定位一个两米大小的屋顶构件——这项任务既是在展示上下文窗口，也是在展示视觉能力，因为图像必须被分块并跟踪，同时不能丢失查询目标。请将该演示视为厂商示例；它并未附带任何已发布的视觉基准。

计算机使用。 该模型可通过鼠标和键盘操作屏幕，并能将命令行与图形界面结合使用。Tencent 表示，它专门针对 Blender、CAD 和跨应用长时程任务进行了训练，并且运行在基于 Tencent Cloud 的 Agent Runtime 构建的沙箱中，其中安装了数百个应用程序。这是更具影响力的新增功能，因为这是 Hy 系列首次宣称具备对桌面的自主操作能力，而不是仅对工具模式具备该能力。

更短的思维链。 该预览版发布时带有两个已确认的缺陷：它在困难任务上推理时间过长，并且会对自己的工作过度验证。腾讯表示，正式版提升了思维链效率和指令遵循能力，以及长文档理解和深度研究能力。这一说法可以像视觉演示那样无法做到的方式进行检验——每项任务的 token 数量是可测量的——但腾讯没有公布前后对比的 token 数据。

底层主体没有变化，至少从纸面上看是这样。GA 公告没有重申参数或上下文长度；目前流传的数字来自预览版：总参数 770B，每个 token 激活 49B 参数，上下文窗口为 1,048,576 个 token。由于腾讯尚未发布新的架构说明，合理的解读是：这就是同一个骨干模型，只是在其上进行了大幅增加的预训练和后训练，再加上多模态路径所需的某种视觉编码器——而腾讯并未描述这一组件。

腾讯确实公布了的那些数字，以及它们的价值所在

这些没有一个是{{1}}独立的{{/1}}，也没有一个是{{2}}标准化的公开基准测试{{/2}}。它们是腾讯自己的任务套件和专家小组，这使得它们对判断方向有用，但在排名方面较弱。

• 游戏开发 — 腾讯报告其 GameDev 套件较预览增长 19.1%，GameLogic 较预览增长 9.8%。两者均为内部套件，未公布条目数量。

• 金融，专家评审团——213 位专家，其中 153 位来自腾讯外部，约 70% 拥有五年及以上经验，对 579 个真实金融任务进行评分。Hy4 平均分为 3.04，而 Kimi K3.1 Pro 为 2.68，GLM-5.3 为 2.68，DeepSeek V4.1 Flash 1017 为 2.97。腾讯的结论是，它在该评审团中位列开源模型第一。

• 幻觉——声称从 15.76% 降至 5.45%，与猜测相关的错误从 23.1% 降至 5.6%。方法未公布；应将改进幅度视为声明而非测量结果。

• 科研工作负载——讯兔科技的 IRAB 评估据称比预览版高出 12.03 个百分点，而腾讯自家的 BioExperimentBench 得分是 100 分中的 30.4 分。最后这个数字值得停下来想一想：它是发布中唯一一个并不好看的绝对分数，也表明生物学方面的工作尚处于早期。

• 训练效率——腾讯表示，该模型参与了自身训练流程的优化，使端到端吞吐量提升了20.1%。这是关于腾讯集群的陈述，而不是关于你实际调用的模型。

八月表格的缺席才是值得注意的地方。预览版发布时，腾讯公布了 Terminal-Bench 2.1 为 85.4、DeepSWE 为 64.3、SWE-bench Pro 为 65.7、Toolathlon-Verified 为 74.1 以及 APEX-Agents 为 37.1——正是这些数据让不信任盲评小组分数的人认为它可信。GA 发布帖没有更新其中任何一项。究竟是因为提升幅度达不到营销所需，还是因为公司要把这些数据留到它已承诺的系统卡中，尚不得而知。在其中一项出现之前，诚实的判断是：GA 构建没有可比的公开证据。

价格没有变动，而且折扣比价格还大。

腾讯保留了预览版的价目表。在新加坡端点，每百万输入 token 为 0.834 美元，每百万输出为 2.501 美元，每百万缓存命中为 0.042 美元；在中国大陆价目表上分别为 6 元、18 元和 0.3 元。以不变的价格推出能力更强的模型，是发布继任者的正确方式，也让价格完全不再成为升级决策的因素。

大陆公告在此基础上又叠加了一套促销组合，而这些条款很重要，因为它们的到期时间各不相同：

• 标准 API 调用享受 50% 折扣，优惠截至 2026 年 12 月 31 日；在此期间，实际价目约为输入 $0.417、输出 $1.25。

Token Plan 订阅享 2.5 折，优惠持续至 2026 年 11 月 18 日。

• WorkBuddy 和 CodeBuddy 内的免费额度可使用至 2026 年 11 月 12 日。

这些是带有截止日期的促销费率，并非标价，而且是面向中国大陆市场公布的。请按 $0.834 和 $2.501 做预算，并把折扣视为额外收益。真正会累积的是缓存费率：按每百万 $0.042 计算，在 agent 循环的每一轮重新读取一份大文档，在 Hy4 上比在 Tencent 自有的 Hy3 上更便宜，后者收费 $0.059。一个每新鲜输入 token 成本高出四倍半的模型，其每缓存 token 的成本反而更低。

权重仍是一份承诺

这部分决定了此次发布对任何不想租用推理服务的人是否有意义。

Tencent Hy4 Preview 以 Apache 2.0 许可证发布，提供完整权重、FP8 变体，以及现成的 vLLM 和 SGLang 配置方案。如今任何人都可以下载它。至于 GA 版本，腾讯仅表示计划开放模型权重，并发布一份包含更全面安全评估的系统卡，同时获得 vLLM 和 SGLang 社区以及 Inferact 的生态支持。没有日期，没有许可证，也没有代码仓库。在发布当天查看腾讯的 Hugging Face 组织，只能找到预览版及其 FP8 检查点，没有 GA 仓库。

这是实实在在的限制，而非形式上的问题。770B 参数的混合专家模型本来也不是大多数团队会自行托管的东西——FP8 检查点超过 700GB，而且要提供服务还需要多节点集群。但许可证才是决定一家公司能否在受监管环境中微调、蒸馏或运行该模型的关键，而在许可证出台之前，GA 版本仅提供 API。腾讯还表示 Hy4 Flash 即将推出，主打成本与速度，而这才是大多数团队在高吞吐量工作中真正想要的模型。

你今天可以运行的内容

OrcaRouter 的目录中包含 tencent/hy3和tencent/hy4-preview，其中包含有限速的预览版免费层级，而截至本文撰写时，GA 版本尚未上架。这一点值得直说，而不是暗示情况相反：本文所讨论的模型目前还无法在此路由。

预览版能给你的，是在 GA 到来之前做出决定的方法。二者共享同一套底层架构和定价，因此，如果某个工作负载在预览版上因视觉或桌面控制方面的原因而失败，那它就是需要 GA 的那一个；而如果某个工作负载在推理质量上失败，那它就是 GA 的效率主张值得测试的那一个。用预览版去跑你上周做过的一项任务，衡量每个已完成任务的 token 数，而不是每次调用的 token 数，这样你对 GA 价值的估计就会比财务面板提供的更准确。

当 GA 进入产品目录时，它将是同一 key 上的模型字符串变更，而不是第二份合同；而带自动故障转移回预览版的加权流量切分，是一种低成本的试用方式，不必把生产路径押在今天早上刚发布的构建上。透传定价模式意味着腾讯的标价就是你实际支付的价格，因此促销费率在适用时，在这里也同样适用。

看什么

有三件事将解答这次发布留下的疑问。第一是权重发布日期和许可证——这正是区分真正开放模型与“开源洗白”模型的关键。第二是独立评估：本文中的每个数字都来自腾讯，而预览版那张八个月前的表格之所以被当作替代依据，是因为除此之外别无他物。第三是 Hy4 Flash，因为一个能力相同但更便宜、更快的同级模型，会比旗舰模型更能改变路由计算的结果。

在那之前，对腾讯 Hy4 的正确描述范围有限却准确：一个已正式可用的 API 模型，具备视觉与计算机使用能力，定价与预览阶段完全相同，靠厂商自证的证据来销售，并且仍在等待那份能让它真正开放的文书。