
Hy4 flash 與 Qwen3.8-Flash:活躍參數翻倍,每 token 價格減半
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 138 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 175 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 120 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 116 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
這裡較便宜的模型,反而是較大的那一個。Hy4 flash 每個 token 會啟用 113 億個文字參數,定價為每百萬輸入 token $0.070。Qwen3.8-Flash 每次約啟用 60 億個參數,定價為 $0.15。每個 token 的啟用運算量將近兩倍,輸入價格卻不到一半——而這兩個數字都不是真正決定你該呼叫哪個模型的關鍵。
Hy4 flash 問世才兩天。騰訊於 2026 年 11 月 16 日將它放上自家 API,隔天公開權重,並為它發布了三個儲存庫:instruct 檢查點、FP8 版本與基礎模型。這是個 2200 億參數的專家混合模型,啟用 120 億參數,上下文長度 1,048,576 個 token,輸入影像、輸出文字,採用騰訊 Hy 授權。Qwen3.8-Flash 自 2026 年 8 月 26 日阿里巴巴隨 Qwen3.8-Flash-Next 權重一同開放以來,便一直可在 QwenCloud 上使用:1250 億參數的專家本體啟用約 60 億,外加 510 億參數的 n-gram 嵌入表,可輸入文字、影像與影片並回傳文字,上下文 1M、最大輸出 131K。
所以這個比較的樣態很不尋常。一個模型是市場上文件記錄最完整的廉價層級,另一個則是最缺乏記錄的。一個有獨立的基準測試列,另一個則是 404。而且兩張價目表以不同貨幣計價、銷往不同市場,並以不同份量的細則條款來對沖。有趣的地方不在輸入那一行的 2.1 倍——而是當你不再為 token 定價、開始為完成的工作定價時,那個差距會變成什麼樣子。
費率卡上的反轉,優先於其他一切
Tencent 的 Hy4 flash 中國大陸價目表顯示:每百萬輸入 ¥0.5、每百萬輸出 ¥2,以及每百萬快取輸入 ¥0.02。Tencent 以美元列出同樣三項價格,分別為 $0.070、$0.281 和 $0.003。QwenCloud 的 Qwen3.8-Flash 價目表顯示:輸入 $0.15、輸出 $0.47、快取讀取 $0.016,以及每百萬明確建立五分鐘快取 $0.20。
• 輸入 — $0.070 對比 $0.15。Hy4 flash 便宜 2.1 倍。
• 輸出 — $0.281 對比 $0.47。Hy4 flash 便宜 1.7 倍。
• 快取輸入 — $0.003 對比 $0.016。對於任何重複傳送固定提示詞的 agent 而言,Hy4 flash 在佔比最大的計費項目上便宜 5.3 倍。
• 以 3:1 的輸入對輸出比例混合計算——每百萬約 $0.123,相較於 $0.230。
• 以 1:3 混合,以輸出為主——約 $0.228,相較於 $0.390。
那確實是一個實質差距,而且比主要比率所暗示的差距更小,因為輸出欄位才是這兩個模型在代理式工作上實際花錢的地方,而輸出差距僅有 1.7 倍。這也小於這兩個模型各自與西方旗艦模型相比所顯現的差距,而西方旗艦模型正是它們各自在本層級中與之為伍的對象。
對這五行都適用的誠實但書:這些並不是同一種價格。Tencent 的是中國大陸的人民幣牌價,由 Tencent 為英語讀者換算,而且 Tencent 已在這款模型上市首週推出促銷折扣。QwenCloud 的則是全球端點上的美元牌價。位於中國大陸以外、以美元採購的團隊,應把 Hy4 flash 的數字視為目前可取得價格的下限,而不是他們實際會被開立的帳單金額;在以它為依據做任何估算之前,也應重新閱讀該價目卡。
還是照這個量跑吧,因為整體結構依然成立。每天一千萬個輸入 token 和兩百萬個輸出 token,在 Hy4 flash 上花費 $1.26,在 Qwen3.8-Flash 上花費 $2.44——一年下來是 $461 對上 $891,在小型團隊實際能產生的工作量規模下,相差約 $430。把用量組合推向快取,就像任何多輪代理程式所做的那樣,差距就會擴大:兩百萬個全新輸入、八百萬次快取讀取和兩百萬個輸出,每天是 $0.73 對上 $1.37,因為快取讀取比率是 5.3 倍,而不是 2.1 倍。

兩家廠商都把近三分之一的參數用在同一個構想上
這是這場對決中,兩家廠商的發布文章都沒有的並列對照部分,而這也正是這兩款模型的定價差距落在兩倍以內、而非十倍的原因。
Hy4 flash 帶有 635 億個 Engram 參數——這些是學習到的雙字組與三字組表徵,透過多頭雜湊查找檢索,並在第 1、11、21 與 31 層插入主幹。這相當於該模型 2200 億個參數中有 28.9% 位於查找表,而非位於專家之中。Qwen3.8-Flash 則帶有一個 510 億參數的 n-gram 嵌入表,以當前符元加上數個前導符元為鍵,在磁碟上約 1800 億個參數中佔 28.3%。
兩個實驗室、兩個世代,得出相同結論:要為稀疏模型增加能力,最便宜的方法就是不再為它支付逐 token 運算的費用。兩張表都能放在主機記憶體中並以非同步方式預取,因此兩者都不會永久佔用 GPU 記憶體。兩者也都不會為前向傳播增加一次矩陣乘法。實際上,兩者都是在押注:語言模型所需知道的內容有很大一部分,可從最近幾個 token 局部預測出來,而稀疏專家主體應保留給無法預測的部分。
注意力堆疊也彼此呼應。Hy4 flash 以 1:3 的比例,在 42 層中交錯使用 IndexPool 稀疏注意力與 512 個 token 的滑動視窗;騰訊表示,由此產生的 KV 快取僅為 Hy3 的 1/24、Hy4 的 1/6。Qwen3.8-Flash 採用結合 Qwen Sparse Attention 的 Gated DeltaNet,在每四層中的三層將歷史壓縮成固定大小的狀態,其餘層則交由區塊層級索引器處理。兩者都在回答同一個問題——如何在不付出百萬 token KV 快取成本的情況下,服務百萬 token 的視窗——而兩種答案最終都落在某種形式的「不要對所有內容都進行注意力計算」。
差異在於多出來的活躍參數能換到什麼。Hy4 flash 以 113 億個文字參數,對比 Qwen3.8-Flash 的 60 億,運行於 41 層 MoE,每層有 512 個路由專家中的 16 個,外加一個共享專家,潛在空間為 1,536 維。這使每 token 的運算量幾乎翻倍,而該模型每 token 的收費卻不到一半。無論實際情況還有什麼,騰訊並不是從客戶身上回收這筆成本——而是從服務堆疊中回收:4 位元權重、巨型核心,以及 DFly2;後者是 8.5 億參數的草稿模型,會重複使用目標模型的稀疏 KV 與索引選擇,因此無論上下文長度為何,每個草稿 token 最多只會關注約 2,000 個鍵。騰訊表示,將這三者結合後,解碼速度可超過每秒 150 個 token。
每項任務 29.5 分鐘究竟能換來什麼
對這兩個模型而言,按 token 計價都是錯誤的單位;而獨立資料在比較的其中一方具體印證了這一點。
Artificial Analysis 在 Intelligence Index v5.0.1 上給 Qwen3.8-Flash-Next——開放權重產物,而非託管 SKU——評分 28.6,每項任務 $0.569,每項任務耗時超過 29.5 分鐘,輸出速度為每秒 83.6 個 token,首個 token 耗時 2.5 秒,首個答案 token 耗時 68.3 秒。
這五個數字相乘後,會得出比其中任何單一數字都更有用的東西。以每秒 83.6 個 token 計算,持續 1,768 秒,一項任務大約產生 148,000 個輸出 token。以每百萬 token 0.47 美元計算,輸出成本約為七美分。0.569 美元中的另外五十美分是輸入,按每百萬 token 0.15 美元計算,這意味著整個任務至少有 330 萬個輸入 token——若其中一部分是以較便宜的費率從快取提供,則還會更多。面對 100 萬 token 的上下文,330 萬 token 的輸入並不是單一提示詞。它是一個迴圈:讀取、行動、再次讀取,深入二十或三十輪,而且每次都要重建或延續上下文。
這正是這兩款模型所鎖定的工作負載,也說明了 Hy4 flash 的設計取捨為何呈現出這樣的面貌。騰訊的後訓練流程透過強化學習,將平均端到端輸出削減了 50%;其內部盲測評估回報,任務完成時間中位數為 6.7 分鐘,每項任務成本為人民幣 0.26 元——按現行匯率約為 0.037 美元。其內部 WorkIndex 套件將 Hy4 flash 評為 42.1,Hy4 preview 則為 39.7;騰訊表示,其每項任務平均成本為 Hy4 preview 的十三分之一、Hy4 的二十分之一,以及 DeepSeek-V4.1-Flash-1017 在尖峰時段定價的八分之一。
不要拿那些數字去除以 Artificial Analysis 的數字。85 位內部使用者在 259 個 WorkBuddy 任務上的 6.7 分鐘中位數,並不等於 Intelligence Index 上的 29.5 分鐘中位數;廠商自家測試框架得出的每任務人民幣成本,也不等於獨立測試框架得出的每任務美元成本。這些數字所能支持的比較具有方向性,值得直說:Qwen3.8-Flash 實測的每任務成本,主要取決於它花費多少 token 以及耗時多久,而不是取決於它每個 token 收費多少。一個輸出量只有一半、完成時間只有五分之一的模型,每個輸出 token 的成本可能便宜 1.7 倍,而每完成一項工作的成本可能便宜一個數量級。Hy4 flash 究竟是不是那樣的模型,正是目前還沒有人實際測量過的事。
計分板只有一列,而且那一列不是屬於你會呼叫的模型。
有兩項揭露事項,兩者都會改變上述數字能承載多少分量。
首先:Hy4 flash 沒有 Artificial Analysis 頁面。這不是低分,也不是未列入排名——https://artificialanalysis.ai/models/hy4-flash 在 2026 年 11 月 18 日回傳 404,也就是 API 開放後三天、權重釋出後一天。這個模型完全沒有獨立評測。騰訊公布的基準測試表涵蓋的是預訓練基礎檢查點,也就是 Hy4 flash Base 對上 Hy4 Base 與 DeepSeek 的基礎模型,這只能說明預訓練階段的情況,對於你實際會呼叫的指令模型或推理模式則毫無說明。唯一的指令模型證據是騰訊自家提供的:WorkIndex、盲測,以及每任務成本比。
第二:28.6 和 $0.569 屬於 Qwen3.8-Flash-Next,也就是可下載的檢查點。QwenCloud 上的託管版 Qwen3.8-Flash 是另行調校的服務版本;Alibaba 將其作為該系列中已產品化的成員販售,兩者不可互換。Artificial Analysis 也記錄 Qwen3.8-Flash-Next 為 256,000 個 token 的上下文——這是該檢查點在 YaRN 擴展前的原生視窗——而 QwenCloud 以 1M 提供託管模型,最大輸入為 991K。若你為託管模型定價,除了智能分數(那是檢查點的分數)之外,你依賴的是 QwenCloud 的規格卡與 Alibaba 自己的評估。
這種不對稱極為明顯,說起來容易,解決起來卻很難:其中一個模型有一項獨立評分,但這項評分屬於另一件不同的成品;另一個模型則完全沒有獨立評分。任何在這裡宣稱某一方在能力上勝出的文章,都是在憑空捏造。能說的範圍更窄,但仍有用。Qwen3.8-Flash 以 28.6 分,低於同一家族、擁有 7700 億參數的旗艦 Tencent Hy4 的 34.6 分,也低於同一索引版本上 Claude Haiku 5.5 的 36.5 分——這是一個扎實的中階分數,也正是小型 flash 模型應有的表現。在騰訊自家的內部測試套件上,Hy4 flash 的分數高於 Hy4 preview,且遠低於 Hy4;這是用不同工具衡量出的相同相對位置。
影片是唯一能自行決定的一列
上述一切均可爭論。這一點則不然。
• Hy4 flash 輸入——文字與圖像,經由一個源自 SigLIP2-So400m 的編碼器,再通過 MLP 投影器處理。輸出為文字。
• Qwen3.8-Flash 輸入 — 文字、圖片與影片。輸出為文字。
如果你的流程會接收螢幕錄影、通話擷取或影片檔案,Hy4 flash 無法接受,而 Qwen3.8-Flash 可以。開放權重幫不上忙,適配器也幫不上忙,再大的價格優勢也無法彌補。兩者都擁有百萬 token 的上下文,都能處理文件和螢幕截圖,而在這個共同基礎上,比較仍未有定論;在影片方面,則已分出高下。
Tencent 自身為 Hy4 flash 建議的工作負載,與這條界線一致——深度搜尋、文件處理、簡報製作、簡單前端示範、電腦操作——而它自身的指引則把長時程軟體工程導向 Hy4。這是廠商承認了上限,這比大多數上市宣傳文案更有資訊量,也值得直接採信。
兩者皆可下載,且下載的內容並不等同。

Hy4 flash 於 11 月 17 日以開放權重形式發布:tencent/Hy4-flash、tencent/Hy4-flash-FP8 和 tencent/Hy4-flash-base。11 月 18 日的一份檔案清單顯示,BF16 檢查點為 440.5 GB,共 148 個分片;FP8 版本則為 287.1 GB。Qwen3.8-Flash-Next 自 8 月 24 日起公開,大小為 360.0 GB,共 131 個分片。
• 部署配方 — 騰訊發布固定版本的映像檔 vllm/vllm-openai:hy4-flash 與 lmsysorg/sglang:hy4-flash,並明確列出 tensor-parallel-8 與 speculative-decoding 旗標。Qwen3.8-Flash-Next 自發布當週起即支援 SGLang、vLLM 與 Transformers。
• Transformers — Hy4 flash 需要從 Pull Request ref `refs/pull/50903/head` 安裝,因為相關支援尚未進入 main。Qwen3.8-Flash-Next 則從 main 載入。
• 量化 — Tencent 推出官方 FP8 版本與 AngelSlim GGUF;Qwen 生態系已有四個月的時間來產出自家社群量化版本。
{{1}}生態系訊號{{/1}}——{{2}}Qwen3.8-Flash-Next{{/2}} 在過去一個月錄得 {{3}}2,983,542 次下載{{/3}},並於 11 月 18 日獲得 {{4}}7,276 個讚{{/4}}。前一天發布的 {{5}}Hy4 flash{{/5}} 則顯示 {{6}}96 個讚{{/6}},下載次數為零。
• 硬體 — 440 GB 的 BF16 權重無法放進八張 80 GB 的顯示卡,因此以 287 GB 的 FP8 版本部署在八張 H100 上,才是現實可行的單節點部署方式,而這正是騰訊自家方案所指定的 TP=8 配置。
釘選的映像檔與 PR-ref 安裝並不構成不合格;這代表你執行的是騰訊測試過的建置,而非已發布的建置,差別在於下一個錯誤由誰負責。Qwen 在這裡的優勢完全取決於經過的四個月時間,而且會逐漸消退。今天這項優勢確實存在,且僅次於缺少的基準測試列,是本次比較中第二大的差距。
這兩份授權條款都包含模型即服務條款,而且它們是不同的條款。
兩個模型都可免費下載,且兩者都不是無條件可免費轉售,但觸發條件的形式不同;如果你為他人託管模型,這項差異就很重要。
• Tencent Hy License v1.0 — Apache 2.0 的衍生授權條款。第 10.2 條規定,若您經營模型即服務(model-as-a-service)業務,且於任何十二個月期間的全球總收入超過 5,000 萬美元,或您的產品月活躍用戶數超過 1 億,則須另行取得書面授權。第 10.3 條豁免內部使用。
• Qwen Community License 1.0 — 任何 {{1}}Model-as-a-Service 或 AI Work Assistant 業務,無論規模大小{{/1}},均須另行取得授權;內部使用則不在此限。此外,{{2}}若您的月活躍使用者超過 1 億人或月營收超過 2,000 萬美元,則須以顯著方式顯示模型名稱{{/2}}。
• 值得讀兩遍的 Qwen 除外條款——該授權明確將「僅轉發對其他第三方所託管模型的請求」排除在「模型即服務」(Model as a Service)的定義之外。Tencent 的授權則沒有對應的句子。
兩者都沒有附帶地域限制,這一點是若干中國開放權重授權條款所不及的。如果你是在打造內部工具,兩者無論規模多大都免費。如果你打造的是轉售推論服務的產品,騰訊的門檻較簡單,而 Qwen 的轉接例外條款對某類中介業者較寬鬆;至於哪一個對你有約束力,取決於你屬於這兩種業務中的哪一種。
今天一鍵可呼叫什麼?

Qwen3.8-Flash 已在 OrcaRouter 目錄中,型號為 qwen/qwen3.8-flash,每百萬輸入 token 為 0.15 美元、每百萬輸出 token 為 0.47 美元,快取讀取為 0.0184 美元——QwenCloud 公布的提示與補全費率 以 0% 加價原樣傳遞,因此此模型的供應商降價會在其發生當天反映給您,而非等到下一次目錄同步。
Hy4 flash 尚未上架目錄。這個系列目前有的是 tencent/hy4-preview,每百萬 token 為 $0.834 與 $2.501,快取讀取為 $0.042——這正是 Hy4 flash 蒸餾所依據的模型,也是在 flash 路線正式推出前,用來對照騰訊自家 API 的合適基準。說成別的,就等於宣稱一條我們並不存在的路線。
這種不對稱讓你有一個便宜的方法,可以自己解決這場爭論。用你手上已有的金鑰,在 qwen/qwen3.8-flash 上跑你最具代表性的二十項任務,並透過騰訊的金鑰在 Hy4 flash 上跑同樣的任務。記錄輸入 token、輸出 token、快取命中、實際耗時,以及輸出是否可用。你得到的每項任務比率,是騰訊「十三分之一」說法中唯一適用於你流量情境的版本,而且只花你一個下午,而不是一次遷移。
當 flash 路由真正上線時,有用的模式是路由規則而非開關:把影片擷取層放在 Qwen 路由上,因為它是兩者中唯一接受影片的;並把文字與文件層放在你自己的數據最看好的模型上。路由 DSL能在單一端點中表達這種拆分,自動容錯移轉意味著一條未經證實、才上線兩天的路由劣化時,不會拖垮整條管線,而同一把金鑰無需第二份合約就能觸及超過 200 個模型。
這項決定,以三種情形說明
如果您需要視訊輸入,比較就到此為止。Qwen3.8-Flash 支援,Hy4 flash 不支援,而少了這項模態,再怎麼談價格都站不住腳。
如果你的模型在接觸任何面向客戶的流程之前,需要先有一個獨立評分,那麼基於同樣的理由,你其實已經有答案了。在 Intelligence Index v5.0.1 上拿到 28.6 是個不算高的數字——低於騰訊自家旗艦模型的 34.6,也低於 Claude Haiku 5.5 的 36.5——但它是實測、公開且可重現的,而 Hy4 flash 完全沒有這類東西。這點大概會改變;這是任何人能針對這個模型公佈的最有價值的一件事。
如果你的工作負載是高流量的文字與文件、對延遲敏感,而且你能自行執行評估,那麼 Hy4 flash 值得你花上一個下午。以不到一半的輸入價格換來將近兩倍的活躍參數,並不是尋常的交易;快取輸入的價格為 $0.003,讓長時間運行的代理幾乎可以免費重新提示,而權重意味著價格只是其中一個選項,而非唯一選項。進去之前要知道:你是第一個測量它的人、它公布的基準表描述的是與你將呼叫的檢查點不同的檢查點,而且 440 GB 的 BF16 權重若沒有 FP8 版本,將無法裝進單一節點。
值得留意的數字不是另一篇發布文,而是 Artificial Analysis 中 Hy4 flash 的那一行,因為它把廠商內部的比率,轉換成一個你可以直接拿來對照 Qwen3.8-Flash-Next 每項任務 29.5 分鐘、0.569 美元的數字。如果 Hy4 flash 在每項任務成本上明顯低於那個數字,同時指數只落後幾個點,那麼價格差距就是全部重點,這個層級會圍繞它重新排列。如果它之所以便宜,是因為每項任務做的工作較少,那它就是一款價目表異常漂亮的文件與投影片模型,而 Tencent 自己的部署指引也已經這麼說了。
本文中的比較3
根據本文內容識別
