腾讯混元 Hy4：从“会写“到“会看、会动手“的开源旗舰

/* MD / 富文本中的 .toc（含博客园搬家等嵌套结构）；.toc-box 在侧栏，不受影响 */
#content_views .toc,
/* 编辑器常在目录前后插入空 p（:empty 仍占 20px），一并去掉避免顶空隙 */
#content_views.markdown_views > p:empty:has(+ .toc),
#content_views.markdown_views > .toc + p:empty,
/* 富文本旧版目录标记 */
#content_views.htmledit_views #main-toc,
#content_views.htmledit_views #hr-toc,
#content_views.htmledit_views p[id*=\”-toc\”] {
display: none !important;
}
/* 目录去掉后，紧跟的首个标题不再多出一块上边距 */
#content_views.markdown_views > .toc + h1,
#content_views.markdown_views > .toc + h2,
#content_views.markdown_views > .toc + h3,
#content_views.markdown_views > .toc + h4,
#content_views.markdown_views > .toc + p:empty + h1,
#content_views.markdown_views > .toc + p:empty + h2,
#content_views.markdown_views > .toc + p:empty + h3,
#content_views.markdown_views > .toc + p:empty + h4 {
margin-top: 0 !important;
}

先说结论。2026 年 11 月 4 日发布的混元 Hy4，是腾讯混元第一次真正把"视觉"和"操作电脑"接进主模型，也是混元系列第一次挤进全球最强开源模型的讨论范围。770B 总参数、49B 激活的 MoE 架构，1M 上下文，价格没涨，还宣布会开源权重。对普通用户来说，它意味着元宝、ima、WorkBuddy 里的回答突然"看得懂截图了"；对开发者来说，它是一个兼容 OpenAI 协议的、能处理图表和长文档的国产选项。

下面按"它是什么—它强在哪—它怎么用—它有哪些坑"四段来讲。

一、参数与迭代节奏：一年内从 295B 爬到 770B

Hy4 之前是 Hy3 系列，295B 总参数、21B 激活；Hy4 直接翻到 770B / 49B。激活参数只涨了一倍多，总参数涨了近三倍，这是典型的"扩知识容量、控推理成本"的 MoE 思路——推理时真正参与计算的仍然是 49B 那一小部分专家。

这个跃升不是突然发生的。腾讯混元自 2026 年 2 月重建训练基础设施后，走的是"先发 Preview、按用户反馈改、再发正式版"的节奏，平均每两个月出一个大版本。Hy4 Preview 在 8 月上线，两个多月后 Hy4 正式版把预训练和后训练的数据量、训练规模又扩了一轮，重点补的是指令遵循、长文理解、长程任务和深度研究四项。官方还提到，借助 Hyra2.0 优化了同架构小模型的预训练设施，并自动训练出多项评测优于官方版本的 Jev 模型；下一代 Hy5 规模会继续扩大。

值得注意的是官方自己承认的话：Hy4 已经是最强开源模型之一，但与顶尖闭源模型"仍然存在较大差距"。这句表态在国内厂商里不算常见，写选型报告时可以原样引用。

二、视觉理解：不是"能看图"，而是"看得足够细"

Hy4 最实质的变化是把图像、图表、视频帧变成一等输入。宣传里两个数字最能说明它的分辨率感知能力：

• 在 28 亿像素的航拍图里定位约 2 米大小的屋顶构件；

• 重组 900 片拼图，还原莫奈《博尔迪盖拉》。

这两件事的难点不在"识别物体"，而在"在大范围像素里保持空间定位不漂"。普通多模态模型看一张缩略图就丢了坐标，而定位两米的构件要求模型把视觉 token 和空间推理绑在一起。

除此之外，它能做的是几类具体活儿：

• 复杂图表解读：从财报图表、宣传物料里把散落的数字抽出来，算实际值，还要能识别视觉层面的误导设计（比如纵轴不从零开始、双轴缩放）。这条能力对做尽调、审稿件的人很实用。

• 文档理解与视觉数学：带图的数学题、带图的表格题，把视觉信息和符号推理拼起来解。

• 多图联合判断：几张图互相参照着看，不是一张一张孤立地回答。

• 需求转成品：输入一张"大湾鸡"的平面图，让模型输出 3D 模型，它理解指令、读原图，八分多钟后交付。这是官方演示过的场景。

这里要提醒一句：视觉能力的强弱很依赖输入分辨率。API 侧图片是按 token 计的，你把图压得太狠，小字和细节就没了，模型再强也读不出来。

三、Computer Use：第一次能"动手"，而且 GUI 和命令行都会

Hy4 首次支持电脑操作，可以同时走两条通道：

• 图形界面：看屏幕、认控件、点击、输入；

• 命令行：写命令、跑命令、读输出。

两条通道能来回切换，这件事比听起来重要。真实任务往往前半段在 GUI 里点（比如打开 CAD 图纸），后半段要落到 shell 里批量处理文件，只能点不能敲的 Agent 一到这种地方就卡死。

针对专业软件它做了专项训练，明确点名的是 Blender 和 CAD。这两个软件的操作逻辑都不是"点按钮"，而是"先设上下文再操作视图"，对模型的软件理解要求很高。此外它被训练过跨应用长程任务——在多个程序之间来回倒手，还要保持整条任务链不掉线。

从产品形态看，这条路指向的是"能替你干完一件事"的 Agent，而不是"能陪你聊两小时"的 Chatbot。

四、四个真实场景的实测数据

办公协作（WorkBuddy）

平均效果得分 83.18，任务通过率 96.15%，12 个评测场景中 9 个国内第一。实际体验里视觉创意、3D 场景构建、网页开发三项做到了效果和速度兼顾。它还能连企业微信套件里的聊天记录、邮件、文档、日程、会议，把多项目进展捋清楚、识别待办、排优先级。

金融分析

混元联合腾讯金融科技 FiT 做了 213 位专家的众测，其中 153 位来自外部头部机构，七成有五年以上经验；579 个真实金融任务盲测得分如下：

模型

众测得分

综合表现居开源模型第一。金融智能体公司讯兔的内部评测 IRAB 上，Hy4 比 Preview 提升 12.03 个百分点。

科学研究

小鼠胚胎三维重建任务，84 张无序二维切片、含 699 万个细胞、还有镜像翻转问题，在离线、没有专用配准工具、没有细胞类型标注的条件下，1.5 小时内完成切片对齐与三维重建，全程无人干预，效果优于常用配准工具的默认流程。这个案例的价值不在于"快"，而在于"工具受限环境下的自主推进"——这才是科研 Agent 真正难的地方。

游戏开发

深度适配 UE、Unity、Godot，GameDev 评测比 Preview 提升 19.1%，GameLogic 提升 9.8%，并开始往多人联机场景拓展。

五、上下文、协议与推理开关

• 上下文窗口 1M，TokenHub 侧最大输入 960K，最大输出 64K。对比 Hy3 的 256K/192K/128K，输入上限涨了五倍。960K 大约相当于几十万汉字，一整本技术手册塞进去不用切片。

• 同时兼容三套协议：OpenAI Chat Completions、OpenAI Responses、Anthropic Messages。这意味着你现有的 OpenAI SDK 代码改一个 base_url 和 model 名就能跑；Claude 那套工具调用写法也能直接迁移。

• 深度思考用 thinking: {"type": "enabled"} 打开，返回体里多一个 reasoning_content 字段；reasoning_effort 支持 high 这类档位。

六、榜单与定价：能力成本比是它真正的卖点

Artificial Analysis 11 月 5 日发布的智能指数榜单上，Hy4 在 724 款模型中跻身前列，中国模型里排第二，仅次于 Kimi K3.1 Pro。更关键的是成本效率：单任务成本约 0.78 美元，同分数区间里比 Grok 4.7（xhigh）便宜约 10 倍、比 Qwen3.8 Max 便宜约 13 倍。在偏真实智能体任务的 Agent Arena 上，Hy4 总榜第 13，是全球开源模型第一。

定价维持 Preview 水平不变：

计费项

价格（元/百万 tokens）

即日起至 2026 年 12 月 31 日，TokenHub 按刊例价 5 折计费；WorkBuddy / CodeBuddy 在 11 月 4 日至 15 日给一定免费额度。官方同时预告了 Hy4 flash，继承 Hy4 能力但大幅压低任务成本。

七、三种用法：产品、API、开源权重

直接用现成产品

• 元宝 / ima：日常问答、文档与知识库场景，能直接吃到视觉能力。

• WorkBuddy / CodeBuddy：办公写作与编码，人机双写在文档美观度和稳定性上有明显提升。

• 企业微信智能助理"大圆"：企业内部问答与流程助手。

• 腾讯云 TokenHub：面向开发的统一入口。

• 第三方平台：API 已接入 OpenRouter、Hermes、OpenCode，海外的可以走这些。

调 API（大多数人的路径）

准备：注册腾讯云账号 → 开通 TokenHub → 控制台拿 API Key。域名按区域选：

• 广州（中国大陆调度）：https://tokenhub.tencentmaas.com

• 新加坡（全球调度）：https://tokenhub-intl.tencentcloudmaas.com

• 硅谷（美国）：https://tokenhub-us.tencentcloudmaas.com

最小可用请求：

curl -X POST 'https://tokenhub.tencentmaas.com/v1/chat/completions' \\ -H 'Authorization: Bearer YOUR_API_KEY' \\ -H 'Content-Type: application/json' \\ -d '{ "model": "hy4", "messages": [{"role": "user", "content": "把这段合同里的付款节点整理成表"}], "temperature": 0.9, "stream": false }'

Python 直接用官方 OpenAI SDK：

from openai import OpenAI client = OpenAI( api_key="YOUR_API_KEY", base_url="https://tokenhub.tencentmaas.com/v1", ) resp = client.chat.completions.create( model="hy4", messages=[{"role": "user", "content": "你好，简单介绍一下自己"}], temperature=0.9, ) print(resp.choices[0].message.content)

流式输出要加 stream: true；想拿到完整 usage，再加 stream_options: {"include_usage": true}，否则最后一个 chunk 里没有 token 统计。

深度思考：

resp = client.chat.completions.create( model="hy4", messages=[{"role": "user", "content": "小明有5个苹果，给小红2个，又买3个，还剩几个？"}], extra_body={"thinking": {"type": "enabled"}}, ) msg = resp.choices[0].message print(getattr(msg, "reasoning_content", "")) # 思维链 print(msg.content) # 最终答案

reasoning_content 不是 OpenAI SDK 声明的字段，Python 端必须用 getattr 取；Node.js 端 SDK 会把 thinking 平铺到顶层，直接传即可。

图片理解走标准 OpenAI 多模态格式，content 传数组：

resp = client.chat.completions.create( model="hy4", messages=[{ "role": "user", "content": [ {"type": "text", "text": "这张图表里，2025年Q4的毛利率是多少？帮我核对纵轴是否从零开始"}, {"type": "image_url", "image_url": {"url": "https://example.com/chart.png"}}, ], }], )

工具调用这里有个坑必须讲清楚：多轮 Agent 循环里，第一轮返回的 assistant 消息要原样回填，包括 reasoning_content 和 tool_calls；然后追加一条 role: "tool"、带 tool_call_id 的消息。少了 reasoning_content，模型的思考链就断了，会出现工具结果明明对了但结论跑偏的情况。官方文档专门强调这一点。

from openai import OpenAI client = OpenAI(api_key="YOUR_API_KEY", base_url="https://tokenhub.tencentmaas.com/v1") # 第 1 轮：模型可能选择调用工具 r1 = client.chat.completions.create(model="hy4", messages=messages, tools=tools, tool_choice="auto", extra_body={"reasoning_effort": "high"}) msg1 = r1.choices[0].message # 回填 assistant（务必保留 reasoning_content + tool_calls） messages.append({ "role": "assistant", "content": msg1.content or "", "reasoning_content": getattr(msg1, "reasoning_content", ""), "tool_calls": [tc.model_dump() for tc in (msg1.tool_calls or [])], }) for tc in (msg1.tool_calls or []): messages.append({"role": "tool", "tool_call_id": tc.id, "content": run_tool(tc.function.name, tc.function.arguments)}) # 第 2 轮：把工具结果送回，模型继续推理 r2 = client.chat.completions.create(model="hy4", messages=messages, tools=tools)

省钱的四个实操点

一个粗算

假设 100 万次调用，每次输入 2000 tokens（其中 1500 命中缓存）、输出 300 tokens：

• 缓存命中：1500 × 100 万 = 1500 百万 tokens × 0.3 元 = 450 元

• 未命中输入：500 × 100 万 = 500 百万 × 6 元 = 3000 元

• 输出：300 × 100 万 = 300 百万 × 18 元 = 5400 元

• 合计 8850 元，5 折期约 4425 元，摊到每次不到半分钱。

同样的量如果全不命中缓存，输入侧就是 12000 元，差 7500 元。缓存策略做不做，成本差一倍。

开源权重

官方说会开源模型权重并发布模型系统卡片。私有化部署、数据不出内网、做二次微调，都等这一步落地。不过要注意，权重开源不等于"能跑起来"——770B 总参数即使只激活 49B，显存和推理框架的要求也不低，中小团队做量化部署前先算清楚账。

八、必须知道的边界

能力边界。官方自己说了与顶尖闭源模型仍有较大差距。翻译成人话：复杂逻辑链、超长任务稳定性、边缘 case 的处理，别指望它一把过。

安全策略。混元在训练阶段对网络安全数据做了裁剪，只纳入与 PoC 生成、漏洞修复相关的防守性数据，剔除攻击性训练内容；结合内部专家审计和自动评测，判断其网络进攻能力未展现突出风险，也未发现能显著降低实施生物危害行为的门槛。这是"负责任开源"的说法，但意味着你拿它做渗透测试类工作会受限。

Computer Use 要有沙箱。让模型操作你的真机，风险等同于让实习生用你的账号。容器隔离、权限最小化、关键操作人工确认，这三样一个都不能省。

稳定性有波动。发布次日调用量激增，腾讯对推理集群做了 10 倍扩容。新模型上线初期的高峰抖动是常态，生产环境要备好重试和降级（可先退到 Hy3 或同族其他版本）。

视觉的隐性可靠度。小字、低对比度、手写体、加密字体，任何模型都会翻车。涉及合同金额、票据编号这类必须准确的内容，OCR 结果要交叉校验，别把模型读出来的数字直接落库。

九、选型建议

需求场景

推荐

理由

十、一句话收尾

Hy4 的意义不在于"又一个国产大模型"，而在于开源阵营第一次有了能看 28 亿像素图、能自己在 Blender 里建模、能在 1.5 小时里无人干预完成科研三维重建的模型，而且价格压在 0.78 美元一个任务。它离顶尖闭源还有距离，但那个距离现在是可以算成本去追的了。

如果你要把它接进现有系统，最省事的路径就是：拿 OpenAI SDK、改 base_url、model 填 hy4、把稳定前缀提到最前面吃缓存价。三步，半小时能跑通第一个请求。

资料来源

• 腾讯混元官方发布：Hy4 正式发布，跻身最强开源模型之列（2026-11-04）

• 腾讯云开发者社区：什么是混元 Hy4（2026-11-05 更新）

• 腾讯云 TokenHub：Hy API Guide（2026-11-04 更新）

• 腾讯云 TokenHub：API Usage Instructions（域名与鉴权说明）

• 南方都市报：引入视觉理解能力，腾讯新模型长出眼睛，调用激增扩容 10 倍（2026-11-05）