163名内部专家，203个工程任务，盲测。
腾讯Hy4 preview均分2.99，智谱GLM-5.3是2.92，月之暗面Kimi K3是2.94。最高和最低差了0.07分。
这个数字小到几乎没有意义。如果是在跑分榜单上，0.07分连测量误差都算不上。但恰恰是这个微不足道的差距，暴露出国产大模型竞争正在发生的一件事。
跑分卷不动了。不是能力到顶了，是赛道换了。
8月28日，腾讯混元发布新一代旗舰模型Hy4 preview，770B总参数，49B激活参数，1M上下文，开源，Apache-2.0协议，BF16和FP8权重都放了出来。从参数到上下文，全面翻倍。但这不是今天最重要的事。
整个8月，国产大模型像商量好了一样集中交卷。DeepSeek更新了V4-Flash和V4 Pro，千问推出Qwen3.8-Max，智谱发布GLM-5.3，前两天智谱和千问还同时掏出Flash模型试图刷新斩杀线。腾讯混元压哨交卷。
Terminal Bench 2.1测试中，Hy4 preview拿下85.4分，跟Claude Opus 5持平，超过DeepSeek V4 Pro的80.3。DeepSWE测试从Hy3的28.0翻到64.3。Toolathlon工具调用测试74.1分，超过千问3.8 Max和GPT-5.6 Sol。
跑分很漂亮。但如果只看跑分，你会错过这次发布真正有意思的东西。
Hy4 preview的每项基准测试都不是最低的。要知道，它的总参数770B、激活参数49B，远不及那些闭源竞争对手。但ProgramBench得分17.5，远低于Claude Opus 5的39.5。不带工具的纯推理任务上，跟最强闭源模型还有差距。
这不是缺陷。这是选择。
腾讯混元团队给Hy4 preview的定位是"为生产力而生"。听起来像套话，但深入架构底层会发现，这四个字是认真写在模型骨头里的。
78层网络，第一层是标准FFN，其余77层全是MoE。每层256个路由专家加1个共享专家，但每个Token只激活其中8个路由专家。对比上一代Hy3的192个专家，Hy4优先扩充的是专家池的横向宽度，不是每个Token经过的专家数量。
770B是知识容量的指标，49B才是推理成本的指标。庞大的专家池让模型在代码、金融逻辑、科学文献这些不同领域形成更精细的分工，同时推理成本不会跟着总参数线性膨胀。单Token实际调用的计算量仅占总参数的6.4%左右。
| 维度 | Hy3 | Hy4 preview | 变化 |
|---|---|---|---|
| 总参数 | 295B | 770B | 2.6倍 |
| 激活参数 | 21B | 49B | 2.3倍 |
| 上下文长度 | 256K | 1M | 4倍 |
| 专家数/层 | 192 | 256+1共享 | 扩宽池 |
| 隐藏层维度 | 4096 | 6144 | 1.5倍 |
| 网络层数 | 80 | 78 | 微缩 |
| 残差流 | 1条 | 4条（iHC） | 新增 |
这个设计的取向很鲜明。不是追求极致稀疏换低价，而是在交付质量和服务开销之间，把重心压向了前者。隐藏层维度从4096扩到6144，网络层数反而从80缩到78。它摒弃了单纯"加深网络"的粗放路径，把新增容量倾注到更宽的表征空间和更庞大的专家集群中。
Hy3是256K，Hy4扩到1M，四倍。但长上下文真正的难点从来不是"装进去"，是"找得到"。
标准全稠密注意力，每个Token要跟前面所有位置算相关性，计算量跟序列长度的平方成正比。窗口从256K扩到1M，注意力运算量激增近十六倍。
Hy4引入了带门控深度稀疏注意力（Gated DSA），每次只从超长历史里选top-2048个最相关的位置做精细计算。1M满载上下文里，单次查询只聚焦约0.2%的核心历史。加上跨层索引复用机制IndexCache，78层网络里只有约21层独立做索引检索，其余层直接复用相邻层的结果，砍掉了近四分之三的索引扫描。
三者协同构成了长上下文落地的技术闭环。DSA负责少看，IndexCache负责少找，门控与Attention Sink负责精准控制吸收的比例。
传统Transformer每层只有一条残差流。所有信息，任务目标、当前计划、代码状态、工具反馈、异常信号，全压进同一条通道。
Hy4引入了identity Hyper-Connections（iHC），把单一残差流扩展成4条并行通道。不同信息可以沿多条路径跨层传播，每层重新组合。
对一次性问答，这个变化可能不明显。但对需要几十轮工具调用的Agent任务，模型既要保持最初目标，又要吸收中间结果，还要不断更新计划，多残差流就不再是锦上添花了。
这三个架构改造，MoE扩容知识储备，稀疏注意力提高外部记忆检索效率，多残差流扩展内部信息带宽，咬合在一起服务于同一件事，Agent工作流。
大部分报道集中在两个数字上，770B和1M。参数翻倍，上下文翻倍，国产又进步了。
但这只是表皮。
真正值得讲的是腾讯正在验证的一种做法，用产品定义模型，不是用模型寻找场景。
Hy4的后训练数据，由腾讯内部软件工程、游戏、金融、安全领域的专家共建，并且跟CodeBuddy和WorkBuddy做了深度协同设计。这里的协同不是把模型接入产品，是把产品里暴露出来的失败案例，反过来决定训练数据怎么构造、强化学习任务怎么设计、评测集怎么定。
真实Agent的失败往往不是"不会写某行代码"，是更长的链条上出了问题。理解错了隐含约束，忘记检查已有文件，调了错误的工具，改完没跑测试，发现报错陷入循环。这类问题靠单轮问答数据修不了，得把完整执行轨迹当训练单位，用环境里的可验证结果当奖励。
先训练通用模型
再找应用场景
产品被动接入模型
飞轮靠想象
先有真实场景
产品暴露失败案例
失败定义训练方向
飞轮有真数据
Hy4没有公开后训练算法细节。但从能力变化能看出来，优化目标已经从"生成正确答案"转向了"把任务闭环"。
Hy3上线一周，API调用量达到上一代的68倍。WorkBuddy评测里任务成功率推到90%以上。模型变好，产品里任务成功率提高，用户更多调用，新的使用数据和失败案例再回到训练和产品迭代里。
过去大家说Co-design，多少还有点PPT画飞轮的感觉。到了Hy4，这个飞轮开始有真东西可以喂了。
当然，现在给混元下结论太早。ProgramBench 17.5分，不带工具的纯推理任务仍有差距，复杂任务思考时间偏长，过度自我验证导致延迟。官方自己也没回避这些问题。
但有一个信号值得认真对待。腾讯刚刚把大语言模型和多模态团队合并成新的基础模型部，统一交给姚顺雨。文本、图像、视频、语音、3D、强化学习、Agent，不再拆成几条各自发展的路线。
同时，Hy4首次参与自身训练方法、数据策略和评估体系的自动优化。模型提出方案、运行实验、根据结果继续迭代，形成了初步的递归自我改进闭环。
一点不焦虑不可能。混元经历了多个阶段、多次重构，公司整体算力的严重不足，确实拖慢了模型训练和产品发展。但在姚顺雨和研究团队的推进下，Hy4会迎来更多突破。
财报数据显示，本季度腾讯研发投入同比增长35%达到273亿元，资本开支528亿元同比增长176%。混元平均每两个月迭代一次大版本。按照这个节奏，Hy4的下一版已经在路上了。
0.07分的差距，与其说是三个模型实力接近，不如说是在告诉我们，单纯靠跑分拉开差距的时代正在收尾。
当三个国产模型在盲测里咬得这么紧，下一个真正拉开身位的机会，不在于谁的参数更大，在于谁能在真实场景里把任务真正闭环。腾讯用Hy4 preview交了一份方向明确的答卷，它不追求每一项都第一，它追求在真实工作流里持续可用。
聊到这里我突然想起一个事。当年安卓刚出来的时候，诺基亚也在比参数，比屏幕分辨率，比摄像头像素。后来赢的不是参数最强的那家，是把生态和应用做起来的那家。
这条赛道上，目前还没有人跑出绝对优势。但至少，飞轮已经转起来了。