ARTICLE · 1321255
【AI热点速递】第45期 腾讯混元 Hy4 正式版深度解析:770B旗舰从纯文本走向多模态Agent,国产开源模型进入新阶段
腾讯混元 Hy4 正式版深度解析：770B旗舰从纯文本走向多模态Agent，国产开源模型进入新阶段
热点速览
2026年11月4日，腾讯混元正式发布 Hy4 大模型。从8月的 Preview 版到正式版，两个月的迭代不仅是训练规模的扩展，更是能力边界的系统性跃迁——首次引入视觉理解和电脑操作（Computer Use）能力，标志着混元从纯文本大模型正式迈入多模态智能体时代。
在覆盖579项真实金融任务、213位金融专家参与的盲测中，Hy4 以3.04分的综合评分超过 DeepSeek-V4.1-Flash（2.97）、Kimi K3.1 Pro（2.68）和 GLM-5.3（2.68）等开源竞品。幻觉率从 Preview 版的 12.95% 降至 7.2%，因猜测导致的错误率从 23.1% 降至 5.6%。
更值得关注的是，混元团队在官方研究页明确承认——Hy4 与顶尖闭源模型仍然存在较大差距，尤其在前沿数学、长程开发、模型迭代、视觉问答等高难度测试集上。这种坦诚在行业里并不多见，也恰恰说明国产开源阵营正在建立更成熟的自我认知。
对国内开发者而言，Hy4 的意义不止于又多了一个模型选项。它背后折射的，是国产大模型从「参数竞赛」走向「能力落地」的关键节点，以及开源生态竞争进入白热化的产业信号。
深度解析
一、从纯文本到多模态 Agent：两个月到底升级了什么
Hy4 Preview 发布于2026年8月28日，定位是纯文本 MoE 模型。两个月后的正式版，核心变化不是简单的「参数更大了」，而是三个维度的能力跃迁。
第一个维度是多模态感知的引入。Hy4 首次具备视觉理解能力，覆盖细粒度图像处理、复杂图表分析、视觉数学推理等场景。这不是简单的图文拼接——模型需要将视觉信号与语言模型的推理链路深度融合，才能完成「看懂图表→提取数据→逻辑分析」的完整流程。
第二个维度是电脑操作（Computer Use）能力。Hy4 支持命令行（CLI）与图形界面（GUI）两种交互方式，针对 Blender、CAD 等专业软件做了专项训练。这意味着模型不再只是「输出答案」，而是可以像人一样操作软件、在多个应用之间协调任务、完成端到端的工作流。这是从「工具」到「智能体」的关键一步。
第三个维度是长程任务稳定性的系统性提升。官方数据显示，Hy4 在 GameDev 评测中较 Preview 版提升 19.1%，GameLogic 提升 9.8%。游戏开发是典型的长程复杂任务——需要理解需求、规划架构、编写代码、调试运行，任何一步出错都会导致整体失败。19.1% 的提升背后，是指令遵循、状态跟踪、错误恢复等多方面能力的综合进步。
这三个维度不是孤立的。视觉理解让 Agent 能「看见」屏幕上的内容，电脑操作能力让它能「动手」执行任务，长程稳定性则保证它能「坚持」把事情做完。三者结合，才构成了一个真正可用的多模态智能体基础。
二、技术架构的几个关键细节：为什么 Hy4 能做到
架构层面，Hy4 Preview 已经公开了一些值得关注的设计，正式版在此基础上做了进一步优化。虽然官方尚未披露正式版的完整技术报告，但从已公开的信息中，我们可以梳理出几个核心技术点。
MoE 规模与稀疏注意力的组合。Preview 版采用 770B 总参数、49B 激活参数的 MoE 架构，256 个路由专家 + 1 个共享专家，每 Token 选 8 个路由专家。在此基础上，Hy4 使用了 Gated DeepSeek Sparse Attention（门控稀疏注意力）和 IndexCache 技术——通过索引器选择关键位置计算注意力，将核心注意力计算从全序列的 O(n²) 降为选定位的 O(k²)，配合 IndexCache 在相邻层间复用稀疏 Token 选择，进一步降低计算开销。这也是为什么 770B 规模的模型能以相对可控的成本运行。
Identity Hyper-Connections（身份超连接）。Hy4 使用了 4 条残差流的超连接结构，将传统的单条残差通路扩展为多条跨深度、跨宽度的连接。这种设计理论上能缓解深层模型的梯度消失问题，提升训练稳定性。不过需要指出的是，Hyper-Connections 此前主要在小规模模型上验证，Hy4 是少有的在超大规模 MoE 上应用该技术的案例，其实际效果还需要更多独立实验来确认。
Hyra 2.0 训练基础设施与递归自我改进（RSI）。腾讯混元自2026年2月重建基础设施以来，保持了平均每两个月一个大版本的迭代节奏。这个速度的背后是 Hyra 2.0 训练框架的支撑。更有意思的信号是，官方提到 Hy4 正在推进 Recursive Self-Improvement——用模型来优化模型的训练基础设施。如果这条路走通，后续的迭代速度可能会进一步加快。
需要特别说明的是，正式版的具体参数量官方并未单独披露。目前流传的「770B/49B」实际上是 Preview 版的数据。官方只说「显著扩展了预训练和后训练规模」，并未确认正式版是否沿用相同的参数规模。技术分析时需要注意这个细节，不能想当然地把 Preview 的参数套到正式版上。
三、「承认差距」比跑分更重要：开源模型的真实定位
Hy4 发布稿里最有价值的一句话，可能不是任何一项跑分成绩，而是官方坦诚写下的那句：「与顶尖闭源模型仍然存在较大差距」。
这句话之所以重要，是因为它打破了一个行业误区——很多人喜欢用「某某开源模型接近 GPT-4」之类的说法来制造兴奋，但实际上，开源模型与前沿闭源模型之间的差距是系统性的，不是靠一两个基准测试的分数就能抹平的。
具体到 Hy4，官方明确指出差距主要在四个方向：前沿数学推理、长程软件开发、模型自我迭代、视觉问答。这四个方向恰恰是当前大模型能力的「深水区」——需要的不只是知识量，更是深度推理、长期规划、创造性解决问题的能力。
那么，开源模型的价值在哪里？答案是「够用的能力 + 可控的成本 + 数据主权」。
对大多数企业场景而言，你不需要模型能独立攻克数学难题，你需要的是它能稳定处理日常的文档分析、代码生成、客服对话。在这些场景下，开源旗舰模型已经能达到「够用」的水平，而本地部署带来的数据安全、成本可控、定制化空间，是闭源 API 无法替代的。
Hy4 的定价也印证了这个定位——输入 6 元/百万 Token、输出 18 元/百万 Token，与 Preview 版持平。相比 GPT-6 系列的定价，这是一个数量级的差距。对中等规模的企业应用来说，这个价差足以决定一个 AI 项目是否能跑通商业模型。
技术/产业影响
对开发者而言，Hy4 提供了一个新的高性价比开源旗舰选项。尤其是在中文场景和国内生态下，腾讯的基础设施支持（TokenHub、WorkBuddy、CodeBuddy 等）意味着更低的接入门槛和更稳定的服务。11月4日至15日的免费试用窗口，值得团队花时间做一下实际场景的 Benchmark。
对企业技术负责人而言，需要关注的是多模态 Agent 的本地化部署可能性。如果 Hy4 的 Computer Use 能力确实达到可用水平，那么很多此前只能依赖闭源 API 的智能体场景（如内部系统操作、专业软件辅助）就有了私有化部署的选项。这对金融、政务等数据敏感行业尤其重要。
对行业格局而言，国产开源大模型的竞争正在加速。从 DeepSeek 到 Kimi，再到混元、Qwen，各家都在快速迭代。这种竞争对开发者是好事——选择更多、价格更低、能力更强。但同时也要注意，过快的迭代节奏可能导致生态碎片化，团队选型时需要综合考虑模型能力、社区生态、长期维护承诺等多个维度。
最后提醒一点：Hy4 正式版的权重开源计划已经公布，但具体时间和系统卡片尚未发布。在权重正式开源之前，所有关于「可本地部署」的讨论都还是预期。建议团队先通过 API 做能力验证，等权重和部署方案明确后再评估私有化方案。
互动问题
1. 你认为国产开源模型与 GPT-6 / Claude 5 等顶尖闭源模型的核心差距在哪？是参数规模、训练数据、还是算法架构？
2. 如果在你的项目中做开源大模型选型，Hy4、Kimi K3.1 Pro、DeepSeek-V4 你会怎么选？最看重哪个指标？
3. 你觉得 Computer Use 能力在真实业务场景中，最先落地的会是哪个领域？
