副标题：770B总参数、1M长上下文与真实生产力Agent，腾讯混元Hy4 Preview到底进步在哪？
腾讯混元 Hy4 Preview 已正式发布并开源。与只强调排行榜成绩的模型更新不同，这一代产品把重点放在长程软件工程、复杂办公、游戏原型和科研推理等真实任务上，并继续与 WorkBuddy、CodeBuddy 等产品协同迭代。
官方资料显示，Hy4 Preview 采用混合专家（MoE）架构，总参数达到770B，每个Token激活49B参数，原生上下文长度超过100万Token。模型权重、FP8版本、推理与微调文档均已公开。
想查看官方模型权重、部署命令和最新限制，可通过站内整理的 Hy4 Preview 项目导航 进入，链接指向公开前台页面。
一、从Hy3到Hy4：模型规模与产品路线同时升级
Hy4 Preview 的变化首先体现在规模。上一代 Hy3 Preview 为295B总参数、21B激活参数；Hy4扩大到770B总参数与49B激活参数。更大的模型、训练数据和后训练规模，为长链路规划、复杂上下文理解与多步验证提供了更高上限。
但参数并不是唯一主线。腾讯混元更值得观察的是“模型—产品—真实任务”共同设计：模型在 CodeBuddy 和 WorkBuddy 中接触软件开发、文档、表格、演示和研究任务，产品中的失败案例又反过来进入训练和评测。换句话说，模型能力要通过完整交付来验证，而不是只回答一道题。
二、Coding Agent实测：能否从需求走到可玩的完整产品？
第一组测试不是生成一段静态页面，而是让模型构建可实时操作的3D月球运输游戏。任务同时要求地形、基地、月球车、货物、碰撞、低重力、任务流程、多个镜头、地图和电量系统，并要求模型自行试玩、定位问题和重新验证。
从交付表现看，模型能够把自然语言要求拆成场景搭建、车辆控制、状态管理和任务触发等多个模块。WASD驾驶、自动驾驶、充电站和镜头切换等功能均能运行，说明它不只会“画一个像游戏的页面”，而是在尝试维护完整交互状态。
需要注意，单次演示不能代表所有工程任务都稳定成功。真正的Agent能力还要看仓库理解、依赖处理、测试覆盖、异常恢复和多轮修改后的代码质量。不过，这类复杂原型比传统代码补全更接近真实开发流程。
三、接手“烂项目”：修Bug比从零生成更能检验工程能力
第二组测试把带有缺陷的差旅报销系统交给 Coding Agent，要求它在不能查看评测脚本和参考答案的限制下定位问题，并新增“异常报销审核”功能。
这类任务更接近企业软件开发：模型必须先理解现有代码、权限角色和统计口径，再修复权限错乱、数据计算不一致等问题。新增功能还需要满足员工、经理和财务之间的可见性边界，而不能只让页面出现一个按钮。
工程Agent是否可靠，关键看它能否遵守限制、验证结果并避免破坏原功能。Hy4 Preview在该案例中体现出的价值，是将问题定位、代码修改、权限校验和交付验证串成较完整的链路。
四、游戏与创意开发：从搜索资料到持续扩展世界
为了测试模型处理模糊创意需求的能力，测试者还让它自行搜索热门文化素材，并制作真正可以玩的3D网页小游戏。最终结果不仅包含角色和场景，还加入传送门、任务区域、存档点、NPC互动与收集目标。
创意开发对模型的要求并不比企业软件低。它需要把风格、剧情、玩法、资源和交互统一起来，并在多轮修改中保持状态一致。Hy4 Preview在这类任务中的提升，反映出其训练不只覆盖代码语法，还包含游戏开发者和真实产品团队的数据。
五、办公Agent：不是“写几段话”，而是交付可继续编辑的成果
办公能力测试从品牌海报开始。模型需要在线理解目标媒体的视觉风格，再制作招聘海报，并根据反馈调整版式。交付结果可以在工作台中继续手动编辑，也可以框选局部后要求Agent修改。
这类体验的重点是“可编辑交付物”。用户真正需要的通常不是一张不可修改的截图，而是可以继续调整文字、颜色和布局的工作成果。模型与编辑器结合后，AI才更像协作伙伴，而不是一次性生成器。
六、深度研究：多Agent能否找到可靠资料并守住事实边界？
在“AI Coding Agent近三个月企业部署情况”的研究任务中，Hy4 Preview会组织多个Agent分工检索、核对和写作，最终生成结构化报告。测试者称其使用的资料来自权威机构，引用数据也经过核查。
多Agent并不自动等于高质量研究。可靠流程至少应包括查询拆解、来源优先级、交叉核对、引用定位和不确定性标注。Hy4 Preview的长上下文与复杂规划能力，为这一流程提供了基础，但用户仍应保留人工复核，尤其涉及财务、法律、医疗或商业决策时。
七、数据分析：从官方数据到图表、结论和个人建议
另一项测试围绕“中国博士生是否正在变多”展开。模型需要寻找教育部门公开数据、统一统计口径、完成可视化并解释趋势，最后还要把宏观数据转化为针对个人的学业建议。
这类任务同时考验资料检索、表格处理、图表表达和自然语言解释。模型生成的建议仍不能替代个人对专业、学校、就业环境和机会成本的判断，但它能显著降低从“找到数据”到“形成可读报告”的操作门槛。
八、官方架构与部署：770B模型意味着什么？
Hy4 Preview的骨干网络包含78层：首层采用标准Dense FFN，其余77层为MoE结构，每层包含256个路由专家和1个共享专家，每个Token激活Top-8路由专家与共享专家。注意力模块使用Gated DeepSeek Sparse Attention，并通过IndexCache复用跨层稀疏索引；残差路径采用iHC扩展层间信息流。
官方同时内置原生MTP层用于投机解码，并提供vLLM、SGLang、FP8权重、量化与微调资料。虽然模型开源，但完整模型不属于普通消费级显卡可以轻松部署的范围。官方部署示例采用8卡张量并行；微调的资源要求更高。多数个人用户更适合通过WorkBuddy、CodeBuddy、元宝、ima、API或托管推理服务体验。
九、它进入第一梯队了吗？先看官方盲测，也要看到局限
腾讯公布的内部盲测由163名专家评估203项工程任务。Hy4 Preview平均得分2.99/4，略高于GLM-5.3的2.92和Kimi K3的2.94。这个结果说明它在腾讯定义的真实工程任务上具有竞争力，但不能直接外推到所有场景，也不应替代独立第三方评测。
官方也明确承认，Hy4 Preview是早期版本，在复杂任务上可能思考时间过长，并存在过度验证倾向。因此更准确的判断是：它已经具备开源旗舰模型应有的规模、长上下文、部署生态和Agent能力，但距离“所有任务稳定SOTA”仍有迭代空间。
结语：腾讯真正踩下油门的是“模型×产品×真实数据”
Hy4 Preview的意义不仅是参数从295B扩大到770B，更在于腾讯开始把基础模型、真实生产力工具和内部专家数据连接起来。模型在产品里完成任务，产品收集失败案例，新的数据再回到训练与评测，这个循环比一次榜单排名更有长期价值。
如果这套协同能够持续，混元的优势将不仅来自模型结构，还来自代码、办公、游戏、研究等场景形成的真实反馈。对用户而言，最值得关注的也不是一句“第一梯队”，而是它能否在日常工作中更稳定地理解复杂目标、完成长程执行，并交付可继续使用的成果。
