Hy4 flash 发布了,感觉腾讯的思路越来越清晰。
原创 阿颖 2026-11-17 11:16 北京
腾讯混元最近的模型迭代节奏,确实很好。11 月 4 日发布 Hy4 正式版之后,隔了不到两周,又紧接着发布了 Hy4 flash。
Hy4 flash 的目标非常明确。不知道大家是否注意到,Hy4 的 Release Blog 最后一句话里,其实就已经预告了 Hy4 flash,并且言简意赅地点出了两个核心目标。
1)提升模型的性价比和推理速度。
2)与产品进行更高频的协同迭代,提高模型的实用性。
我特喜欢看混元的 Release Blog,之前在文章里写过很多次,官方的 Release Blog 虽然简短,但信息密度非常高,基本上每句话都仔细推敲过的。
行业里的 Flash 模型,基本都在强调性价比和推理速度,但我发现,混元还专门提到了实用性,以及与产品高频协同迭代。
这确实是腾讯的优势。
而且,这个思路和姚顺雨之前那篇非常精彩的文章《AI 的下半场》里提到的观点,也出奇的一致。
他当时有个判断,我印象深刻。AI 发展到下半场,接下来需要重点思考的问题,是我们究竟应该让 AI 解决什么问题,以及怎么衡量模型真正的进步。
因为过去我们习惯了用越来越难的 Benchmark 来衡量模型能力。但模型在榜单上的分数越来越高,并不意味着它在真实世界里就实用。
过去几次模型发布,大家留心的话会发现,模型团队一直在强调他们和 WorkBuddy、元宝等等腾讯生态里的各种产品深度协同。比如下面这是 Hy3 发布时 Release Blog 的内容:
这次 Hy4 flash 能明显感觉到,它是奔着 WorkBuddy、企微的大圆等等高频 AI Native 场景来的。
因为现在 AI 应用已经积累了大量真实的用户场景和任务,所以模型团队自然也就有了更加明确的优化方向。
通篇看完 Hy4 flash 的 Release Blog,我想分享两个值得说道的信息。
第一,腾讯专门构建了一套新的内部评测集 WorkIndex。
这套评测集基于 WorkBuddy 的典型工作任务,涵盖 PPT 制作和修改、文档编辑、表格修复、音视频处理等八类场景。
除了评估最终产物的质量,尤其关注模型的输出效率,以及完成整个任务需要多长时间。
那为什么还要专门做一套新的 Benchmark?
因为 WorkIndex 很能体现 Hy4 flash 的核心目标:希望用尽可能低的成本,搞定 WorkBuddy 中绝大多数高频任务。
对于现阶段的 WorkBuddy 来说,性价比实在太重要了。
如果 WorkBuddy 想成为下一代 Office,就需要走进更多普通用户的日常工作。而这些用户的任务通常没有那么复杂,对价格和速度却更加敏感。
所以,Hy4 flash 的目标其实很明确,就是用尽可能低的成本,搞定 WorkBuddy 中绝大多数高频任务。
如果这件事能做好,WorkBuddy 才有机会真正走向更广泛的用户群体。
这也是模型团队一直在强调的实用性。
第二,混元在重点优化 Flash 模型完成任务的总体成本。
过去谈模型性价比,我们基本上关注两个指标,一个是 Benchmark 得分,另一个是每百万 Token 的 API 价格。
过去这一年,包括我自己写文章的时候,也时常陷入这样的思维定式。
但其实这个逻辑不对。判断模型的性价比,核心还是得看完成任务的实际成本。即使两个模型的单价相同,同一任务的成本也可能差很多。
Anthropic 之前专门写过一篇技术博客,讨论这个话题。
混元这次明确提到,他们通过自蒸馏和强化学习,将端到端任务的输出长度降低了 50%。
端到端的任务输出长度这个指标非常重要。
简单理解,就是让模型在完成整个任务的过程中,尽可能减少需要生成的 Token。
这个优化非常有意义。因为 Agent 执行任务通常需要多轮推理和工具调用,如果能够用更少的输出 Token 完成同样的工作,就可以进一步降低任务成本和耗时。
当然,输出长度降低 50%,不代表整个任务的 Token 消耗也降低了 50%。
但这至少说明,混元团队非常重视 Hy4 flash 模型的 Token 效率,而不只是简单地降低 API 价格。
前面提到的 WorkIndex,也专门比较了不同模型完成任务的平均花费。注意,这里比较的是完成任务的实际成本,而不只是每百万 Token 的价格。
根据官方的测试结果,Hy4 flash 在 WorkIndex 上的平均单任务成本,只有 Hy4 的 1/20,甚至只有 DeepSeek V4.1 Flash 的 1/8。
性价比确实很高。
我用 Hy4 和 Hy4 flash 测了几个 Case,带大家感受一下。
因为测试是在 WorkBuddy 中,为了避免记忆带来的干扰,我把记忆功能暂时关掉了,这样更客观。
第一个任务,我让 Hy4 根据需求,做一个车险分期还款的 Excel 表,Hy4 第一轮花费的时间差不多 20 分钟。
不过好的是,Hy4 第一轮做出来的效果已经完全可用了。
而且还有两个细节我很喜欢,鼠标悬停在单元格上,会弹出填写提示。
同一个提示词用 Hy4 flash,花了不到五分钟。确实快。
第一轮的效果,也是直接可用。不过细节上,确实还是 Hy4 更好。
接着,我让 Hy4 给我们的公众号的文章配 Gif 图,具体在哪些位置配图,由它自己判断。这个任务用到了一个我们自己做的 Gif 图 Skill。这次任务花了 19 分钟。
Hy4 先通读全文,发现文章里已经有官方推文截图和演示视频,最后选了三处配动态图。每一处都写清楚插在哪句话后面,以及这张图要解释什么。
我很喜欢它对配图位置的取舍。有些内容一句话就能说清,或者前面已经有素材,它就不再重复配图。文章里没有明确答案的问题,也没有擅自画成结论。
下面这是 Hy4 具体的配图计划 MD 文件。
给大家看看配图效果,还是一次直出的。
同一个提示词,Hy4 flash 只用了 10 分钟,比 Hy4 节省了将近一半时间。
下面这是 Hy4 flash 具体的 Gif 配图计划的 MD 文件。
以及这是最终的输出结果。这个 Case 中,Hy4 flash 和 Hy4 的交付质量没任何差别,甚至 Hy4 flash 看起来还要更好看一些。
继续,下面这是我做出来的一个 3D 自由探索的效果:
我一开始是直接用 Hy4 flash 模型跑的,速度是真的快,每轮耗时 4 到 8 分钟。
但独立跑了三、四轮,发现不太好。Hy4 flash 单独做这类任务还是有些吃力。
于是,我切换了下思路,先让 Hy4 把整个项目的框架做出来,然后再用 Hy4 flash 基于框架继续迭代。
直接用同一个提示词发了一遍。
可以看到 Hy4 跑了一轮的效果,就已经比 Hy4 flash 三、四轮的效果要好了,所以我们在复杂的 Coding 任务上,推荐直接选 Hy4 模型。
我拿 Hy4 跑了两轮,把整体框架搭好之后,再交给 Hy4 flash 接着迭代。因为 Hy4 flash 的成本更低、速度更快,这样反而效率更高。
该说不说,Hy4 flash 的速度是真快啊。而且现在在 WorkBuddy 中还有限时免费使用活动。
还有下面这张截图,是腾讯邀请了 85 位 WorkBuddy 内部用户,针对 259 个日常工作任务做的一轮盲测。
可以看到,Hy4 flash 的用户满意度已经非常接近 Claude Haiku 5.5,但平均单任务成本只有 0.26 元,甚至比 DeepSeek V4.1 Flash 这样我们熟悉的高性价比模型,还要便宜将近 80%。
当然,从前面我的测评大家也能看到,Flash模型和旗舰模型之间还是有能力差距的。
所以,什么时候用 Flash,什么时候用旗舰模型,其实也有一些讲究。分享下我自己目前的三个使用习惯。
第一,对于需求比较明确、我自己判断难度不高,而且对完成时间要求比较高的任务,比如分析 Excel、做个简单的 PPT,我就直接选择 Flash 模型,这情况没必要调用旗舰模型。
第二,对于比较复杂、但需要反复执行的任务,我会先把执行流程整理成 Skill,再让 Flash 模型去完成。
比如前面那个 GIF 配图的 Case 就是个例子。这样既能提高任务完成的稳定性,也能兼顾速度和成本。
第三,对于一些真正高难度的任务,我会先让旗舰模型把整体框架搭建好,把关键问题解决掉。
后续如果只是局部修改和迭代优化,就可以交给 Flash 模型。这样既能降低整个任务的成本,也能提高效率。
Hy4 flash 真心不错。新的性能-费用帕累托最优。