腾讯混元 Hy4 flash 怎么用:224B 模型 0.5 元每百万 token

一句话结论:腾讯混元 11 月 16 日发布的 Hy4 flash 是一个 2240 亿总参数、120 亿激活参数的多模态模型,支持 100 万 token 上下文,输入每百万 token 0.5 元、输出每百万 token 2 元、命中缓存 0.02 元,单任务成本只有 Hy4 的二十分之一,混元团队同时宣布计划开源。

这次发布的重点落在成本上,参数规模退居其次,成本被压到了可忽略的量级。总参数 2240 亿里有 640 亿属于 Engram 参数,推理时真正激活的只有 120 亿。配合 4bit 量化与自研推理优化,解码速度超过每秒 150 token。价格方面,每百万 token 输入 0.5 元、输出 2 元,命中缓存时只要 0.02 元。

模型已经在腾讯云 TokenHub、WorkBuddy、元宝、企业微信、QQ、ima、Marvis 等产品上线,即将接入 OpenRouter。11 月 30 日前 WorkBuddy 限时免费,腾讯云 TokenHub 的 API 调用限时五折。

Hy4 flash 的参数规格与上下文长度

Hy4 flash 是混元 Hy 系列里性价比最高的一档,规格上最反直觉的一点是总参数与激活参数之间的巨大落差。2240 亿总参数中有 640 亿是 Engram 参数,实际激活参数只有 120 亿。这个比例意味着它可以按小激活模型的成本来部署,同时保留大参数模型的知识容量。

指标 Hy4 flash Hy4 preview
总参数量 2240 亿(含 640 亿 Engram) 7700 亿
激活参数量 120 亿 490 亿
上下文长度 100 万 token —
模态 多模态(文本、图像) 多模态
输入价格(元/百万 token) 0.5 明显更高
输出价格(元/百万 token) 2 明显更高
缓存命中价(元/百万 token) 0.02 —
KV cache 相对 Hy4 六分之一 基准
KV cache 相对 Hy3 二十四分之一 —
解码速度 超过 150 token/秒 —

上下文长度给到 100 万 token,加上多模态输入,意味着它可以直接吃下整本技术书、一整段会议录像的转写稿,或者一个体量偏大的代码仓库。这是它跟多数同价位模型的差异点,价格在低位而窗口在高位。

定价结构:输入、输出与缓存三档怎么算

Hy4 flash 的价格分三档:输入 0.5 元、输出 2 元、缓存命中 0.02 元。缓存命中价是输入价的百分之四,这是长上下文场景里最关键的一档。同样的文档第二次读进来,成本几乎可以忽略,Agent 多轮循环调用同一份参考资料时,累计费用会明显拉开差距。

拿站内已经写过的几篇价格稿做个横向参照。Qwen4-Max 的定价走的是大参数路线,单任务成本与 Hy4 flash 不在一个量级;华为云 openPangu-2.1-Pro 的三档定价代表国产同类托管模型的价位带;Meta Muse Ember 的每百万 token 0.1 美元是海外对标。Hy4 flash 的 0.5 元输入价把国产托管模型拉到了一个新的低位。

混元团队给的使用建议是:深度搜索、文档处理、PPT 生成、简单前端展示、Computer Use 这些日常任务用 Hy4 flash,长程软件工程这类复杂任务仍然用智能上限更高的 Hy4。

成本为什么能压到二十分之一:三条技术路线

价格是结果,技术路径才是原因。混元团队在四个阶段各做了一轮优化。

预训练阶段加入了混合注意力、LatentMoE 与 Engram 三项架构特性,并通过大量 scaling ladder 实验确认效果符合预期。Engram 这条线值得单独留意,它把原本外挂式参数集的部分容量以更紧凑的形式带进主干,这也解释了 640 亿 Engram 参数的构成。架构层面的收益直接体现在 KV cache 上:只有 Hy3 的二十四分之一、Hy4 的六分之一。KV cache 变小意味着同样并发量下占用显存更少,这部分节省最终会体现在服务成本上。

后训练阶段用自蒸馏方式从 Hy4 获得综合智能水平,再通过强化学习把端到端任务的输出长度压低百分之五十。输出长度减半对 token 计费模型是直接的成本削减,这一项的贡献不小。

推理阶段结合 megakernel、4bit 量化与 DFly 等手段做部署优化,最终解码速度超过每秒 150 token,同时支持大规模低成本部署。对想自己估账的团队来说,这几个优化项和 本地大模型的显存估算是同一套算术,只是从服务端换到了推理集群。

效果与成本的对照:WorkIndex 评测怎么算的

混元没有只报公开榜单分数,而是构建了一套名为 WorkIndex 的内部评测集,覆盖 PPT 制作与修改、文档编辑、表格修复、音视频处理、视觉理解等 8 个内部子集,再叠加 7 个公开 Agent 评测集,包括 DeepSWE、ProgramBench、Terminal-Bench 4.0、APEX-Agents、AutomationBench、HLE 与 OSWorld 2.1。评测维度是产物效果、单轮输出长度、端到端用时这三项,全部指向真实工作任务。

按 WorkIndex 综合测算,Hy4 flash 的单任务成本是 Hy4 preview 的十三分之一、Hy4 的二十分之一、DeepSeek-V4.1-Flash-1027(Max 档位、忙时价格)的八分之一。而它的综合效果略优于总参数 7700 亿、激活参数 490 亿的 Hy4 preview。

对比对象 Hy4 flash 单任务成本相对值 说明
Hy4 preview 1/13 效果略优,成本显著更低
Hy4 1/20 旗舰版,单任务成本最高
DeepSeek-V4.1-Flash-1027 1/8 Max 档位、忙时价格口径
Hy4 flash 自身 1 单任务成本 0.26 元

人评部分由 85 位内部用户做盲测,覆盖 27 类共 259 个任务。结果是 Hy4 flash 的用户满意度接近 Claude Haiku 5.5,单任务成本 0.26 元,端到端时长中位数 6.7 分钟,比对比模型更短。

需要留意的是 WorkIndex 是内部评测集,任务分布贴着办公与文档场景,外界复现的难度不小。公开子集能对齐,私有子集的构成无法核验,评估这份成绩时应该把这一点算进去。

怎么用:从 TokenHub 到 OpenRouter 的入口

接入路径相当直接。腾讯云 TokenHub 提供 API 调用,11 月 30 日前限时五折;WorkBuddy 侧限时免费使用,11 月 30 日之后按 TokenHub 定价;元宝、企业微信、QQ、ima、Marvis 都已经可以直接调用。OpenRouter 正在接入中,接完之后非腾讯系的应用也能统一在一个平台上做多模型调度。

对本地部署感兴趣的话要分清两件事:Hy4 flash 目前是托管服务,640 亿 Engram 参数那套架构尚未放出权重可下载。混元团队的计划是开源 Hy4 flash 并高频迭代,在权重真的放出来之前,Kimi K3 的纯 CPU 本地方案和 Edge0-145B 的笔记本部署实测这两篇讲的是纯权重路线的现实门槛,可以先做参考。

实际接入时按三种场景选:一次性问答与文档处理直接走输入 0.5 元那档;Agent 多轮循环要留意缓存命中率,重复喂同一份上下文时把缓存价用起来;长程软件工程任务仍走 Hy4,模型能力上限比成本更重要。

Hy4 flash 与 Hy4 preview 怎么选

选择逻辑其实很清楚。Hy4 preview 是 7700 亿总参数、490 亿激活参数的版本,能力上限更高,适合需要长链推理、多步代码重构、复杂架构设计的任务,代价是单任务成本高出 13 倍。Hy4 flash 是 2240 亿总参数、120 亿激活参数的版本,胜在成本、速度和 100 万上下文,适合绝大多数有明确产出物的日常任务。

混元的官方推荐把这个划分说得很直白:日常任务用 flash,长程软件工程用 Hy4。如果预算敏感度高于能力敏感度,选 flash 基本不会后悔。

后续迭代与开源计划

混元团队表示计划开源 Hy4 flash,并保持高频迭代。开源的动机不难理解:一个 120 亿激活参数、支持 100 万上下文的多模态模型,如果权重开放,本地部署的硬件门槛会显著下降,推理框架的适配空间也更大。对关注端侧部署的团队来说,值得留意开源后的模型格式与量化版本。

另外两条信息同样值得关注。一是腾讯内部 85 位用户的盲测数据虽然来自内部场景,但它给出的单任务 0.26 元、时长中位数 6.7 分钟这两个数字是可以拿来做容量规划基准的。二是价格与能力都到位之后,竞争焦点会从模型本身转向 Agent 层的成本控制,谁能把单任务 token 消耗压得更低,谁的实际账单就更低。

常见问题

Hy4 flash 怎么调用,需要本地部署吗?不需要本地部署,直接通过腾讯云 TokenHub 调用 API 即可,同时也已在元宝、企业微信、QQ、ima、Marvis 等产品内置。权重尚未开放下载,本地运行要等官方开源计划落地。

Hy4 flash 的价格和 Hy4 比差多少?输入每百万 token 0.5 元、输出 2 元、缓存命中 0.02 元。按混元的 WorkIndex 口径测算,单任务成本只有 Hy4 的二十分之一、Hy4 preview 的十三分之一,属于同一家族里两个完全不同的使用档位。

12B 激活参数会不会让效果明显下降?混元的评测显示 Hy4 flash 的综合效果略优于 7700 亿参数的 Hy4 preview,后训练阶段的自蒸馏与强化学习是主要补偿手段。但 WorkIndex 是内部评测集,其任务分布偏办公文档场景,复杂工程与开放推理场景仍建议用 Hy4。

小结

Hy4 flash 把 2240 亿参数模型的价格压到了每百万 token 0.5 元这个档位,同时保住 100 万上下文与多模态能力。它真正改变的是 Agent 任务的经济账:按官方口径单任务 0.26 元,一个每天跑几百次的工作流月度成本可以算得出来,这让很多原本因为单价太高而被搁置的自动化方案重新变得可行。开源计划落地后,这套 Engram 与 LatentMoE 架构会不会被更多推理框架适配,值得持续跟踪。

相关阅读

全部文章归档与模型专题