
单任务成本仅为 Hy4 二十分之一,过日子的神!
作者|Cynthia
编辑|郑玄
过日子的风,还是吹到了大模型行业。
2026 年之前,一款模型能不能刷屏,往往取决于它又做到了什么。GPT-4o 的实时语音交互、Claude 的编程能力、DeepSeek R1 的推理表现,一度轮番成为讨论焦点。一款新模型发布,大家首先关心的是它超过了谁,又做到了什么过去做不到的事。
但到了 2026 年,Agent 真正流行起来之后,风向开始变了。SOTA 模型的领先能力开始以季度为单位被轮番刷新,变得不再新鲜。而模型能力能不能用得起、等得起,成为了新的议题。
毕竟,让模型回答一个问题,和让 Agent 接手一项工作,对应的资源消耗模式完全不同。在 Agent 场景中,一次指令背后,可能是几十轮模型调用。读材料、查代码、调用工具、处理报错,每一步都会增加大量上下文和调用次数。OpenRouter 披露,今年 2 月 6 日,平台上 Agent 的 Token 用量首次超过人类直接调用;到 9 月底,已经约为后者的七倍。
具体到任务,今年 4 月,密歇根大学与斯坦福大学一项覆盖 8 款模型、500 个真实代码问题的研究发现,在其测试中,Agent 每次尝试处理一个问题,平均累计消耗约 417 万 Token,模型调用费约 1.86 美元。按这个均值,连续跑十次,就接近 20 美元。
在这一背景下。任务越长,大家对速度和价格就越敏感。各家模型厂商的 Flash 性价比模型也因此有了越来越大的用武之地。
早在去年,OpenRouter 与 a16z 对超过 100 万亿 Token 的使用数据进行研究后就发现,Gemini 2.0 Flash、DeepSeek V3 0324 这类兼顾能力与低成本的模型,已经获得了与部分高价领先模型相近的用量。到了今年 11 月 14 日,DeepSeek、智谱的 Flash 模型,又同时进入 OpenRouter 单日 Token 用量前十。用户越来越愿意为更强的能力付费,同时也在把大量日常任务交给更实惠的模型。
而在最近推出的一众 Flash 模型中,作为一款主打精简输出、更高吞吐以及更快速度的 Flash 模型,腾讯最近推出的 Hy4 flash,无疑是其中最受关注的一个。
据了解,这款模型的总参数量为 224B(其中 64B Engram 参数),通过在预训练阶段,加入混合注意力、LatentMoE、Engram 等架构特性,Hy4 flash 可以做到实际使用时激活参数仅为 12B,KV cache 大小仅为 Hy3 的 1/24、Hy4 的 1/6,还支持多模态和 1M 上下文长度。
此外,作为迄今为止最高性价比的 Hy 模型:Hy4 flash 的每百万 Token 输入 0.5 元、输出 2 元,命中缓存时仅需 0.02 元,价格较 Hy4 大幅降低。

在此基础上,在后训练阶段,Hy4 flash 通过自蒸馏 Hy4 获得了较强的综合智能水平,再通过强化学习使端到端任务输出长度降低 50%。最终实现整体的单任务成本仅为 Hy4 二十分之一。
推理效率上,通过结合 megakernel、4bit 量化、DFly 等手段极致优化,Hy4 flash 解码速度可超过 150 tps,且可以大规模低成本部署运营。
我们也在 Hy4 flash 发布后的第一时间拿到了 Hy4 flash 的内测资格。
随后,我们把它放进了 WorkBuddy(WorkBuddy 中可以免费使用 Hy4 flash),和同样定位的 DeepSeek-V4.1-Flash(1017 版本),以及原始 Hy4 做了四轮对照:一轮办公决策,一轮编程修复,一轮视觉理解,还有一轮 PPT 生成。
以下是我们的测试结果。
01
办公决策:判断一致,
Hy4 flash 快了近三分钟
第一轮,我们让模型为一场产品发布会做决策准备。
这道题,我们特地增加了材料难度,给到了模型几组互相矛盾的口径,再把目标和约束一起放进去,看模型能不能自己理清楚。
任务描述如下:
公司要上线发布两个产品能力,其中纪要能力的成熟度较高,方案能力的成熟度还有待完善。产品同学说,这个月有 8600 人点开过产品,成功率达到 91%;数据同学给出的却是,每周真正使用的大约只有 3200 人,真正完成任务的比例只有 67%,差了将近 3 倍。销售是 6 家感兴趣、1 家愿意付费试点 8 万/年,财务希望发布后 3 个月看到约 40 万的经常性年收入(ARR)。法务说发布会前安全评估做不完,只宣布即将开放、不现场开通注册则风险相对可控。该信哪组数字,并给出明确的发布建议,交出一页能投屏的决策纸。
在这段描述中,产品与数据同学的两组数字都有出处,但统计周期、使用行为和成功口径并不一致。模型得先弄清它们各自代表什么,再判断发布会上该用哪组。销售和财务之间,也需要对意向、付费试点和收入目标,做一下关联与区分。法务的评估不做完就不开通注册,则是最终的条件限制。
选这道题,是因为它很像实际工作中会遇到的情况:没有标准且统一的数据口径,也没有完全 ready 的材料,系统各方面又会提出不同的约束条件,而用户必须从中梳理出一条可被执行与讨论的方案。
最终,Hy4 flash 用了1 分 14 秒。

它建议折中推进:发布会照开,只宣布即将开放、分批放量,现场不开注册,也不先收等待名单。对外采用 3200 人、67% 这组更严格的数字。等待名单是否属于开通注册,则把它单独列为待确认事项。

DeepSeek-V4.1-Flash 用了4 分 8 秒。

它同样建议折中:发布会照开,只宣布即将开放,不现场开通注册;对外主推会议纪要,方案能力标为内测,数字也采信 3200 和 67%。不同的是,它建议发布会可以收集等待名单,再向名单用户分批开放。
这里不能算它判断错误。法务明确限制的是现场开通注册,并没有明确禁止收集等待名单。

这一轮,两边的核心判断一致,也都交出了要求的一页纸,质量没有明显差距。
在这一轮测试中,Hy4 flash 的优势主要在速度:少用了2 分 54 秒。口径冲突、发布取舍和最终交付都处理到了,完成时间只有对方的三成左右。
02
读图决策:相比 DeepSeek-V4.1-Flash,
Hy4 flash 误读更少
第二轮,还是对比 DeepSeek-V4.1-Flash 和 Hy4 flash。这一次,我们不再给模型太多的文字提示词,而是根据测试一的文字内容,将其加工成一张有矛盾的投屏图片,喂给模型。然后让模型只根据这张图做决策准备,看它会不会自己把这些矛盾指出来,然后再做和场景一类似的决策准备。

如上图,图上最显眼的大卡片写着月活 8600、成功率 91%、意向客户 6 家,还带了可计收入红标;右下角对照表却是另一套更严的数字。柱状图上标注的是 8 万和 40 万,但 8 万那根柱子实际画到了大约 32 万的高度。
最终,Hy4 flash 用了2 分 46 秒。

它继续建议折中发布:只宣布即将开放,不现场开通注册,对外采用更严格的口径。
对于客户数量,它指出,6 家意向客户的卡片带有「可计收入」标注,但对照表只确认了 1 家付费试点,这两处信息存在冲突。
8 万元究竟是已确认收入还是预算,40 万元的目标时间口径是什么,它也分别列为待确认事项。
不过,8 万元那根柱子画高了,它没有发现。
DeepSeek-V4.1-Flash 用了1 分 25 秒。
它同样建议折中,也整理了卡片和对照表之间的口径差异,但有两处写错。
第一处,它把客户卡片上的红标读成了「非付费」,与图中的「可计收入」不符。
第二处,它写道:「8 与 40 的视觉比例 20%,与 ARR 进度 20% 自洽,此处无失真。」
8 除以 40 确实等于 20%,但图上的柱高并没有按这个比例绘制。DeepSeek-V4.1-Flash 算对了数字关系,却忽略了图形比例的错误。

这一轮,DeepSeek-V4.1-Flash 虽然更快,但出现了两处明确误判。Hy4 flash 识别了「6 家意向客户被标为可计收入、实际只有 1 家确认付费」的冲突,整体的准确率会更高。
03
编程修复:相同结果,
Hy4 flash 更快更有性价比,
Hy4 思考更全面
第三轮,我们难度升级,安排了一道编程题,让模型接手一个正在使用的库存与计价项目。这次的对比对象选择了 Hy4 与 Hy4 flash。
这次选择的项目是一个已经在用的库存系统。仓库里现有测试都是通过的,但线上却出了 4 个问题:预占库存后数字对不上(预占库存后,在库数量也跟着减少,取消后又恢复不了)、整单出库会报错(某件商品的库存被全部预占后,整单出库会报错)、优惠券没有按上限封顶(400 元订单使用 20% 优惠券,抵扣超过了 50 元上限;)、月末报表漏了一天(11 月报表漏掉了 11 月 30 日当天的出库)。
我让模型根据项目里的代码和问题清单,自己找到这些 bug,先写出能复现问题的测试,再把代码修好,最后交一份修复说明。
这道题模型需要读懂别人写的代码,并找到现有测试遗漏的情况,再证明修改后的行为符合项目约定。
最终,Hy4 flash 用了2 分 5 秒,四个问题全部找到并修好。

在它的修改下,预占操作不再误扣在库数量,取消改为释放预占;整单出库可以正常完成;优惠券抵扣按 50 元上限封顶;报表区间改为包含结束当天。
最终,Hy4 flash 还给原本的项目新增了 5 个测试,端到端完成了验证:预占后在库仍为 10、可用为 6,取消后可用恢复为 10;400 元订单实付 350 元;11 月汇总包含 11 月 30 日,共计 8 件。

相同的任务,根因和改法也与上面几乎一致,正式版 Hy4 最终用时 3 分 49 秒。唯一的不同之处在于 Hy4 最终为项目新增了 8 个测试,整体的流程会更加完整。

04
论文转 PPT:
Hy4 更清晰,Hy4 flash 更高效
前面几个任务都是真实生产系统中的点状问题,这一次测试,我们选择一个端到端的任务,让 Hy4 与 Hy4 flash 分别测试把同一份论文生成 PPT 的任务,看看最终哪一个的效果更优。
这次我们选择的是一个主题为 OpticalRAG 的技术论文,讲的是一种减少长文档占用 token 的方法:先把页面渲染成图像,再在像素空间里压缩,用来做检索增强生成。提示词中,我们要求模拟能够按照如下顺序组织内容:要解决的问题、核心方法(两项关键技术分开讲,必要处配示意图)、关键实验结果(要把数字写上)、局限和落地时要注意的地方。
选这道题,需要模型先读懂技术论文,然后还需要有完整的多模态生成能力,能把理解的东西做成结构清楚、数字写对、能直接讲解的幻灯片。
最终,Hy4 flash 用时 9 分 5 秒生成了一份一共 21 页 PPT,问题、方法、实验和局限都按要求写到:不仅论文中的两项关键技术分开讲述的很清晰,关键数字准确无误,一些技术方式在 BAMBOO 上原始分并不领先之类的数据也完整呈现。
唯一的美中不足是,有几页页脚和正文叠在了一起,CAP 公式里的指数没有做成上标。

同一篇论文和同一段提示词。正式版 Hy4 一共用时 15 分 47 秒,产出了 18 页 PPT,结构和关键数字同样正确。同样也发现了压缩感知分数第一,并不等于原始分数第一、长文档上按问题筛选反而低于简单的均值池化这些细节。

整体来说,在把长篇技术论文做成可讲解 PPT 的场景里,两边都完成了任务,论文要点和关键数字都写对了。Hy4 flash 的优势是速度,主结果表也更完整。正式版 Hy4 用时更长,但页面更适合直接讲解,对结论的分析,也交代得更清楚。
05
尾声
客观来说,无论是 Hy4 flash 还是 DeepSeek-V4.1-Flash,市面上的一众 Flash 模型,在准确率方面相比于当下的 SOTA 模型仍有一段距离。但是对于日常办公以及编程修复等任务来说,他们都已经达到了一个专业工程师与白领的水平。
此外,对于 Agent 这种模型调用轮次多、上下文超长、成本极易失控的场景来说,Flash 模型不失为一种不错的选择。
相应的,混元的官方 Blog 也推荐在深度搜索、文档处理、PPT 生成、简单前端展示、computer use 等大部分日常任务中使用 Hy4 flash,在长程软件工程等复杂任务中推荐使用智能上限更高的 Hy4。
总而言之,Hy4 flash 就是当下各种 Flash 模型中,最适合过日子的神!
*头图来源:腾讯混元
本文为极客公园原创文章,转载请联系极客君微信 geekparkGO
模型越来越大,生成质量不断刷新,算力投入也在持续加码。置身这场「万卡竞赛」,一家创业公司怎样找到自己的胜算?
年内累计融资近 5 亿元的达瓦科技,选择把核心投入放在控制层,走出一条「重控制,轻渲染」的技术路线。这条路从真实片场长出来:多年影视制作与虚拟拍摄,让达瓦积累了约 180TB 结构化过程数据——摄影机怎样移动、灯光怎样变化、人物怎样与环境发生关系。这些藏在成片背后的信息,为模型理解「改变什么、保留什么」提供了重要依据。
沿着这条路径,达瓦希望让生成的内容能够被准确修改,让发生过的变化能够被记住,并让世界随着人的行动持续运行。其 Scenes AI 已展示在单张消费级 NVIDIA RTX 显卡上运行实时世界模型的能力。
从片场积累到国际技术舞台,从已有业务的收入与盈利到实时互动的新市场,达瓦的选择,也提出了一个值得讨论的问题:AI 视频的竞争,究竟有哪些不同的赢法?
11 月 17 日 19:30,极客公园创始人 & CEO 张鹏将对话达瓦科技 CTO 朱子威、CPO 李宗兴,聊透这条路线背后的技术判断与商业逻辑。