文 | 商业秀，作者 | 郑久宇   编 | 杨肖若

混元这次最新的发布，是没有开发布会的。

8月28日深夜，只有一篇文章加一个开源仓库，Hy4 preview就这么上线了。7700亿总参数、490亿激活和100万Token上下文，Apache 2.0全开放。

这场真正的发布会，或许是发生在三天后的8月31日上演的场景：混元Hy4 preview自8月28日在WorkBuddy首发接入后，任务队列就开始出现频繁排队的情况。

官方赶紧发公告道歉、紧急扩容，就连腾讯公关总监张军也说调用量“出奇猛增”，技术团队整个周末都在推进扩容，并将持续动态调配资源。还说，“受限于高端算力总量和高峰期并发集中，仍不排除个别时段排队。”

那更像是，一个模型用排队的方式，替自己的公司把“焦虑”说了出来。

这就有意思了。因为就在发布前三天，8月25日，腾讯高级执行副总裁汤道生刚在内刊《知点》里写过一篇长文，标题叫《和AI一起长跑：这两年的一些思考》，正面回应“腾讯做AI慢了”。

他有一句话说得挺实在，“要说一点不焦虑，那不可能。”

焦虑或许传导到了资本市场。8月28日，Hy4 preview上线当日，交易日收盘腾讯股价455.2港元，总市值为41437.52亿港元。截至发稿，8月31日收盘股价回落至452.4港元，市值约为4.12万亿港元。

看起来，技术圈一片叫好，但并未催生出二级市场的股价市值行情，市场仍在权衡AI持续高额投入带来的成本压力。

01 船是怎么“漏”的？

腾讯做AI的焦虑，不是今天才有的。

在今年5月13日的腾讯股东大会上，有人问马化腾，腾讯的AI是不是落后了？

马化腾打了个比方，“原来一年前我们以为上了船，后来发现那个船漏水了，又开始换一艘船。现在感觉站上去了，还坐不下去，还是希望船速能快一点。”

“上船”说的是2024年大模型起跑，“漏水”说的是混元，一个被内部外部都承认“落后”的模型。《财经》此前采访的某位AI研究人员说得更直白，混元此前长期“躺平”，自姚顺雨加入后，“走向正轨不少”。

姚顺雨，1998年生，清华姚班、普林斯顿博士，ReAct 和思维树（Tree of Thoughts）的共同提出者，2024年进入OpenAI参与Deep Research 和 Operator。2025年下半年回国，12月就空降腾讯首席AI科学家，向刘炽平汇报。

他接过手的更像是一个“烂摊子”，但也是个明白的摊子。2026年1月底，混元启动底层基础设施全面重建，覆盖预训练、强化学习、数据和评估。3月，腾讯撤销成立近十年的AI Lab；7月23日，大语言模型部与多模态模型部合并为基础模型部，28岁的姚顺雨统管腾讯全部底层模型研发。

根据最新财报，二季度腾讯研发支出了272.8亿元，同比涨了35%；资本开支527.8亿元，同比涨了176%，大头都进了AI算力和训练。

按他说的节奏，混元平均每两个月迭代一次大版本：4月，发布Hy3 preview，7月6日，发布Hy3 正式版，发布一周，调用量较Hy2涨了超68倍，到8月28日，Hy4 preview上线。

48小时前，或许整个行业都盯着同一个问题：这次，腾讯真的追上了吗？

02 押家底般的投入和跑分里的一些真话

先看规格。Hy3是295B总参、21B激活、256K上下文；Hy4 preview直接拉到 770B、49B和1M，注意力机制从GQA换成了Gated DSA 加上IndexCache，残差改成4路iHC。

说人话就是，从长上下文里挑重点看，信息多路并行传，模型变大了近两倍半，但每token激活的只有49B，成本可控。

有博主称，在架构层面，这是混元第一次真正摸到国内顶级模型的边。

定位也换了个说法，不再喊通用，而是为生产力而生。在软件工程、办公分析、游戏开发和科学研究四个场景，靠腾讯内部专家共建数据和 WorkBuddy/CodeBuddy 产品协同打磨。

姚顺雨之前反复讲过一个思路，不训练刷榜的做题家，关心模型在真实场景好不好用。

官方还讲了个更玄的故事，递归自我改进。说Hy4 preview是第一次参与了自己训练方法、数据策略、评估体系和底层算子的自动优化，自主做算子融合和通信优化，端到端吞吐提升了31.8%。科学方面，把3DBlaschke-Lebesgue 问题的体积下界从0.380799推到了0.41104，离Meissner四面体猜想只剩2%的差距。

顺带官方也坦白了，preview版本复杂任务容易长思考、过度自我验证。这句话后面会反复应验。

腾讯官方公布了一组12项评测的对比，对手是GLM 5.3、Kimi K3、DeepSeek V4 Pro、Qwen 3.8 Max，以及闭源阵营的 GPT 5.6 Sol 和 Claude Opus 5。

别被这一锅粥的表骗了，我们分三档来看：

第一档是跟国产开源同侪，的确是站住了。Terminal Bench 2.1 拿85.4（GLM 5.3 约88.2–88.8、Kimi K3 约85.7–88.3，不同转引会有出入）；DeepSWE64.3，略低于Kimi的74.0；但SWE-bench Multilingual 82.9，是开源阵营第一；SWE Atlas Refactoring、Toolathlon-Verified 、OneMillionBench（工具）都领先。

第二档是跟闭源旗舰，差距还是比较明显的。GDPval-AA V2 上，混元 1678，Claude Opus 5 是 1831，GLM 5.3 都压它一头（1763）；物理推理的 CritPt 上，混元16.9，处于全场垫底区，GPT 5.6 Sol 是 32.3，Claude 是 29.1；SWE-bench Pro 上，Claude 79.2，混元65.7；HLE 纯文本，Claude 54.9、GPT 49.5，混元 43.4。

第三档是跟自己比，的确进步惊人。DeepSWE 从28.0干到64.3，翻倍还多；ProgramBench从3.6到17.5；Terminal Bench从70.8到85.4。一个半月追回这么多，混元自己都说这是最大的代际增益，这回真不是吹。

还有两个数字，得单独拿出来捋一捋。

一个是官方盲测，有163名内部专家、203个工程任务，Hy4 preview 均分 2.99/4，略优于GLM 5.3（2.92）和 Kimi K3（2.94）。

听着很提气是吧？但仔细看胜负比，对 GLM 是胜 46.8%、负 40.4%，对 Kimi 是胜 51.2%、负 40.9%。负率四成，这就是五五开里探出一个头。而且打分的是腾讯自己的工程师，任务是自家工程任务。这个略优于的含金量，或许是要打折扣的。

另一个是第三方榜单，在Arena.ai的Code Arena WebDev 上，Hy4 preview排第5，1633分、开源模型第3，和 Grok-4.6、GPT-5.6 Sol 咬在同一区间。这是混元模型头一回出现在这种位置。

注意措辞是出现在这个位置，不是站上第一位。混元从落后到第一梯队的叙事，目前一半还靠官方自己的数据撑着，独立机构的大规模横评还没出来。

03 干活的时候，它到底行不行？

跑分归跑分，最终还是要看看实测。很多媒体的实测结果放一起，画面出奇一致：长板是真的长，短板也真的短。

我们也来亲自测试一番，既然接入了WorkBuddy，首先是在办公场景下先跑一跑吧！

我们用前几天让豆包工作的案例测试对比一下，同样抛给WorkBuddy：帮我分析一下美国大模型公司Anthropic 2026年Q2财报，整理一下核心财务数据（营收、净利润、毛利率、经营性现金流等），做同比对比、生成图表，再帮我对比国内大模型公司的行业情况，最后写一份解读报告。

前后一共等了12分钟左右的时间，它帮我输出了一版报告。但中间等待的时间确实有点久……不重要，消耗TOKEN后来看看效果对比：

（以上是WorkBuddy给的图表）

图表是各有各的风格，你想要什么样的数据和风格，总有一款适合你。我认为，如果你想要更具体精准一点的，就要把最初的问题提的精细点。我们再来试试它的一句话生成场景，比如我让它帮我生成马斯克驾着火箭登陆月球的视频。

当然，这个时间也是非常久的。我已经在等模型响应这一环节，等了超过10分钟，等我离开工位去茶水间接个咖啡做个拉伸回来，它告诉我当前模型服务器暂不可用。好家伙，运行转悠半天给我来这个。多少有点崩溃啊！

而且，它的视频生成用的是它自带的生成专家，相当于某个Skill智能体来做这个任务。

我看到，APPSO的测试结论是腾讯终于踩下油门，一句话生成可操作的实时3D月球车场景。南方都市报的测评更狠，让它做3D弹球游戏，它自己跑无头物理验证，发现球会逃逸出球台、发球冲不上去、挡板打不飞三个bug，自己定位、自己修好，全程没用人管。好吧，是我的服务器不行。

我们来试试游戏代码生成如何，一个老生常谈的项目：帮我写一个QQ农场的游戏。

这个倒是挺快的，在后台开始给我干活写代码。5分钟就给我干出一个不错的网页版。

这只是故事的一半。

测试体验后我的一个感受是：复杂任务理解确实更细致了，但是用更长的思考换来的，相同的任务下token消耗比一些模型更大；长任务偶发无限死循环，思考过程过长直接截断、任务终止。

官方承认的过度自我验证，是实打实地体现在账单和等待时间里的。

更尴尬的是，Hy4 preview是纯语言模型，没有视觉、没有多模态。你在WorkBuddy里让它生图生视频，系统会自动切到别的模型，正常扣积分，不占免费额度。官方公告写得很清楚。对着一家说自己要探索全模态智能上限的公司，这代模型先把自己摘出去了。

安全披露也是空白。有第三方评测AI Tools Review指出，腾讯没有像Anthropic、OpenAI、Google那样发布 system card、风险框架或安全专项评估。一个自称能自我改进、能自主优化推理基础设施的模型，这个缺口，并不是一件小事。

04 便宜的旗舰和真实的算力

定价倒是干净利落（元/百万 tokens，各家官方定价页我们看看）：

在国产旗舰统一价里，Hy4是全场最低的一档，比 Kimi K3 的输入价便宜了七成。缓存命中0.3元是隐藏亮点，长上下文流水线反复读同一份材料时，第二次起几乎白送。

但这里有个对照组不能漏，那就是DeepSeek V4 Pro 自8月17日起搞峰谷定价，空闲时段 4.5/13.5/0.15，三项都比 Hy4 便宜。

算总账，便宜这件事，腾讯还不是稳赢的那个。

但免费政策还算大方。WorkBuddy/CodeBuddy 里 Hy4 preview 限免到 9 月 10 日，Hy3 顺延到 9 月 30 日，每个人每天有免费额度。想自己验证的，现在零成本。

自托管也不拦着，Apache 2.0，FP8版大约要720GB显存，8卡H200能跑，8卡H100不够。这行小字值得记住，开源免费，但跑得起它的人不多。

所以，焦虑缓解了吗？回到开头那个问题。对“混元是不是废物”这个舆论问题，答案基本翻案了。从2025年躺平的定性，到2026年8月Arena 代码榜第5、开源第3，混元用6个月证明了重建路线的成立。

这不是赢了几分的事，是这家公司还能不能做出一线模型的事，这个更根本的问题，Hy4 preview确实给出了正面回答。

对姚顺雨个人，这步棋也没走错。入职9个月，两代大版本，代际提升幅度实打实，7 月整合完基础模型部，组织理顺了，产品也跟他绑在一起（WorkBuddy 桌面办公 Agent 市场份额领跑）。至少到目前看来，腾讯请他来是对的。

但对腾讯这家公司，焦虑只减了一半，而且减的是容易的那一半。

难的那一半，Hy4 preview 用自己的三天表现亲自演了一遍：

算力问题。上线即排队，三天紧急扩容，官方明说受限于高端算力总量。二季度527.8 亿的资本开支说明腾讯知道问题在哪，但钱变算力要时间，而排队正在发生。

差距问题。CritPt 垫底区，HLE 落后 Claude Opus 5 十分以上，SWE-bench Pro 落后13.5 分。“开源第一梯队”和“全球第一梯队”之间隔着的，或许恰是腾讯最焦虑的那段距离。

更扎心的是，Claude和GPT没有站着等它。

验证问题。盲测是自家员工打的，跑分是自家 harness 跑的，独立横评还没出炉。第一梯队的叙事，一半还悬在官方数据上。

再看preview本身。过度思考、token 膨胀、死循环和截断，官方全认了。Hy3 preview 到正式版补短板有先例，但在正式版落地前，这些就是用户的真实体验。

以及8月的对手也还在跑。DeepSeek V4-Flash/V4 Pro、Qwen 3.8-Max、GLM-5.3，月底智谱和千问还深夜各发了一款 Flash 试图划斩杀线。Hy4 preview 是在别人加速时追上来的，不是别人停下等它。

马化腾说“希望船速能快一点”。Hy4 preview证明船没沉，还能加速。但漏水的问题，终究要靠算力、时间，以及下一版的正式模型来修。

对腾讯和姚顺雨来说，焦虑的总量大概没变，只是换了一种形态。从我们还行不行，变成了我们还能多快。

这算是一种升级。但升级，并不等于解决。「完」