腾讯混元HY4正式版发布：跻身最强开源模型之列，价格与配置全解析

腾讯混元新一代模型 —— 混元 HY4 正式版已经发布。据 B 站 UP 主“咕咕嘎嘎”的解析（原视频标题称其为“最新力作”），该模型已位列最强开源模型之列，并在发布报告中首次引入了生物安全等议题的讨论。

模型定位：开源阵营的新变量

UP 主在视频中明确表示，混元 HY4 不敢自称“开源第一”，但确实进入了最强开源模型之列。这一表述本身值得玩味：一方面，开源模型之间的竞争已从参数规模转向综合能力对标；另一方面，发布报告的结构与措辞——尤其是对生物安全议题的强调——让人联想到 OpenAI 和 Anthropic（XDropic）等闭源公司的风格。UP 主对此的点评颇为直接：“在生物安全方面，原文写的是尚未发现其能显著降低实施生物危害行为的门槛，那你没事强调它干啥。”

这种“与前沿闭源模型对齐”的叙事，某种程度上也反映了国内开源模型正在尝试在能力之外补齐合规与安全论述的短板。

生物安全议题（Biosecurity）在大模型发布报告中的出现，源自对模型可能被滥用于生物危害领域的风险评估。典型场景包括：模型是否能提供危险病原体的增强、传播或规避检测的操作性知识。OpenAI 在 GPT-4 系统卡中首次系统性地引入此类「红队测试」章节，Anthropic 的 Responsible Scaling Policy（RSP）则进一步将能力阈值与安全措施挂钩——一旦模型在特定危险能力评估中越过阈值，就需启动更严格的对齐与部署限制。国内模型在发布报告中加入此类表述，通常以「未发现显著降低实施门槛」的否定式结论呈现，属于合规叙事的一部分，与真正的能力阈值管理仍有距离。

跑分体系：34 项测试与内部基准

混元 HY4 的跑分覆盖范围再次刷新了 UP 主的记录——附录中共列出 34 个跑分，其中包含大量腾讯内部测试项。UP 主坦言“这是我头一次不想念跑分”，并将完整跑分放在评论区供感兴趣的观众查阅。正文中仅简要提及：对比对象为 JPT 的 6.1 Solo 和 Cloud Ops 5.5。

从官方强调的维度来看，混元 HY4 的侧重点相当清晰：

• 前端与游戏开发：UP 主调侃这“疑似是把腾讯的程序员炼化了”，与其对腾讯的刻板印象相符；
• 多模态与 Computer Use：作为首发多模态模型，官方强调其多模态与计算机操作能力，跑分中声称超过 JPT 6.1 Solo；
• 办公能力：结合腾讯 WorkBot 产品线，混元 HY4 在办公场景的跑分可与 JPT 6.1 Solo 打得有来有回。

一个有趣的细节是腾讯内部的数学测试：国模得分普遍在十几分区间，而外模得分在 90 分以上。UP 主认为这体现了科研层面的差距，并将其归因于算力约束下的无奈之举。

Computer Use（计算机操作能力）指模型通过截图理解图形界面并输出鼠标点击、键盘输入等动作，从而自主完成软件操作的能力。典型任务包括填写表单、跨应用复制数据、操作浏览器等。与传统 API 调用不同，Computer Use 依赖视觉定位与多步规划的鲁棒性，评测通常采用端到端任务完成率而非单步准确率。Anthropic 的 Claude Computer Use、OpenAI 的 Operator 均属此类。对开源模型而言，该能力的难点在于高分辨率 UI 截图理解与长序列动作的误差累积，跑分超越闭源模型往往需要针对 UI 语料做专门训练。

定价与后续产品线

价格方面，混元 HY4 正式版的输入为 6 元、输出为 18 元，缓存命中 3 毛钱，与之前预览版的价格完全一致。官方同时说明，将在近期发布混元 HY4 Flash，显著提升推理速度。UP 主因此判断，腾讯将形成“一大一小”两个版本的产品组合。

**大模型定价中的「缓存命中」**指对重复出现的上下文前缀复用已计算的 KV Cache，从而只对新增 token 计费。由于长系统提示、文档问答等场景中前缀高度重复，缓存命中价格通常仅为标准输入价的 1/10 甚至更低。混元 HY4 的输入 6 元、输出 18 元若按每百万 token 计，缓存命中 3 毛即约为输入价的 5%，这一比例与主流厂商的缓存折扣区间基本一致。对高频调用同一知识库的开发者而言，缓存定价的实际成本影响可能超过基础单价本身。

竞争节奏：DeepSeek 被当作基准线

UP 主在视频中直言，腾讯混元 HY4 实际上是拿 DeepSeek^广告 V4.1 Flash 1017 当基准线来打，并喊话 DeepSeek 团队“赶紧把这个 V4.1 Pro 掏出来”。

从这一判断延伸，当前开源模型的竞争已进入“对位迭代”阶段：每个新模型发布时，都会锁定一个同代竞品作为对标对象，而跑分与价格则是两条最直接的公开战场。混元 HY4 的定价策略并未随正式版上调，这在一定程度上表明，腾讯更倾向于以价格稳定换取社区采用率，而非在发布初期追求溢价。

「一大一小」双版本产品组合是当前大模型厂商的常见策略：旗舰版追求能力上限，用于跑分对标与复杂任务；轻量版（Flash、Mini、Lite 等命名）以更低延迟和价格覆盖高并发、低复杂度场景。两者通常共享同一训练基座，通过蒸馏或缩减推理开销实现速度差异。这种组合的意义在于，社区采用率往往由轻量版的实际性价比决定，而旗舰版更多承担技术形象与标杆作用。因此 HY4 Flash 的推理速度提升幅度，可能比正式版的跑分更能影响实际部署选择。

观察：开源模型的能力边界与叙事方式

混元 HY4 的发布透露出两个信号。其一，多模态与 Computer Use 正在成为开源模型的标配能力，而非差异化卖点；其二，安全话题开始出现在国内开源模型的发布报告中，即便表述方式仍显谨慎。UP 主对生物安全段落的质疑——“没活硬整”——代表了开发社区对这类“对齐叙事”的一种典型反应：当模型能力尚未触及相关风险边界时，安全声明容易被视作形式主义。

后续值得关注的变量是混元 HY4 Flash 的实际推理速度提升幅度，以及社区对正式版的真实反馈。在开源模型迭代频率不断加快的当下，跑分榜单的领先往往只维持一个版本周期，而价格与生态的稳定性，才是决定采用率的关键。

---

本文基于 B 站 UP 主“咕咕嘎嘎”的视频内容整理，跑分数据与产品细节均以原作者披露为准。