混元Hy4 preview上线即排队，能消解腾讯的AI焦虑吗？

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