腾讯Hy4预览版模型发布

腾讯于2026年8月28日发布了Hy4预览版开源模型。该模型总参数量为770B,激活参数49B,上下文窗口达100万token,相较于Hy3的295B/A21B参数和256K上下文窗口有显著提升。训练数据由腾讯内部软件工程师、游戏开发者、金融分析师和安全专家共同构建,将实际工业产出转化为训练信号。模型四大能力领域突出:软件工程(包括视觉审美与交互质量)、办公分析(多文件混乱上下文到可交付文档/表格/PPT,含欺诈检测)、游戏开发(单提示可玩原型、Unity多轮迭代)以及科学研究(AI研究、分子动力学、凝聚态物理、纯数学)。Hy4预览版曾并行管理多个Codex会话,作为研究者优化后训练任务,在全部8项基准测试中超越单独使用Codex的表现。在与全球10个前沿模型的对比中,获得两项第一(Terminal-Bench 3.0: 77.3, BrowseComp: 83.6);在国内18个模型对比中,Hy4预览版在13项中领先,GLM 5.3紧随其后。与全球模型的最大差距在于抽象推理(ARC-AGI-2: 52.6,而Gemini 3.1 Pro为77.1)。在Arena WebDEV上,Hy4预览版排名第五,与GLM-5.3Flash相近。单独评论强调,专家高质量数据共建对模型性能至关重要,并警告算法傲慢的风险。
Key insights
Hy4预览版带来参数大幅跃升与100万上下文
腾讯Hy4预览版总参数量达770B,激活参数49B,是Hy3(295B/A21B)的四倍,上下文长度从256K扩展至100万token。这使其跻身最大开源模型之列,并直接面向长文档与长周期智能体任务。
训练数据源自内部工业流程是腾讯的差异化优势
与仅使用公开数据训练的模型不同,Hy4预览版的训练集由腾讯内部软件工程师、游戏开发者、金融分析师和安全专家共同构建,使用其实际工作成果。这可将内部工业场景转化为训练信号,是纯模型公司所不具备的资源优势。
智能体与搜索能力是突出优势
Hy4预览版在Terminal-Bench 3.0(77.3,领先GPT 5.5达1.7分)和BrowseComp(83.6,领先GPT 5.5达2.2分)上取得全球第一。这两项基准测试加上ARC-AGI-2实现了最大的代际提升(分别提升18.9、16.9、16.4个百分点),表明后训练资源大量投入于长周期智能体任务。
国内领先优势有限,未形成代际差距
Hy4预览版在国内18项基准测试中领先13项,但在4项中输给GLM 5.3(IMOAnswerBench、GPQA-Diamond、SWE-bench Verified、tau3-bench),差距大多在1分以内。一项163位专家的盲测显示,净胜率仅比GLM 5.3高出约6个百分点(2.99 vs 2.92)。Kimi K3落后幅度更大,而DeepSeek V4在智能体任务上显著落后。
抽象推理仍是与全球前沿模型的最大差距
在ARC-AGI-2上,Hy4预览版仅得52.6分,落后Gemini 3.1 Pro(77.1)24.5分,落后GPT 5.5(70.7)18分。这一显著差距表明,尽管数学与科学推理已进入第一梯队(差距仅1-4分),但国内模型在泛化推理方面仍存在代际差距。
专家数据质量是模型进步的关键驱动力
发布时的一篇评论强调,句子“通过与顶级专家进行高质量数据共建……Hy4预览版取得了显著进展”是最重要的启示。该评论将DeepSeek的做法(研究人员花费大部分时间标注数据)与之类比,认为缺乏数据专注的算法傲慢会拖慢进展。
Hy4预览版在Arena WebDEV上排名第五,与GLM-5.3Flash相当
在Arena WebDEV排行榜上,Hy4预览版位列第五,性能与近期发布的GLM-5.3Flash相近。这为官方基准测试结果提供了额外的外部验证点。
Hy4预览版作为自主研究者协调多个Codex会话
一项公开实验显示,Hy4预览版在小模型后训练任务中并行管理多个Codex会话,判断方向、组织实验并协调优化8个评估目标,最终在所有基准测试上超越单独使用Codex的表现。这展示了早期自主研究协调能力。