腾讯混元 11 月 16 日发布 Hy4flash。对一次准旗舰级发布来说,它的定位窄得有点反常:不争最聪明,只争「能让你跑一整天还不太心疼」的那个位置。

模型的形状

Hy4flash 总参数 2240 亿,其中 640 亿是 Engram 参数,单 Token 激活 120 亿,支持多模态输入和 100 万 Token 上下文。三个设计承担了成本:混合注意力、LatentMoE 路由、Engram 记忆层。

最要紧的是 KV Cache 压缩。官方说缓存体积是 Hy4 的六分之一,解码速度超过 150 tps。缓存小了,单卡能扛的并发会话就多了——这决定了一个模型是拿来演示,还是敢挂在那里一直开着。

价格阶梯

每百万 Token:输入 0.5 元、输出 2 元、缓存命中 0.02 元。最后这个数字最值得盯着看:一次缓存命中只花新输入 Token 的百分之四。这种比例改变的不是账单,是架构决策。

腾讯自己的对比是:综合效果略优于 7700 亿参数的 Hy4preview,单任务成本约为后者的十三分之一;对标准版 Hy4 则约为二十分之一。

官方划的使用边界

腾讯说得很明确:深度搜索、文档处理、PPT 生成这类日常活儿交给 Hy4flash,长程复杂任务留给 Hy4。这是高低搭配,也是所有认真买 API 的团队正在收敛到的同一种路由方式——便宜的跑量,贵的处理难的那条尾巴。

这套模式的风险在路由本身。按任务类型路由,在边界上一定会判错,而成本恰恰集中在边界。按重试路由通常更可靠:先跑 flash,检查不过再升级,代价是难题多花一次调用。

发布里缺的东西

没有独立评测表,也没有公开上下文逼近百万时的质量衰减曲线。150 tps 是腾讯条件下的解码速度,批大小和并发会改变它。

官方说模型后续会开源。在那之前,唯一靠谱的定价方式是用自己的流量测。

一个可执行的测法

挑一个文档密集型流程和一个搜索密集型流程,开启缓存各跑一遍,记录缓存命中率。命中率稳定在 50% 以上,经济性大致如官方所说;如果接近零,那你付的就是 0.5 元进、2 元出,跟别家中端模型没差别,而 120 亿激活的上限会在需要推理而非抽取的任务上暴露出来。