AI 评测 · 刀哥聊AI

腾讯Hy4-preview大模型 深度评测：
开源创新可用，免费2周，前端能力看齐Kimi？

8月28日，腾讯混元扔出了一颗重磅炸弹，
新一代大模型 Hy4-preview 正式发布并开源。4000字，阅读需要10分钟

这是继7月Kimi K3、8月初Qwen3.8-Max、GLM-5.3之后，国内开源大模型阵营的又一次重要迭代。

作为一名从凌晨蹲到发布，又在WorkBuddy里连肝十几个小时的AI爱好者，我想用这篇4000字的长文，把Hy4-preview到底是个什么水平、值不值得用，讲清楚。

划重点 · 三项科幻级设定

第一，递归自我改进闭环——AI自己出题、考试、改错，形成无限循环。

第二，自主优化推理基础设施——AI改造自己的灶台，吞吐量提升 31.8%。

第三，AI研究员能力——像博导一样协调多个Codex并行实验，效率远超独立探索。

一、三项科幻设定般的开创性贡献

如果把以前的AI大模型比作被喂饭的学霸，那Hy4-preview最大的突破就是：它开始自己给自己做饭、自己给自己看病、甚至自己给自己盖厨房了。

腾讯官方给Hy4-preview总结了三项开创性贡献。听着很技术，但其实每一个都特别有画面感。

• ✦第一项：递归自我改进闭环。
  你可以把它理解为AI考上了自己的培训班。传统的大模型训练，是人类工程师定方法、人类工程师挑数据、人类工程师搭评测，模型像个学生一样被动接受训练。而Hy4-preview这次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。
• ✦第二项：自主优化推理基础设施。
  这一项更离谱——它相当于AI不仅学会了炒菜，还学会了改造灶台。Hy4-preview能自己分析推理系统的瓶颈，围绕算子融合、通信优化等方向开展多轮优化，把端到端吞吐量相较基线提升了31.8%。
• ✦第三项：AI研究员能力。
  这是三项里最有科幻感的一个。Hy4-preview可以像研究者一样同时管理多个Codex Session开展实验，并根据结果持续调整方向。官方测试中，它作为研究组长协调多个Codex并行优化，最终8项评测全部优于Codex独立探索。

这三项贡献合在一起，描绘了一个清晰的未来图景：AI正在从工具变成能自我进化的生产力系统。当然，Hy4-preview还只是一个preview版本，腾讯自己也承认它还有长思考和过度自我验证的问题，但这个方向本身足够重要。

二、跟Kimi K3和Opus 5比：不是更大，而是更专

很多人看到Hy4-preview的参数规模会问：770B总参数、49B激活参数，跟Kimi K3的2.8万亿参数比起来是不是差远了？

答案是：参数确实小很多，只是kimi的四分之一（2800B），但真实能力差距没有数字看上去那么夸张。

先看跟Kimi K3的对比。Kimi K3是目前全球参数最大的开源模型，2.8万亿总参数、104B激活参数，原生支持视觉理解，定位是全能旗舰。

Hy4-preview跟它比起来，更像是一个偏科但单科成绩很能打的选手。在腾讯组织的163名内部专家、203个工程任务盲测中，Hy4-preview均分2.99/4，略高于Kimi K3的2.94/4，胜负关系是胜51.2%、平7.9%、负40.9%。

再看跟Claude Opus 5的差距。Opus 5是Anthropic 7月24日发布的旗舰模型，也是目前AI编程和复杂任务的天花板之一。Hy4-preview跟它相比，差距是结构性的。

在Terminal Bench 2.1上，Hy4-preview拿到了85.4分，官方宣称与Opus 5持平；在SWE Atlas Refactoring、PostTrainBench、Toolathlon-Verified等任务上已经逼近Opus 5所在的区间。

但短板同样明显：在ProgramBench上，Hy4-preview只有17.5分，而Opus 5是39.5；在HLE纯文本任务上，Hy4-preview是43.4，Opus 5远高于此；在DeepSWE上，Hy4-preview也明显落后于Opus 5和Kimi K3。

总结一句话：Hy4-preview已经稳稳进入国产开源第一梯队，部分单项能跟Opus 5掰手腕，但综合能力仍有可见差距。它要精准卡位：把自己放在了代码、办公、游戏、科研这些生产力场景上。

三、跟Hy3比：脱胎换骨，代际跃升

Hy3正式发布50多天，worbuddy上一直免费，但是真的弱的不行，完全不如deepseek。Hy4-preview这次的进步幅度可以说是激进。

• ◆参数规模：
  Hy3总参数295B、激活参数21B、上下文256K；Hy4-preview直接拉到770B总参数、49B激活参数、1M上下文。总参数翻了约2.6倍，激活参数翻倍还多，上下文长度翻了4倍。
• ◆基准成绩：
  最亮眼的是Terminal Bench 2.1，从Hy3的约70.8分暴涨到85.4分，一下追平Opus 5；DeepSWE从28.0分跳到64.3分，翻了2.3倍。在12项基准测试中，Hy4-preview相对Hy3实现了全面的代际飞跃。
• ◆场景能力：
  Hy3宣称已经能处理较复杂的代码和Agent任务，但Hy4-preview在真实生产力上走得更深。它增强了长程开发任务的理解、规划、调试与验证能力，提升了前端开发的视觉审美和交互质量，优化了办公分析、金融建模、跨文件协作，还强化了游戏原型生成和科学研究能力。

腾讯自己的定位也很清楚：Hy4-preview是为生产力而生的模型。它不是要做另一个聊天机器人，而是要嵌进软件工程、游戏开发、金融分析、安全研究这些真实工作流里。

四、部署最低配置：开源是真的，但个人跑不动。。。

Hy4-preview是开源的，Apache 2.0协议，权重和代码都公开，可以免费商用。这点要给腾讯点赞。但开源不等于个人能跑，大约需要770GB的显卡！

首先，模型文件体积巨大：BF16原始权重大约1.42 TiB（约1.5TB），FP8量化版大约760GB。实际推理需要多卡张量并行，并且对GPU架构有要求——FP8路径需要SM100架构支持。

社区里有人算过账：4张32GB显卡只有128GB显存，远远不够；4张48GB显卡192GB，仍然差得远；8张80GB显卡640GB，依然低于FP8权重本身的770GB占用。再加上MLA KV Cache、运行时开销等，实际需要的配置只会更高。

所以结论是：本地完整部署Hy4-preview，基本是企业和大型工作室的事，个人开发者别折腾，直接用云API更划算。

腾讯云TokenHub和OpenRouter都提供了API，价格是输入6元/百万tokens、输出18元/百万tokens、缓存命中0.3元/百万tokens。

而且WorkBuddy/CodeBuddy现在还有两周限免，普通用户完全够用了。

五、实测表现：前端惊艳，复杂任务仍在排队

接下来是我个人最关心的部分——实际用起来到底怎么样？我挑了几个有代表性的任务做了实测，结果如下。

• 1 水果忍者：完美实现。
  一次跑通，视觉效果和交互流畅度都在线。

• 我本来想拿deepseek跟它比的，结果完全不行，两次返工都是bug，黑屏。只能把标题换成kimi。kimi-k3仍然是国产顶流，也是一次成功。
• 
  
• 但是Hy4-preview的水果UI还是明显超过了kimi，Hy4-preview有点东西。

• 2 旋转六边形弹球：完成度超过DeepSeek

  物理稳定，球不穿墙不卡边。
• 
  
  
• deepseek六边形都没给我画出来
• 
  
  
• 3 GBA比卡丘回合游戏：实现完美
  战斗逻辑、回合切换、状态判定都到位。
• 
  
  
• 4 GBA模拟器：完成度及格线
  有框架、能演示，但功能和体验还是差一些。Kimi也不能很好复刻他们的宣传视频。
• 
  
  
• 5 图片文字和动物图炸开、替换：50分钟未完成，排队。
  
  
• 我用的是字节的一个很不错的宣传视频，做复刻评测：
• 
  
• 
  

• 
• （凌晨和早8点前还行，目前基本是个瘫痪状态）

• 
  
  50分钟没完成，我觉得视觉多模态能力还有明显短板。
• 这个Kimi-K3 十分钟左右竟然完美完成了：
• 
  
• 我之前为了做这个动画，写了两千字提示词给Kimi-K2.7，这次完全不需要多余提示词，真的膜拜Kimi-K3。
• 

• 
  
• 6 企业私有化Agent执行系统：单次指令完成度及格，需要二次开发
  适合做第一版生成器Demo，完整功能即使给了详细的技术设计文档，也需要多次迭代。
• 
  
  

六、总结：什么场景值得用？还有哪些要提高？

值得用的场景

• 前端开发和游戏原型（WebDev Arena开源模型第3名）
• 长上下文办公分析（1M上下文处理超长文档、财报、代码库）
• 代码智能体和软件工程任务（Terminal Bench、DeepSWE、Toolathlon成绩亮眼）
• 中小企业和个人开发者尝鲜（两周限免+云API）

还需要提高的地方

• 多模态视觉能力（图像理解和复杂视觉编辑不够强）
• 从零架构复杂系统的能力（ProgramBench低分说明更擅长在已有框架里执行）
• 长任务中的过度思考和自我验证（复杂任务下会变慢）
• 私有化部署门槛太高（普通开发者基本跑不动）

📌 刀哥结语

到今天，可以说，腾讯终于有一款自己的国产一流模型了，可用好用。

Hy4-preview是一个定位非常清晰、进步非常扎实的模型。它用770B的参数规模，在多个真实生产力场景里打出了接近甚至超过2.4T/2.8T对手的效果，这本身就是一种能力。姚顺雨这次交的作业，分数80+！

如果你是开发者、产品经理、独立创作者，或者只是单纯想体验国产AI的最新进展，这两周限免非常值得上车。用它来生成前端原型、处理长文档、做办公自动化，你会明显感受到它比上一代的Hy3强了一大截。但如果你期待它现在就能完全替代资深程序员、设计师或架构师，那还为时尚早。

（可以从元宝失利、HY3差评的阴影里出来了吧！）

Hy4-preview最大的意义，或许不是它今天有多强，而是它展示了一个方向：AI不再只是被动接受训练的工具，它开始参与自身的进化、基础设施的优化，甚至像研究员一样组织实验。

AI是万能锤子，这次它开始自己找钉子了。这个方向如果跑通，正式版的Hy4可能会给我们带来更大的惊喜。