> ## Documentation Index
> Fetch the complete documentation index at: https://docs.apiyi.com/llms.txt
> Use this file to discover all available pages before exploring further.

# 腾讯混元 Hy4 正式版上线

> 腾讯混元 Hy4 正式版已上线 API易：770B MoE 架构、960K 输入窗口，首次支持视觉理解与 Computer Use。输入 $0.85 / 输出 $2.55 每 1M tokens，Default 与 SVIP 分组可用。

## 核心要点

* **正式版已接入**：`hy4` 已在 API易开放，走 OpenAI 兼容的 `/v1/chat/completions`，`Default` 与 `SVIP` 分组可用
* **770B MoE，49B 激活**：每次推理只唤醒约 6.4% 的参数，模型的知识容量与单次推理成本解耦
* **960K 输入 / 64K 输出**：官方称上下文突破 100 万 tokens，TokenHub 侧限制为 960K 输入、64K 输出
* **首次能看图、能操作电脑**：视觉理解与 Computer Use 一起引入，支持图形界面与命令行操作软件
* **幻觉率接近腰斩**：由 12.95% 降至 7.2%，因猜测导致的错误率由 23.1% 降至 5.6%

## 背景介绍

自 2026 年 2 月重建基础设施以来，腾讯混元保持平均每两个月推出一个大版本的节奏：先放 Preview，再结合用户反馈迭代正式版。Hy4 preview 于 2026 年 8 月 28 日发布，定位「面向 Agent、Coding 与生产力场景优化」；11 月 4 日，Hy4 正式版发布，参数规模从 Hy3 系列的不到 300B 提升到 770B 总参数，并第一次把视觉理解与 Computer Use 装进同一个模型。

这不是一次只刷榜单的发布。官方给出的六个方向——办公协作、长期个人助理、金融分析、前端开发、游戏开发、科学研究——都附了内部评测或真实业务数据。对开发者而言更值得关注的是调用形态的变化：处理图文混合任务时不必再串联独立的多模态理解模型，文本生成、深度思考、多模态理解合在同一个模型里，调用链从多步变成单步。

API易已接入正式版，模型 ID 为 `hy4`。已有文本对话链路的项目，替换 `model` 字段即可先做一轮效果验证。

## 详细解析

### 规格：770B MoE 与 960K 上下文

| 规格项 | Hy4 正式版 |
| - | - |
| 架构 | MoE 混合专家 |
| 总参数 | 770B |
| 激活参数 | 49B |
| 最大输入 | 960K tokens |
| 最大输出 | 64K tokens |
| 官方上下文口径 | 突破 100 万 tokens |
| 优化方向 | Agent、Coding、生产力场景 |

激活参数只占总参数约 6.4%，这是 MoE 架构的直接结果——推理时只唤醒部分专家网络，知识容量与单次调用成本得以解耦。对使用者的意义是：能用上大模型的知识广度，但不必承担与总参数量成正比的单价。

960K 输入窗口意味着整个中型代码仓库、上百页合同可以一次喂进去，不必再自己写分块逻辑；64K 输出则决定了长篇代码、结构化报告与完整文档「一次写完」的边界。实际开发中，输出上限往往比参数量更早成为瓶颈。

### 两项「第一次」：读图与动手

> [card] 视觉理解
>
> 首次支持读图，覆盖复杂图表解读、文档理解、多图信息分析与带图的数学视觉推理。此前处理图文混合任务需要串联独立的多模态模型，现在一个模型、一次调用即可。

> [card] Computer Use
>
> 把视觉能力用于操作：结合图形界面与命令行使用软件。针对 Blender、CAD 等专业软件与跨应用长程任务做了专项训练，并在沙箱中反复执行验证。

视觉输入在 API易 侧已确认可用：`messages` 里直接传图片即可，无需另开多模态模型。Computer Use 属上游新增能力，接入前建议先按单次请求验证。

官方给了两个接近极限的视觉案例：在 28 亿像素航拍图中定位约 2 米大小的屋顶构件；把 900 片打乱的拼图重组成莫奈的《博尔迪盖拉》。前者考的是超高分辨率下的细粒度定位，后者考的是视觉碎片之间的整体理解与空间推理。

Computer Use 的配套是腾讯云 Agent Runtime：混元与该团队协同构建沙箱环境，部署数百款应用软件供模型反复执行与验证，沙箱本身也面向企业和开发者开放，可按需扩展训练与运行环境。

### 六个场景的实测数据

| 场景 | 官方数据 |
| - | - |
| 办公协作（WorkBuddy） | 平均 83.18 分，任务通过率 96.15%，12 个场景中 9 个国内第一 |
| 金融众测 | 213 位专家、579 个真实任务，3.04 分居开源模型第一 |
| 游戏开发 | GameDev 相比 preview 提升 19.1%，GameLogic 提升 9.8% |
| 科学研究 | TenureTrail 内部评测（7 大学科、123 项任务）开源模型第一 |

金融众测的对照模型为 DeepSeek-V4.1-Flash-1017（2.97 分）、Kimi K3.1 Pro（2.68 分）与 GLM-5.3（2.68 分）。这个对比的价值在于「真实任务 + 外部专家」：213 位专家中 153 位来自外部头部金融机构，七成拥有 5 年以上从业经验，任务覆盖基金研究、证券分析、量化策略、资产配置与财税会计。

科研方向有两个案例值得单独看。其一是 699 万个细胞的小鼠胚胎三维重建：面对 84 张无序二维切片及其中的镜像翻转，Hy4 在离线、无专用配准工具、无细胞类型标注的条件下，1.5 小时内完成切片对齐与三维重建，全程无人干预，效果优于常用配准工具的默认流程。其二是与北京大学数学团队的合作：Hy4 找到 Méndez–Pinto–Villarreal 猜想的反例，提出新条件完善该猜想，并对相关证明做 Lean 形式化验证，走通「反例发现 → 命题修正 → 证明验证」的研究闭环。

### 可靠性：幻觉率与猜测率

> [!NOTE]
>
> 不同腾讯系渠道披露的口径略有差异（另有 15.76% 降至 5.45% 的说法），但对「猜测导致的错误率由 23.1% 降至 5.6%」的披露一致。下文以官方自建测试披露为准。

* 幻觉率：12.95% → 7.2%
* 因猜测导致的错误率：23.1% → 5.6%

对金融、法律、检索增强类应用来说，这组数字可能比任何榜单都重要：模型开始倾向于「基于证据作答」，而不是补全一个看起来合理的事实。

## 实际应用

### 代码示例

以下示例使用 OpenAI Python SDK，通过 API易 网关调用 `hy4`，先设置环境变量 `APIYI_API_KEY`：

```python theme={null}
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["APIYI_API_KEY"],
    base_url="https://api.apiyi.com/v1"
)

response = client.chat.completions.create(
    model="hy4",
    messages=[
        {"role": "system", "content": "你是资深金融分析师，先给结论，再逐条列出依据。"},
        {"role": "user", "content": "把这份季报的营收、毛利率与经营现金流整理成表格，并指出最需要追问的一点。"}
    ],
    stream=True
)

for chunk in response:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")
```

流式与非流式都按 OpenAI 标准格式返回。缓存命中时，重复前缀按每 1M tokens \$0.045 计费，适合把固定系统提示词与长文档放在请求前部。

### 推荐场景

> [card] 长文档与代码理解
>
> 960K 输入窗口适合合同审阅、技术文档、中型代码仓库的一次性理解，减少分块与拼接。

> [card] Agent 与工具调用
>
> 面向长程任务优化，适合多步工具调用、跨应用流程与需要持续执行的自动化 Agent。

> [card] 金融与投研
>
> 金融众测开源第一，配合降低后的幻觉率，适合投研摘要、估值建模与尽调问答。

> [card] 前端与游戏开发
>
> UE、Unity、Godot 深度适配，GameDev 与 GameLogic 相比 preview 均有双位数百分比提升。

### 使用建议

1. **视觉输入已可用，Computer Use 先验证**：`messages` 里直接传图片即可使用视觉理解，图片按输入 tokens 计入；Computer Use 属上游新增能力，接入前先按你的请求格式做单次验证。
2. **把稳定内容前置**：缓存命中价约为输入价的 5.3%，系统提示词、长文档、多轮历史尽量放在请求前部。
3. **长任务先沙箱**：Computer Use 类任务建议在隔离环境里跑通再接入生产，不要一开始就放开全部权限。
4. **按 `usage` 核算**：长上下文与图片输入都会推高实际 token 消耗，别只按单价估算成本。

## 价格与可用性

### 定价信息

| 计费项 | 每 1M tokens 单价 |
| - | - |
| 输入（控制台显示为「提示价格」） | \$0.85 |
| 输出（控制台显示为「补全价格」） | \$2.55 |
| 缓存输入（读取） | \$0.045 |

> [!NOTE]
>
> 模型价格与官网对齐，且可能随官网调整；上表仅供参考，具体以顶部导航「模型价格」栏目为准：[模型价格](https://docs.apiyi.com/models/index.md)。

腾讯云官方 Hy4 定价为输入 6 元、输出 18 元、缓存命中 0.3 元每百万 tokens。API易按站内固定汇率 1:7 折算，两者基本一致。腾讯云 TokenHub 侧另有刊例价折扣活动，属上游直连优惠，与 API易的定价体系相互独立。

### 可用分组

`Default` 与 `SVIP` 分组均已开放，模型 ID `hy4` 在两组保持一致，统一走 OpenAI 兼容的 `/v1/chat/completions`。`Default` 可直接用于接入验证；对稳定性与并发有更高要求的业务可按现有分组策略选择 `SVIP`。

### 叠加网站充值活动

上述价格为默认标价，可叠加充值赠送与分组优惠，实际扣费以控制台为准。活动规则见[充值活动说明](https://docs.apiyi.com/faq/recharge-promotions.md)。

## 总结与建议

Hy4 正式版的看点不在于参数从不到 300B 涨到 770B，而在于三件事同时发生：模型能看图、能操作电脑、幻觉率接近腰斩。这让它从「文本生产力模型」跨到了「能接触真实工作对象的 Agent 模型」。

* **长文与代码理解**：960K 输入 + 64K 输出，优先替换需要分块处理的老链路
* **金融、投研、尽调**：开源模型里金融众测第一，配合降低后的幻觉率更敢用
* **Agent 与 GUI 自动化**：先在沙箱验证 Computer Use 的稳定性，再逐步放开权限
* **成本敏感的高频短文本**：Hy4 单价高于 Hy3，这类场景继续用 Hy3 更划算

> [!NOTE]
>
> **信息来源与核验日期**：
>
> * 腾讯混元 Hy4 正式版发布说明：`cloud.tencent.cn/developer/article/2776227`
> * Hy4 能力升级与计费说明：`cloud.tencent.com.cn/developer/article/2780277`
> * 腾讯云混元产品页：`cloud.tencent.com/product/tclm`
> * API易实时模型注册表：`docs.apiyi.com/model-registry.json`
> * 资料检索与价格核验日期：2026 年 11 月 10 日


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.