腾讯混元 Hy4 即将发布、首次读懂画面、1M 上下文

AI 开始会看图了

10 月 29 日，腾讯全球数字生态大会上，腾讯集团高级执行副总裁汤道生抛出两个消息：混元大模型 Hy4 正式版即将发布；Hy4 flash 也会在近期发布，提供极致性价比的实用模型。

正式版还没发布，参数、价格、API 规格一个都没公布。但汤道生说了一句被全场记住的话：这次首次引入了视觉理解。

用人话说：以前的大模型是个"读过很多书的文字机器"，你给它一段话，它能分析、能写、能编。现在腾讯要做的，是给它装上一双眼睛。

而在此之前的 8 月 28 日，Hy4 Preview 已经先开源了——总参数约 7700 亿，每次对话点亮约 490 亿，上下文长度 100 万 token。这个数字不吓人，吓人的是"100 万 token 一次性塞进去"意味着什么。

一句话总结

混元 Hy4 的核心变化只有一句话：它第一次能直接"看"东西了。

>

而比 Hy4 本身更值得盯的，是随之而来的 Hy4 flash——当大模型开始按任务分级使用，AI 的成本结构才算真正松动。

一、腾讯这次到底憋了个什么

先把这三兄弟摆一起看，差别一眼就清楚：

· Hy4 Preview · Hy4 正式版 · Hy4 flash

时间 · 8 月 28 日已开源 · 即将发布 · 近期发布

总参数 · 约 770B · 未公布 · 未公布

激活参数 · 约 49B · 未公布 · 未公布

上下文 · 1M tokens · 继续拉长 · 与 Hy4 齐平

视觉理解 · 没有 · 首次加入 · 继承 Hy4

Agent 能力 · 有 · 有 · 继承 Hy4

定位 · 为生产力而生 · 长程任务、真实生产力 · 极致性价比

两个关键点解释一下"770B 总参、49B 激活"是什么意思。

用人话说：7700 亿是仓库总容量，490 亿是每次只拉开的那一个抽屉。这是一个挂着 7700 亿个抽屉的超大仓库，但每次回答你问题，它只精准地拉开其中 490 亿那一格——所以它既能扛住超大模型的知识面，又不会因为"全仓通电"而慢到无法使用。这是这两年大模型行业最流行的"稀疏"打法，混元在这一代上把总规模直接推到了 770B。

那 1M 上下文（100 万 token）呢？用人话说：大概相当于一次性把一整本几十万字的中文长篇塞进它脑子里，然后让它一次性读完，中间不许它"翻回去重看"。 在 Hy4 Preview 之前，这个数字对绝大多数企业来说还是一个"知道但用不起"的参数；1M 意味着你可以把一份完整的合同、整套产品手册、几个季度的会议纪要一次性喂进去，问一个跨全文的问题。

官方对正式版的描述是"全面大幅提升"，重点强化两块：长程任务（跑很久、多步骤、不许半途丢上下文）和真实生产力任务（代码、办公、科研这类真活）。同时提到一点容易被忽略的改动：提高思维链效率。说人话就是，它不光"想得慢想得深"，它还要"想得省"，不让你为了一次简单提问付出一堆推理过程的账单。

二、"能看画面"到底改变了什么

视觉理解这个词很容易被误解成"能认出图片里有一只猫"。那只是最原始的图像识别，2015 年前后就已经是基本能力了。

腾讯这次强调的视觉理解，重点在看图里发生了什么。

举三个你明天就能用上的例子：

第一，看图表读数。 你把一张季度营收折线图丢过去问"哪个月开始掉"，以前大模型要先 OCR 把图转成文字表格再推理，慢且容易把坐标轴读错；现在它直接"看"像素，趋势、拐点、异常点都能读出来。

第二，看报错截图改 bug。 开发者最烦的一件事是把终端报错截图手动敲成文字。现在直接丢图，模型能对着堆栈信息定位到具体行。

第三，看白板和手绘流程图。 会议白板上画的草图、流程箭头、手写批注，直接变成结构化文档——这是纯 OCR 永远做不好的，因为 OCR 只认字，不认"字和字之间的关系"。

为什么以前这么难？因为老路子是"先切小块、再翻译成文字、再理解文字"。一张复杂界面能切成几千个小块，转成文字后信息已经损失了一层，流程图的空间关系彻底丢失。

用人话说：以前的 AI 看图，像是一个只会念字幕的观众——它能把画面里的字念出来，但不知道谁在跟谁说话。现在这次改动，是让它开始"看画面本身"。

这块是腾讯第一次把视觉能力放进混元的主力版本，意义比参数数字更大：过去一年多，所有"多模态"都是给大模型外挂的眼睛，而这一次，眼睛被算进了大脑本身。

三、另一半战场：flash 和"模型分层用"

汤道生在会上说的另一句话，比 Hy4 本身更值得普通老板听：

"企业 AI 正从集中使用最强、最贵的模型，转向按任务匹配不同模型。"

用人话说：过去大家做 AI 像是公司里所有活儿都扔给部门主管——不管报销 50 块的发票还是写百万级的战略方案，都找同一个人。成本高得离谱，而且主管也未必擅长填报销单。现在开始改成分级：琐碎的活给专员，难的活才上总监。

Hy4 flash 就是这个逻辑里的"专员"。它继承 Hy4 的视觉理解和 Agent 能力，但定位是极致性价比——通过模型与产品的深度协同设计加高频迭代，把成本压到能干杂活的水平。

这背后不是纯算法的事，是硬工程。腾讯云和混元团队在 Hy4 Preview 上线前两周，把某国产芯片的单卡吞吐量提升了 5 倍。用人话说：同一张卡，现在能多扛 5 倍的请求量，等于没花钱就把机柜数量砍下来了。这种"模型调优 + 芯片适配 + 调度优化"的组合拳，才是把 token 单价打下来的真实原因。

另一个信号：Hy4 Preview 发布后一度位列 OpenRouter 榜单前列，同时给元宝、WorkBuddy 等腾讯自家产品提供能力支撑。开发者可以在 OpenRouter 上直接调用，海外开发者也在用。

对普通用户来说，这意味着你不用本地跑、不用买显卡——这些都发生在腾讯的机房里。你要做的只是知道哪个入口是哪个入口。

四、对普通人意味着什么

第一，你的 AI 助手马上要能"看"你的屏幕了。 截个图就能问，拍照就能问。写代码的人会最先感受到，因为报错截图、界面草图、文档排版，这三样全是"图像转文字"的老大难。

第二，100 万上下文的实用场景，是那些"资料很多但都不长"的活。 比如你有一份 80 页的产品手册和一沓会议纪要，想知道"客户上次提的那个需求在手册哪一节说过"——过去得自己翻，现在一次性扔进去就行。

第三，现在别急着换工具。 Hy4 正式版和 Hy4 flash 的发布日期、价格、开放方式全都没公布。腾讯的节奏一向是"先把能力备齐，再统一放量"。如果你现在正在用别的工具，先等两周看定价——一旦 flash 这种高性价比版本落地，现有大模型 API 的价格很可能跟着松动。

第四，如果你会写代码，现在就能试。 Hy4 Preview 已经开源了，8 月 28 日就放出来了，可以直接在 OpenRouter 上调用摸个底。等正式版出来，你至少知道自己关注的是不是同一个东西。

写在最后

1 腾讯为什么这个时候才把眼睛装上

过去一年多，多模态是行业最卷的方向之一，几乎每家都在喊"能看图"。腾讯这一代才加，不是落后，而是它先把"文字生产力"这段做扎实了——Hy4 Preview 定位就是代码、办公、科研场景的稳定性。先把嘴练利索，再补眼睛，路线是稳的，但代价是这次 Hy4 的看点几乎全压在视觉这一项上。

2 真正决定格局的是 flash，不是 Hy4

旗舰模型是用来发朋友圈的，flash 才是用来换钱的。当"便宜一半但依然能看图"的模型成为默认选项，AI 就从"少数人的项目"变成"每个人的日常工具"。接下来一年真正会普及的，不会是每次对话都调用最贵模型的用法，而是每一类活都匹配一个刚好够用的便宜模型——这才是 Hy4 flash 的野心。

3 你现在只需要做一件事

打开你每天用的那个 AI 工具，把你上次遇到的两件麻烦事列出来：哪件是靠文字问的，哪件是你"懒得描述、截了个图就丢过去"的。后者就是视觉理解第一批会替你省下的时间。

未来半年，判断一家 AI 公司强不强的标准会从"最强模型多强"变成"最便宜模型够不够用"——腾讯把 flash 摆在 Hy4 旁边一起发布，本身就说明了它押的是哪一边。

如果觉得这篇拆解对你有帮助，不妨点个关注和在看。

你的 AI 陪跑伙伴 【数字新奇点】 会继续关注国产大模型的多模态进展和成本下沉。

咱们下期见！

参考资料

腾讯混元大模型 Hy4 正式版即将发布，首次引入视觉理解

汤道生：混元 Hy4 正式版即将发布，Hy4 flash 提供极致性价比

腾讯混元 Hy4 正式版前瞻：视觉、长程任务与性价比分层

混元 Hy4 Preview 总参 770B、激活 49B、上下文 1M

腾讯全球数字生态大会：Hy4 与 Hy4 flash 双线推进