腾讯 Hy4-preview 开了 Apache 2.0，但它自己承认会「过度自我验证」
770B 总参 49B 激活、1M 上下文、真 Apache 协议；官方盲测平均分赢了 GLM-5.3，胜率却只有 46.8%——这两个数同时成立，说明了很多事
文章目录
共 5 节8 月 28 日腾讯发布并开源了混元 Hy4-preview。在这一批国产大模型里，它有一个别人没有的东西：货真价实的 Apache 2.0。
不是 MIT 加一条营收门槛，不是「community」开头的自定义协议，就是 Apache 2.0，模型卡上写的是 Apache License 2.0。770B 的模型挂这个协议，在 2026 年 8 月是件挺少见的事。
一、它是个什么规格
- →770B 总参 / 49B 激活，MoE
- →78 层主干：第 1 层是稠密 FFN，其余 77 层都是 MoE
- →每个 MoE 层 256 个路由专家 + 1 个共享专家，每 token 激活 Top-8 加共享
- →1M 上下文 / 最大输出 64K
- →Apache 2.0
model id 是 hy4-preview，腾讯云 TokenHub 国际站端点是 https://tokenhub-intl.tencentcloudmaas.com/v1。
价格方面，国际站是每百万 token 输入 $0.834、输出 $2.501、缓存命中 $0.042。国内人民币价我要打个折扣说：流传的数字是 ¥6 / ¥18 / ¥0.3，但我在腾讯云的官方计价文档里没有核到 Hy4-preview 这一条——那份文档的最新条目还停在 6 月。要按这个数做预算的，自己去控制台确认一次。
最大输出 64K 是这一批里偏低的。同期 DeepSeek 和 Qwen 都给到 128K 甚至 384K。做长文生成、整文件重写、大批量结构化输出的，这个上限要提前算进去。
二、分数不错，但腾讯自己那组盲测更有意思
模型卡上的一组：
| 评测 | 分数 |
|---|---|
| GPQA Diamond | 92.3 |
| SWE-Bench Pro | 65.7 |
| Deep SWE | 64.3 |
| Toolathlon | 74.1 |
| Terminal Bench 2.1 | 85.4 |
表格可左右滑动
这组数放在 2026 年 8 月下旬是第一梯队水准。GPQA Diamond 92.3 尤其能打。
但真正值得琢磨的是腾讯自己做的那组内部盲测：163 位内部专家、203 项真实工程任务、4 分制。
- →Hy4：2.99 / 4
- →对 GLM-5.3：GLM-5.3 得 2.92，Hy4 胜率 46.8%
- →对 Kimi K3：K3 得 2.94，Hy4 胜率 51.2%
腾讯云的 FAQ 里自己注明了这是内部盲测、非第三方独立验证。这份坦白值得记一笔。
但你有没有注意到那个 46.8%？
平均分 2.99 对 2.92，Hy4 赢；单任务对比胜率 46.8%，Hy4 输。这两件事同时成立，说明的是：Hy4 在多数任务上略逊于 GLM-5.3，但在少数任务上赢得很多，把平均分拉了上来。
这种分布对选型的含义很具体：如果你的业务是「大量同质任务求稳」，GLM-5.3 可能更适合你；如果你的业务里有一批特别难的硬骨头，Hy4 值得试。看平均分选模型会选错，因为平均分掩盖了分布形状。
一家公司愿意把「我们胜率 46.8%」印在自己的发布材料里，这件事本身比那 0.07 分的领先更值得信任。
三、官方自己承认的两条毛病
模型卡上的原话是这个模型还是「早期版本」，「留有真实的提升空间」，然后列了两条：
- →在复杂任务上花的推理时间超过必要
- →有过度验证自己工作的倾向
这两条不是客套话。知乎上有实测帖证实了同样的现象：它会陷入自我验证的循环，需要人工打断，输出 token 显著膨胀。
这是个要花真钱的毛病。输出 token 是按量付费的，一个会自己反复验证的模型，同样的任务可能比别人多烧两三倍输出。你在评估它的时候如果只看「答得对不对」，会漏掉「答一次要多少钱」。
实操上的应对：
- →设硬性的
max_tokens上限，别让它无限验证下去 - →在提示词里明确写「不需要复核，直接给结论」这类指令
- →评测的时候一定要把每任务成本算进去，只比正确率会得出错误结论
四、相比 Hy3 变了什么
Hy3 是 295B 总参 / 21B 激活。Hy4-preview 直接跳到 770B / 49B——规模、上下文、训练数据都显著扩大。
官方还有两个说法：
- →Hy4-preview 是首个「参与自身研发全链路」的混元模型，官方用的词是形成了初步的递归自我改进闭环
- →端到端吞吐相比基线提升 31.8%
- →Hy3 上的输出稳定性问题已经基本解决
第一条要怎么看，取决于你对这类叙事的耐受度。它可能确实意味着内部研发流程已经大量依赖自家模型，也可能只是一种表述方式。这种说法没有可验证的口径，我不打算在它上面下判断。
五、什么人应该认真看这个模型
需要私有化部署、且客户对许可证敏感的。Apache 2.0 在这一批里是稀缺资源。做政企交付、做需要过合规审查的项目，这四个字能省掉的沟通成本不是一点半点。同期可选的只有 Qwen3.8-27B（也是 Apache 2.0，但只有 27B）和它——一个小一个大，中间没得选。
有硬骨头任务的。那个 46.8% 的胜率分布意味着它有自己的长板。
不适合的：
- →高频、成本敏感的批量任务。过度自我验证这个毛病在跑量场景下会被放大成账单
- →需要超长输出的。64K 的上限在这一批里偏低
- →需要稳定可预期的响应时长。「思考过长」的另一面就是耗时不可控
最后提醒一句名字里的 preview。腾讯把这两个字放在型号里，是在给自己留余地。正式版什么时候来、会不会换 id、协议会不会变，目前都没有公开说法。要写进长期方案的，把这个变量算进去。