post cover

AI 热点快报：腾讯开源 Hy4 preview——770B 稀疏 MoE 与「自我改进」闭环（2026-08-31）

事件与背景

北京时间 8 月 28 日晚，腾讯在官网发布公告，正式发布并开源下一代大模型 Hy4 preview：总参数 770B、激活参数 49B 的稀疏 MoE 架构，上下文窗口超过 1M token（OpenRouter 标注为 1,048,576 token，最大输出 64,000 token）。消息在 8 月 30 日凌晨冲上 Hacker News 首页，截至目前 366 分 / 233 条评论，仍停留在首页高位——这是过去 24 小时里 HN 上最热门的 AI 事件。

几个关键事实（全部来自官方公告与可验证源）：

  • 完全开源：权重已上线 Hugging Face（tencent/Hy4-preview，另有 FP8 量化版），许可证为 Apache-2.0，可商用、可微调；
  • 多渠道可用：可通过 WorkBuddy、CodeBuddy 直接使用（上线后免费两周，Hy3 免费期同步延长至 9 月 30 日），也可经腾讯云 TokenHub 或 OpenRouter 调用 API；
  • 激进定价：OpenRouter 显示输入 $0.834 / 百万 token、输出 $2.501 / 百万 token、缓存命中 $0.042 / 百万 token——明显低于同档闭源模型；
  • 自我改进闭环：官方称 Hy4 preview「首次参与自身研发」，在训练方法、数据策略、评测框架、底层算子等环节自动提出方案、跑实验、迭代，形成早期递归自我改进循环；还自主分析了推理系统瓶颈并多轮优化（算子融合、通信优化），端到端吞吐提升 31.8%；
  • 内部盲评：腾讯内部 163 位专家、203 个工程任务盲评，Hy4 preview 得分 2.99/4.00，略高于 GLM-5.3（2.92）与 Kimi K3（2.94）——注意这是厂商自报数据，尚缺第三方独立基准验证。

来源：

为什么现在重要

  1. 开源模型的「规模天花板」再次被抬高。 770B 总参数 / 49B 激活的稀疏 MoE，是继 GLM-5.3、Kimi K3 之后又一个冲向 frontier 的开源权重；而 Apache-2.0 许可意味着企业可以商用、可以基于它做领域微调。影响判断：开源与闭源之间的能力差距继续收窄，「前沿模型必须闭源」的叙事被进一步削弱。

  2. 「模型优化自身」从论文走进产品公告。 官方明确宣称 Hy4 preview 参与了自身训练方法与推理系统的自动化优化，且给出 31.8% 吞吐提升这一可量化结果。无论这个循环目前多「早期」，它把「AI 加速 AI」从口号变成了可验证的产品事实。影响判断：未来模型发布的技术含量将越来越多来自「自我改进」环节，而非单纯堆参数。

  3. 1M 上下文 + 激进定价的组合，直接改写应用层成本结构。 输入 $0.834/M、缓存 $0.042/M，配合百万级上下文，让「整库喂给模型」的长文档、长代码库场景从昂贵实验变成可接受的生产方案。影响判断：RAG 的「先检索再生成」范式，在超长上下文与低价的双重挤压下，会加速向「整文档直读」迁移。

  4. 中国开源模型的「周更」节奏形成。 8/27 有 GLM-5.3-Flash / Qwen 低价小模型，8/29 有 GLM-5.3 开源，8/30 又是腾讯 Hy4——头部厂商的开源发布从「季度事件」变成「周常」。影响判断：对依赖单一模型 API 的产品团队，模型层的选择权与议价权正在持续扩大，锁定单一供应商的风险在上升。

  5. 分发渠道成为模型竞争的胜负手。 Hy4 首发即铺满 WorkBuddy、CodeBuddy、元宝、ima、腾讯云 TokenHub、OpenRouter 六条渠道，还配合两周免费——模型能力的竞争正在变成「能力 × 渠道 × 价格」的三维竞争。影响判断：纯模型公司若没有自有分发场景，将更难与「产品 + 模型」一体化的玩家抗衡。

工程师/产品人今天能做什么

  1. 把 hy4-preview 加进你的模型路由池：在 OpenRouter 上直接开测，输入 $0.834/M 的成本足以支撑大规模跑分；用你自己的真实任务（代码、长文档、数据分析）和 GLM-5.3、Kimi K3 做对照，别只看厂商盲评。
  2. 评估 1M 上下文的落地场景：挑一个之前被上下文窗口卡住的任务（超大代码仓库、整本技术文档、跨表分析），实测「整文档直读」与 RAG 的效果与成本差。
  3. 拉权重做自托管 / 微调可行性评估：Apache-2.0 + 49B 激活意味着中等规模 GPU 集群可跑；先看 FP8 版与 transformers / vLLM 的兼容性，评估两周免费期结束后是否值得自托管。
  4. 关注「自我改进」的可复现性：官方只给了结论没给方法，去 HF 仓库看 README 与 finetune 目录是否有训练 / 优化细节，判断 31.8% 吞吐提升能否在自有推理栈复现。
  5. 更新你的模型选型矩阵：把「开源权重 + 许可 + 渠道 + 定价」四维加入评估，尤其为长上下文类产品预留一个 Hy4 候选位，等独立基准数据出来后快速决策。

待观察

  1. 独立基准尚未出现：2.99/4.00 的盲评是腾讯自报，LMArena、SWE-bench、LongBench 等第三方数据出来后才能真正定位它在开源梯队里的位置。
  2. 「递归自我改进」的方法细节未公开：模型如何参与训练 / 推理优化的具体机制、以及 31.8% 的测量口径，都需要更详细的技术报告或代码佐证。
  3. Hy4 正式版与系列后续：官方称「Hy4 系列下一批模型即将推出」——正式版是否维持 49B 激活与当前定价、是否继续免费窗口，将决定这波开源冲击的持续性。