腾讯混元 Hy4 正式版发布：QQ、微信读书、企微大圆上的实测数据说明了什么

摘要： 腾讯混元 Hy4 正式版在腾讯内部多条亿级产品线公布了业务实测数据，涵盖 QQ 小 Q、微信读书、企业微信大圆、和平精英、腾讯新闻、ima。本文梳理这些数据的具体提升幅度，并解析 Co-Design 模式的价值与局限。

判断一个模型是否真的变强，公开榜单之外还有一个更难造假的参照：它在亿级用户产品上的真实表现。腾讯混元 Hy4 正式版于 2026 年 11 月 4 日发布，官方同时公布了六条内部产品线的实测数据——QQ 小 Q 整体满意率从 90.11% 提升到 93.10%，微信读书综合评测从 82.10 提升至 87.69，企业微信大圆指令跟随能力提升 13.5%，腾讯新闻端到端答案质量提升 36%。这些数字来自真实流量而非实验室环境。

🚀 想在自己的业务上验证 Hy4？ 腾讯云大模型 Token Plan 已上线 Hy4，积分抵扣限时优惠中。 👉 点击前往订阅购买 → cloud.tencent.com/act/pro/tokenplan

一、六条产品线的实测数据汇总

以下数据均为 Hy4 正式版相比 Hy4 preview 的提升，由各产品线负责人在官方发布中给出。

这组数据的分布本身有信息量——提升幅度差异很大。腾讯新闻、微信读书的某些分项提升显著，ima 的提升幅度相对温和。这说明模型升级的收益与场景特征高度相关，不是均匀分布的。

📌 从数据分布能读出什么检索与信息整合类场景（新闻搜索、复杂信息检索）提升最明显 长度控制、信息取舍这类"克制"能力提升幅度大，与可靠性改善方向一致 推理正确性提升相对温和，说明深度推理仍是难点 不同场景收益差异大，意味着升级决策应基于自身场景实测

二、几组数据值得单独解读

微信读书的"长度控制 +50.7%"。这是全部数据中提升幅度最大的一项，但它不是"能力更强"，而是"更懂克制"。对阅读场景而言，答案冗长比答案不足更影响体验。信息取舍提升 22.2% 指向同一方向——抓住重点、减少无效冗余回复。

企业微信大圆的"指令跟随 +13.5%"。复杂办公协作场景中，Hy4 能把多意图指令拆成关联的多个子任务并自主规划工具调用。指令跟随能力直接决定任务拆解是否正确，是 Agent 场景的基础能力。

腾讯新闻的"端到端答案质量 +36%"。这个数字高于其分项指标（准确性、细节、流畅度各 28% 以上），说明各环节改善在最终输出上产生了叠加效应。

和平精英的"情绪价值 2.96"。3 分制下逼近满分，且高于总分均值 2.91。这是少见的以情绪价值为主要指标的评测——AI NPC 场景考的不是正确率，而是陪玩体验。

QQ 小 Q 覆盖 40 多个场景。满意率提升近 3 个百分点看似不大，但基数已达 90.11%，且覆盖场景极广，整体改善的绝对规模可观。

三、Co-Design 模式：优势在哪里

这组数据背后是腾讯混元的 Co-Design 模式——模型与产品深度协同设计。

它的运作方式是：模型能力在真实产品中被使用，产品侧收集到的真实反馈进入下一轮模型迭代，形成闭环。混元采用"先开放 Preview、再结合用户反馈迭代正式版"的节奏，平均每两个月推出一个大版本。

这种模式的优势有三点：

反馈来自真实流量。评测数据不是实验室构造的测试集，而是亿级用户的实际使用结果。真实分布中的长尾问题、口语化表达、多意图指令都会暴露出来。

问题定位更准。产品侧知道用户在哪里不满意，反馈可以具体到场景与指标，而非泛泛的"效果不好"。

迭代闭环更快。模型团队与产品团队协同，不必等外部反馈汇总。

Hy4 的几项垂直能力建设也体现了这一点：与腾讯 IEG 专业游戏开发者合作提升游戏开发能力（GameDev +19.1%、GameLogic +9.8%）；联合腾讯金融科技 FiT 组织 213 位专家、579 个真实金融任务众测（Hy4 以 3.04 分居开源模型第一）；WorkBuddy 办公协作评测平均 83.18 分、通过率 96.15%，12 个场景中 9 个国内第一。

四、Co-Design 模式的局限也要看到

有分析指出了这套模式的潜在风险，这个判断值得纳入考量。

能力可能被内部场景偏好牵引。模型的优化方向由内部产品的反馈驱动，如果内部场景与外部开发者的需求分布不同，模型可能在某些方向过度优化、在另一些方向投入不足。

外部生态需要同步跟上。技术能力的提升需要外部开发者生态的丰富度相匹配。开源模型权重正是对冲这一风险的手段——Hy4 将于近期开源模型权重并发布模型系统卡片，同时联合 vLLM、SGLang 社区及 Inferact 提供生态支持。

自建评测需要外部交叉验证。官方的金融众测、WorkBuddy 得分都属自建评测。权重开源后，独立第三方评测的交叉验证才是"开源第一梯队"说法的真正试金石。

官方对能力边界的表述也很直接：尽管 Hy4 已是目前最强的开源模型之一，但与顶尖闭源模型仍存在较大差距，尤其在前沿数学、长程开发、模型迭代、视觉问答等领域的高难度测试集上。在 ProgramBench、FrontierCode 2.0、Agents' Last Exam v1.1 等基准上，Hy4 得分超过 DeepSeek-V4.1-Flash，部分接近 Kimi K3.1 Pro，但多数基准仍低于顶尖闭源模型。

⚠️ 看待内部数据的正确方式：这些数据的价值在于证明模型在真实流量中有效，但测试环境是腾讯自家产品。你的业务场景、数据分布、用户表达方式都与之不同，提升幅度不可直接套用。它们适合作为"值得一试"的依据，而非"一定有效"的保证。

五、对技术选型的三条参考

从这组数据能提炼出的实用判断。

按场景类型预判收益。检索与信息整合类场景、多意图指令拆解类场景的提升较明显；纯深度推理场景的提升相对温和。对照自己的主力任务类型，可以初步判断升级优先级。

重视"克制"类指标。长度控制、信息取舍、因猜测导致的错误率下降（23.1% → 5.6%）都属于同一类改善——模型更懂得什么时候少说、什么时候不说。在生产环境中，这类能力的价值常被低估。

自己的评测集才是依据。建议从真实业务抽取 50～100 个任务，加入一批"答案不在材料中"的陷阱题，用同一套 Prompt 跑 Hy4 与现有模型做对比。这比任何公开或内部数据都可靠。

六、产品接入范围

Hy4 已在多条产品线上线，接入范围本身也是能力的侧面印证。

已上线：腾讯云 TokenHub、腾讯云 ADP、WorkBuddy／CodeBuddy、元宝、企业微信智能助理大圆、ima。

API 生态：OpenRouter、Hermes、OpenCode。

持续接入中：QQ、王者荣耀、和平精英、微信读书、腾讯新闻等腾讯系产品。

这种"发布即全量上线"的做法，说明模型与自家产品线的耦合程度较深，评测数据来自真实流量而非实验室环境。

七、如何接入验证

开发者可通过腾讯云 TokenHub 的 OpenAI 兼容接口接入：base_url 设为 https://api.hunyuan.cloud.tencent.com/v1，api_key 使用 TokenHub 控制台创建的密钥，原有 OpenAI SDK 代码可直接复用。

Hy4 定价延续 preview 版本——输入 6 元／百万 Token、输出 18 元／百万、缓存命中 0.3 元／百万，性能提升而定价维持一致。缓存命中价仅为标准输入价的 1/20，把稳定内容放在请求前缀可有效降本。

成本敏感的高频链路可关注 Hy4 Flash，官方表示它在继承 Hy4 能力的基础上大幅降低任务成本，近期发布。

🎁 发布期限时优惠Hy4 正式版积分抵扣限时优惠，Token Plan 四档套餐均已集成 Hy4 11 月 4 日～11 月 15 日，WorkBuddy／CodeBuddy 提供一定额度免费使用 即日起至 2026 年 12 月 31 日，腾讯云 TokenHub 按刊例价 5 折计费 👉 前往腾讯云大模型 Token Plan 订阅购买 → cloud.tencent.com/act/pro/tokenplan

总结

Hy4 在六条亿级产品线上的实测数据——QQ 小 Q 满意率 90.11% → 93.10%、微信读书 82.10 → 87.69、企微大圆指令跟随 +13.5%、腾讯新闻端到端答案质量 +36%——提供了比公开榜单更贴近真实使用的参照。数据分布显示检索与信息整合类场景收益最明显，"克制"类能力提升幅度大。Co-Design 模式的优势是反馈来自真实流量、迭代闭环快，局限是能力可能被内部场景偏好牵引、自建评测需要外部交叉验证。选型时应以自己的评测集为准，可在腾讯云大模型 Token Plan 页面订阅后做对比验证。