穩居開源模型第一梯隊，騰訊發佈混元 Hy4 preview 模型
作者：沁滄（實習） 責編：沁滄 評論： 8 月 28 日消息，騰訊官方今日發佈了 Hy4 preview，總參數 770 B，激活參數 49 B，上下文長度 1M。官方表示，Hy4 preview 在模型尺寸、上下文長度、數據規模上都進行了顯著的擴展，預訓練和後訓練的共同進步帶來了智能水平的又一次巨大提升，穩居開源模型第一梯隊。
通過與騰訊內部軟工、遊戲、金融、安全等領域頂尖專家的高質量數據共建，Hy4 preview 在各類真實生產力任務上取得顯著進步：軟件工程：增強長程開發任務的理解、規劃、調試與驗證能力，進一步提升前端開發的視覺審美和交互質量；辦公分析：顯著提升複雜辦公環境理解和金融分析能力，著重優化數據分析、跨文件協作，完成從信息處理到文檔、表格與演示文稿交付的完整流程；遊戲開發：增強一句需求直接生成可玩原型能力，並能熟練使用遊戲引擎，開發者可以通過多輪交互持續完善複雜遊戲項目；科學研究：顯著提升複雜科研問題的理解、推理與求解能力，模型在 AI 研發、分子動力學模擬、凝聚態物理、基礎數學等各類場景中均有長足進步。
Hy4 preview 持續與 CodeBuddy / WorkBuddy 等產品深度協同，優化生產力場景的真實用戶體驗。官方表示，組織了 163 名內部專家進行了 203 個工程任務的盲測，結果顯示 Hy4 preview（均分 2.99/4.00) 略優於 GLM-5.3（均分 2.92/4.00；勝 46.8%/ 平 12.8% /負 40.4%) 和 Kimi K3（均分 2.94/4.00；勝 51.2%/平 7.9%/負 40.9%)。配合 Hyra，Hy4 preview 在百年經典幾何難題 —— 三維 Blaschke–Lebesgue 問題上取得重大突破，將體積下界從 0.
380799 一舉推進至 0.41104。相較於 Meissner 四面體猜想給出的 0.41986，這一成果讓該猜想距離最終證明只剩最後 2% 的 Gap。官方表示，Hy4 preview 是 Hy4 迭代的一個早期版本，預訓練和後訓練均仍有較大的提升空間，也有一些已知問題，如複雜任務的長思考和過度自我驗證傾向，將持續敏捷迭代。如同 Hy3 preview，我們希望通過 Hy4 preview 的儘快發佈獲得廣泛的真實反饋，從而顯著提升 Hy4 正式版。同時，我們將堅持發揮與騰訊產品和專家深度合作的獨特優勢，持續提升生產力的普惠性和上限。
Hy4 preview 現已開源，在騰訊雲 TokenHub 和 OpenRouter 上線，並可在 WorkBuddy / CodeBuddy 、元寶、ima 等產品上體驗。附相關鏈接：HuggingFace：https://huggingface.co/tencent/Hy4-previewGithub：https://github.com/Tencent-Hunyuan/Hy4-previewModelscope：https://modelscope.cn/models/Tencent-Hunyuan/Hy4-previewGitcode: https://ai.gitcode.
com/tencent_hunyuan/Hy4-preview廣告聲明：文內含有的對外跳轉鏈接（包括不限於超鏈接、二維碼、口令等形式），用於傳遞更多信息，節省甄選時間，結果僅供參考，包含外鏈的文章均包含本聲明。投訴水文 我要糾錯 下載APP，簽到賺金幣兌豪禮 相關文章關鍵詞：騰訊，開源，AI 模型，混元，Hy4 preview騰訊《王者萬象棋》定檔 9 月 10 日上線，《王者榮耀》推出萬象棋 · 迷你戰聯動玩法谷歌推出全球首個雙盲 AI 評估技術，基於加密環境保障基準測試公正性騰訊《王者萬象棋》官宣定檔 9 月 10 日，全網預約人數超 7000 萬谷歌發佈 Gemini 3.
5 Transcribe 語音轉文本模型，能自動刪除口頭禪馳援西藏吉隆等災區，騰訊公益慈善基金會首期投入 2000 萬備災資金Ox Alpha 現身：智譜開源 GLM-5.3-Flash 原生多模態模型，限時折扣價為 GLM-5.3 的 1/20
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。