8 月 28 日腾讯混元发布并开源了新一代大语言模型 Hy4 preview总参数 770B、激活参数 49B、上下文长度 1M采用 Apache 2.0 许可证同步上线 HuggingFace、GitHub、ModelScope、Gitcode 等平台。按官方口径这个模型定位真实生产力场景代码、办公、科学类任务是其主攻方向。这次发布技术本质是什么先拆一下参数。770B 总参数、49B 激活参数是标准的 MoE混合专家架构——模型很大但每次推理只唤醒其中一小部分专家。这意味着它拥有大模型的容量推理成本却按 49B 的量级走这是 MoE 这几年成为开源旗舰标配的根本原因。真正值得注意的变化有两个上下文推到 1M。去年大家还在卷 128K、256K今年头部开源模型陆续摸到百万级Hy4 preview 是其中一档。1M 上下文意味着可以一次性塞进一本几百页的技术文档或者一整个代码仓库做分析。Apache 2.0 商用友好。权重和代码都可以自由商用、再发布这对想私有化部署、数据不出域的企业来说是最省事的一种许可证。没变的是什么呢它叫preview官方自己说明这是 Hy4 迭代的早期版本预训练和后训练都还有提升空间并且明确列了已知问题——复杂任务上容易长思考、有过度自我验证的倾向。也就是说这依然是一次先开源、再迭代的节奏和这两年国产开源旗舰的发布路径一致。据报道腾讯在生产力场景的盲测中Hy4 preview 的综合表现压过了 GLM-5.3 和 Kimi K3。这个数据是官方口径的盲测结果可以参考但别当定理。另外生态侧的配套也已经铺开燧原科技宣布针对 Hy4 preview 的百万级长上下文和 MoE 部署特性做了适配涉及算子融合、通信加速、低精度量化、PD 分离等据报道。这说明发布方考虑的不只是把权重扔上网而是连国产算力跑起来的路径一起给了——这对被卡脖子的企业来说比榜单名次更实际。对普通开发者意味着什么多了一个选项而且是个能免费商用的选项。以前接大模型 API 就那么几家现在开源生态里能打的多了一个价格和效果上多少会互相牵制。对做企业应用的人来说多一个可以私有化的候选议价空间就大一点。但对个人开发者最现实的建议是别想着自己部署它。770B 的模型哪怕只有 49B 激活FP8 量化版也要大几十 GB 显存起步单机基本没戏。官方在生产环境部署上推荐 vLLM 或 SGLang参考命令是这样的# 需要多机多卡集群如 8×H100 以上单机无法加载vllm serve tencent/Hy4-preview\--tensor-parallel-size8\--max-model-len131072就算--max-model-len 给到13万也远没到 1M 的宣传值——百万上下文的 KV cache 开销在显存上是天文数字实际生产里基本都要降档跑。所以对大多数人和大多数公司正确的打开方式不是自部署而是走 API模型已接入腾讯云 TokenHub 和 OpenRouter日常试用直接在元宝、ima、WorkBuddy、CodeBuddy 里就能切到。## 有哪些坑要留意- **1M 上下文不等于处处好用**。长上下文对显存和首 token 时延压力很大选型时按自己业务的实际输入长度去压测别按宣传上限设计。 - - **preview 版有已知问题**。官方都承认长思考、过度自我验证这会导致响应变慢、回答啰嗦甚至在小任务上绕圈子。上生产前拿自己的业务数据跑一遍比看榜单有用。 - - **盲测数据参考即可**。官方口径的对比测试选型时自己用典型case跑一轮比任何榜单都可靠。 - - **开源不等于免费跑**。Apache2.0免的是授权费算力成本一分不少。小团队先走 API 验证效果确认值了再谈自部署。 给一个简单粗暴的选型判断**对延迟不敏感、数据可以出域**比如内容生成、代码补全→ 直接走 API省心省钱**数据敏感、要私有化**金融、政务、医疗场景→ 再评估自部署这时候算力预算、运维能力、1M 上下文要不要全开都是要提前算的账。评估周期建议压到一到两周拿50个真实业务case跑一轮对比比看十篇测评都管用。 总结一下Hy4 preview 把大参数 百万上下文 宽松许可证三件套又卷高了一档但对绝大多数打工人来说它首先是一个可以白嫖试用的新模型其次才是一个部署选项。参数大不等于好用最后还得看业务场景认不认。你怎么看评论区聊聊。