腾讯混元Hy4 preview：实战驱动的AI模型进化新范式
模型性能显著跃升
8月28日，腾讯混元发布了Hy4 preview版本，这是该团队在重建预训练与强化学习基础设施后推出的重要更新。从今年2月开始，混元团队成功将大版本迭代周期压缩到约两个月，这一速度已接近Anthropic、OpenAI、智谱等头部模型厂商的更新频率。
Hy4 preview在技术规格上实现了显著提升：总参数达到770B，是Hy3的2.6倍；激活参数从21B提升到49B；上下文长度从256K扩展到1M。这些硬件指标的提升直接转化为性能表现的实质性进步。百收网（发布）
实战测试表现亮眼
在具体性能测试中，Hy4 preview展现出了令人印象深刻的进步。7月初，Hy3在软件工程实战基准DeepSWE上仅获得28.0分，同期Claude Opus 4.8为58.0分。不到两个月后，Hy4 preview在同一测试中获得64.3分，超越了DeepSeek V4 Pro的62.7分。在同一天公布的Terminal-Bench 2.1测试中，Hy4 preview获得85.4分，与Claude Opus 5持平。
虽然混元整体仍处于追赶阶段，但在更接近真实生产力的任务上，特别是在长上下文任务、代码库重构、专业科学推理等方面，已经实现了实质性突破。
实战导向的开发模式
混元团队采用了一种独特的开发策略：将preview版本作为获取真实反馈的重要渠道。Hy4 preview发布当天，WorkBuddy和CodeBuddy同步开启两周免费体验，这种模式延续了Hy3时期的成功经验。
通过将模型接入元宝、WorkBuddy、CodeBuddy、ima和QQ等多个业务产品，团队能够在真实环境中收集用户反馈。Hy3 preview在50多个业务中获得了广泛反馈，修复了大量体验问题。正式版在此基础上进一步提升后训练数据的质量与多样性，并扩大了强化学习的算力规模。
这种实战导向的开发模式带来了明显改善：Hy3正式版的幻觉率从12.5%降到5.4%，常识错误率从25.4%降到12.7%，多轮对话问题率从17.4%降到7.9%。
专家共建的数据策略
Hy4 preview的能力提升来自于与腾讯内部软件工程、游戏、金融、安全等领域专家的高质量数据共建。这种Co-Design方法让多方共同定义问题，而不是等模型训练完成后再由产品接入API。
用户反馈和专家判断形成了两个不同层次的输入：用户告诉模型"哪里不好用"，专家则告诉模型"什么才算真正做好"。这种双重反馈机制确保了模型不仅能够满足基本功能需求，还能达到专业领域的质量标准。
产品矩阵提供的训练环境
腾讯的Agent产品矩阵为混元提供了丰富的训练环境。WorkBuddy界面上集成了多个厂商的十余款模型，用户可自由切换，这为混元设置了比内部评测更直接的考场。
这种多模型共存的环境提供了带有对照关系的反馈：同一个任务，不同模型的表现差异、执行路径、工具调用和失败节点都能被详细记录。这让产品不仅成为模型的考场，更成为了训练场。
内部闭环的自动化优化
Hy4 preview进一步将实战闭环引入模型内部，开始参与训练方法、数据策略、评估体系和底层算子的自动优化。在一个具体案例中，Hy4 preview首次为自己的推理系统进行了优化，通过分析系统瓶颈、提出优化方案并运行实验，最终实现了端到端吞吐相对基线提升31.8%的成果。
这种AI优化AI的方式代表着行业正从AI for Coding向AI for AI方向发展。虽然还远不是严格意义上的"自己训练自己"，但模型与研发对象之间的距离已经显著缩短。
实战驱动的加速度
混元这半年的加速度来自于一套完整的反馈循环系统：发布获取反馈入口，产品提供任务环境，用户和专家的判断变成训练材料，模型参与下一轮研发。到了Hy4 preview阶段，这条链又向内延伸了一步，模型开始参与改进承载自己的系统。
这种实战驱动的开发模式表明，大模型竞争的重点正在从算力、参数和文本数据转向新的维度：寻找真正有价值的问题、构造真实环境、整合用户专家产品模型的反馈链，以及优化整个系统的运转效率。模型本身固然重要，但决定下一次迭代速度的，是围绕模型运转的整个系统。
