腾讯发布 Hy4 Flash:2240 亿参数多模态模型,定价低于 Claude Haiku 5.5
LatentMoE 与 Engram 把 KV 缓存压到 Hy4 的六分之一,但腾讯给出的基准尚无独立验证

腾讯发布了 Hy4 Flash,时间是 2026 年 11 月 16 日。定价为每百万输入 token 0.070 美元、每百万输出 token 0.281 美元,低于 Claude Haiku 5.5 和 Gemini 2.5 Flash,比它所配套的完整版 Hy4 分别便宜约 92% 和 89%。模型上下文窗口为 100 万 token,原生支持文本、图像、音频和视频,面向的是占企业 AI 工作负载大头的高频日常任务。
Flash 档定位:要速度和规模,不追求顶尖智能
Hy4 Flash 不是腾讯能力最强的模型,而是运行成本最低的模型,这是有意为之。腾讯把 Hy 模型家族分为两档:完整版 Hy4 用于需要高质量推理的任务,Flash 用于请求量和单位成本比顶尖智能更重要的任务。官方列出的目标场景是文档摘要、演示文稿生成、表格修复、音频转写和视觉理解,也就是腾讯在其 WorkIndex 基准中归为一类的任务。
模型已在腾讯云 TokenHub API 市场上线,模型标识为 hy4-flash,同时已接入腾讯自家的办公产品 WorkBuddy、助手应用元宝、企业通讯产品企业微信、QQ,以及知识管理产品 ima。OpenRouter 也即将上架。11 月 30 日前价格再打五折,同期 WorkBuddy 免费使用。
Engram 参数和 LatentMoE 如何压缩 KV 缓存
一个 2240 亿参数的模型为什么能便宜到压过 Flash 档竞品,要从 Hy4 Flash 的架构说起。
2240 亿这个数字包含三类参数:标准 Transformer 参数、混合专家(MoE)路由参数,以及腾讯所说的 Engram 参数,后者占其中 640 亿。腾讯把 Engram 描述为一种类似记忆的组件,但还没有发布架构论文。腾讯确实说明了的是它对部署的影响:Engram 参数不在逐 token 的激活路径上。推理时每个 token 只激活 120 亿参数,因此每个 token 的实际计算成本取决于这 120 亿激活参数,而不是 2240 亿总参数。
第二个机制是 LatentMoE,这是腾讯给自家混合专家设计起的名字。标准的稠密 Transformer 对每个 token 激活全部参数;MoE 架构只把每个 token 路由到部分专家模块,在不按比例增加单 token 计算量的前提下扩大模型总容量。腾讯的设计把 LatentMoE 路由与混合注意力结合起来,即把标准多头注意力与其他机制交替使用。腾讯称,这样一来 KV 缓存只有 Hy4 的六分之一、Hy3 的二十四分之一。KV 缓存是服务系统为每个请求保存的内存,用来对此前生成的 token 做注意力计算;缓存越小,每块 GPU 能承载的并发会话越多,每个请求占用的内存带宽越低。正是这一压缩带来的服务经济性,撑起了这个价位。
后训练又多了一层效率提升。Hy4 Flash 通过从完整版 Hy4 自蒸馏训练而来,把后者的推理模式压缩进更小的激活规模,随后又经过强化学习,平均输出 token 数减少约 50%。与前代相比,它的回答往往更短、更直接,既降低推理延迟,也在按输出计费时降低单次请求成本。这解释了为什么腾讯给出的单任务成本数字,与单看标价得出的比例相差很大。
推理栈采用了 megakernel 优化、4 位量化,以及腾讯内部一套名为 DFly 的系统。腾讯称持续解码吞吐量超过每秒 150 个 token。
Hy4 Flash 在 Flash 档价格中的位置
以每百万 token 输入 0.070 美元、输出 0.281 美元计,Hy4 Flash 的输出价格低于主要的 Flash 档竞品。Claude Haiku 5.5 对 10 万 token 以下提示词的标价为输入 0.10 美元、输出 0.50 美元,按标价计,Hy4 Flash 的输入便宜 30%,输出便宜 44%。Gemini 2.5 Flash 收费为输入 0.30 美元、输出 2.50 美元,Hy4 Flash 两项都便宜得多。Gemini 2.5 Flash-Lite 更接近,为输入 0.10 美元、输出 0.40 美元,Hy4 Flash 仍然两项都更便宜。DeepSeek 最接近的 Flash 档竞品 DeepSeek V4.1 Flash,在其官方 API 上高峰时段定价为输入 0.30 美元、输出 1.20 美元,非高峰时段为输入 0.15 美元、输出 0.60 美元。
在这个价位上,多模态能力很关键。DeepSeek V4.1 Flash 支持文本和图像输入,但不原生处理音频或视频;Gemini 2.5 Flash-Lite 的多模态能力也比完整版 Gemini 2.5 Flash 受限。Hy4 Flash 在同一个模型、同一个 100 万 token 上下文窗口内原生处理文本、图像、音频和视频,企业的混合模态任务,比如先转写会议录音、再总结附带的幻灯片、再起草跟进文档,都可以跑在同一个端点上,按统一费率计费。
腾讯的说法,以及尚未验证的部分
腾讯在发布时给出了两类性能证据。第一类是 WorkIndex,一个衡量办公生产力任务表现的内部基准,涵盖幻灯片制作、文档编辑、表格修复、音视频处理和视觉理解。腾讯称,Hy4 Flash 在 WorkIndex 上的得分略高于 Hy4 Preview(8 月发布的开放权重版本),而按腾讯的计算,单任务成本只有 Hy4 Preview 的十三分之一、完整版 Hy4 的二十分之一。
第二类是一项盲测满意度测试,由 85 名 WorkBuddy 内部用户评估了 27 个类别的 259 项任务。腾讯的研究页面对结果的描述是 Hy4 Flash 的表现「接近」Claude Haiku 5.5;营销材料的措辞更强,称其与 Haiku 5.5 相当。截至发布当天,还没有外部机构发布 Hy4 Flash 的独立基准分数。拿一次 85 人的内部测试,来支撑与 Anthropic 当前小模型档位正面比拼的能力结论,依据相当单薄。
腾讯称单任务成本比 Haiku 5.5 低 18 倍,这一点也需要推敲。两款模型的标价差距在输入端约 1.4 倍,输出端约 1.8 倍。之所以能拉到 18 倍,主要靠强化学习训练带来的更短输出,也就是每个任务计费的 token 更少,而不只是价格。这部分节省的前提是模型能给出更短但完整、准确的回答,而目前还没有针对缩短后输出质量的独立评估。这个数字也没有考虑 Haiku 5.5 对长提示词的更高单价:Anthropic 对超过 10 万 token 的提示词分档计价。
开源计划、未公开的基础设施和下一步
腾讯在 2026 年 8 月以 Apache 2.0 许可证发布了完整版 Hy4 的预览权重。Flash 目前没有可用权重,腾讯只表示计划开源,没有承诺时间。Hy4 Flash 也没有发布模型卡、安全披露或正式的架构论文。DFly 推理系统除了名字之外,没有任何公开文档。
11 月 30 日的优惠价截止日期,让拿 Hy4 Flash 与现有 Flash 档服务商做比较的开发者和企业只有很短的评估窗口。随着独立评测机构测试它的多模态能力、缩短 token 数后的输出连贯性和长上下文稳定性,模型真正的竞争地位会更清楚,而这些恰恰是 WorkIndex 和一次内部满意度调查无法充分回答的。在腾讯发布相关技术材料之前,Engram 参数架构究竟是一种新的记忆机制,还是给已知技术贴的营销标签,仍是未知数。
评估腾讯云 API 端点的企业买家应注意,腾讯受中国监管管辖,包括《网络安全法》和《数据安全法》规定的数据访问义务。通过腾讯云 TokenHub 调度工作负载的开发者,应结合自身部署场景,审阅平台的数据处理条款和适用的数据驻留要求。



