腾讯专场不只聊跑分了，5 倍提速和 163 人盲测能信几分

新模型一发，跑分表密密麻麻，大伙都见过。可真拿去改一个跨十几个文件的仓库，榜上那几个数字就没那么管用了。

10 月 30 日，腾讯在全球数字生态大会的模型与 MaaS 专场上，把混元、TI-ONE、TokenHub 这条从研发到上线的链路讲了一遍，主角是 8 月 28 日发布并开源的 Hy4 preview，总参数 770B，激活参数 49B，上下文 1M。我们 AI主线 的看法是：腾讯这场专场想证明混元能靠真实工作流和工程交付说话，榜单只算其中一项；但眼下摆出来的两个硬数字，一个是自家专家打的分，一个只有倍数没有绝对值，离“被证实”还差一截。

榜单不够用，自家 163 个专家的盲测就够用吗

先说腾讯为啥要换个量法。会上提到今年 3 月有项研究，翻了 43 套 Agent 评测基准、7.2 万多项任务，再去对照美国劳动力市场的 1016 种职业，发现题目扎堆在编程这类计算机任务上，管理、法律这些真实工作的覆盖明显不足。

这话在理。所以腾讯除了公开基准，还拉了 163 名内部高频用模型的业务专家做盲测，官方说 Hy4 preview 的均分比 GLM 5.3 和 Kimi K3 略高，差距是 0.05 到 0.07 分，满分 4 分。

说句实在话，这个差距在 4 分的量表上基本算平手。评委是腾讯自家专家，题目又来自 WorkBuddy、CodeBuddy 这类自家产品的场景，腾讯自己也说模型和这些产品是联合设计的，等于考卷和备考用的是同一批场景。这类评测有价值，说明团队在盯真实任务；它给不了“比别家强”的结论，更像一份内部验收单。

外部的参照有一个。Artificial Analysis 11 月 6 日更新的榜单上，Hy4 在中国模型里排第二，仅次于 Kimi K3.1 Pro，与 Grok 4.7（xhigh）并列，单任务成本约 0.78 美元。方向和腾讯的说法一致，可它终究还是榜单，回答不了你自己那个仓库能不能改明白。

单卡吞吐 5 倍，分母是谁

专场里更扎实的部分在工程。腾讯云 TI-ONE 把生产级推理的难点归成性能、成本、运营三头。拿性能来说，推理分两段：Prefill 像先把你给的整份材料读一遍，Decode 像一个字一个字往外写，两段吃的资源不一样，调起来得分开琢磨。

具体成绩是，在主流国产加速卡的测试环境下，Hy4 preview 优化后单卡吞吐达到初始版本的 5 倍，两周做完，成果沉进了平台。听着猛，可分母是“初始版本”：没说哪张卡，没给每秒多少 token，也没提延迟。没优化过的起点本来就低，翻几倍不稀奇。

我倒觉得后半句更有用：平台把调好的推理配置封成部署模板，下一家换模型、换硬件不用从头摸。开源权重拿来跑不难，难的是长期稳定，对要自己部署的技术负责人，这比一个倍数实在。

混元的节奏和价格，账能对上吗

腾讯的说法是，混元已经逐步形成每两到三个月一次大版本迭代的节奏。翻翻日历：Hy3 preview 是 4 月 23 日发布，Hy4 preview 是 8 月 28 日，两次 preview 之间隔了四个多月。这个节奏还得靠后面的版本来验证，现在不好下判断。

价格也得细算。会上提到，百万 Token 的调用成本这两年已从“元”降到“角”甚至“分”。放到混元自己身上，腾讯云 TokenHub 上的 Hy4 preview 输入 6 元、输出 18 元、缓存命中 0.3 元，都是每百万 token；Hy3 preview 当时输入最低 1.2 元，Hy4 preview 的输入价是它的三到五倍。

官方说混元走的是普惠高性价比路线。模型从 295B 长到 770B，价格跟着涨不算意外，这笔账也不能只看标价：长任务里上下文会反复命中缓存，0.3 元那一档对账单的影响不会小。

同一个底座分档卖，选型的人可以抄抄作业

小米 MiMo-V2.6 是 9 月 22 日发布并开源的，按小米公布的定价，Pro 每百万 token 输入 3 元、输出 6 元，Flash 是 1 元和 2 元，Pro-Ultraspeed 专攻速度，官方说输出速度最高是 Pro 的 20 倍以上。

这套分档的思路挺对：复杂长程任务、强实时交互、高频批量调用，本来就吃不同的资源，一个模型通吃反而别扭。荣耀 YOYO Claw 的端云路由是同一个逻辑，手机上能跑的就地处理，复杂的交给云端，按任务挑模型。用户不关心模型跑在哪，只在乎快不快、准不准。

MiMo-V2.6 在 TokenHub 首发，小米还说上线后日调用量比 V2.5 涨了 15 倍以上，这是厂商自己报的数，先放在自报那一栏。

模型之外的工程也开始卷了，光会背榜单的跑分党可得多补补课。我们 AI主线 接下来盯两件事：腾讯能不能拿出外部能复现的评测，5 倍提速能不能补上绝对值。