腾讯混元开源 Hy4 preview：770B参数，49B激活，1M上下文，为真实生产力任务而生

魔搭ModelScope社区

13人浏览 · 2026-09-01 09:52:52

魔搭ModelScope社区 · 2026-09-01 09:52:52 发布

腾讯混元团队正式开源新一代旗舰 MoE 模型 Hy4 preview，总参数 770B、每 token 激活 49B、上下文长度 1M，采用 Apache 2.0 协议，在代码、办公、科学等真实生产力任务上展现出卓越能力。

Hy4 preview 基准测试总览

开源地址

模型开源包括 BF16 与 FP8 两个版本：

Hy4 preview：https://modelscope.cn/models/Tencent-Hunyuan/Hy4-preview
Hy4 preview-FP8：https://modelscope.cn/models/Tencent-Hunyuan/Hy4-preview-FP8

模型体验

https://aistudio.tencent.com/

技术博客

https://hy.tencent.com/research/hy4-preview

为生产力而生

通过与腾讯内部软工、游戏、金融、安全等领域顶尖专家的高质量数据共建，Hy4 preview 在各类真实生产力任务上取得显著进步：

软件工程：

增强长程开发任务的理解、规划、调试与验证能力，进一步提升前端开发的视觉审美和交互质量；

办公分析：

显著提升复杂办公环境理解和金融分析能力，着重优化数据分析、跨文件协作，完成从信息处理到文档、表格与演示文稿交付的完整流程；

游戏开发：

增强一句需求直接生成可玩原型能力，并能熟练使用游戏引擎，开发者可以通过多轮交互持续完善复杂游戏项目；

科学研究：

显著提升复杂科研问题的理解、推理与求解能力，模型在 AI 研发、分子动力学模拟、凝聚态物理、基础数学等各类场景中均有长足进步。

同时，Hy4 preview 持续与 CodeBuddy / WorkBuddy 等产品深度协同，优化生产力场景的真实用户体验。腾讯混元团队组织了 163 名内部专家进行 203 个工程任务的盲测，结果显示 Hy4 preview（均分 2.99⁄4.00）略优于 GLM-5.3（均分 2.92⁄4.00；胜 46.8% / 平 12.8% / 负 40.4%）和 Kimi K3（均分 2.94⁄4.00；胜 51.2% / 平 7.9% / 负 40.9%）。

制作射击游戏

通过 MCP 接入 Unreal 5 引擎，实现纯对话从零制作一个射击游戏 Demo，包括环境美术搭建、玩法搭建、关卡搭建。

制作第三人称冒险游戏

在团结（U3D）引擎实现对话式从零制作一个第三人称企鹅冒险游戏 Demo，包括场景环境美术搭建、移动战斗与任务追踪玩法搭建、主菜单—加载—关卡三场景流程搭建。

古建筑数字孪生网站

通过 Three.js，参数化程序化建模，Canvas 程序生成 IBL 与纹理，per-model 取景覆盖，生成桌面优先、全视口、可交互古建筑数字卷宗网站。

《鹅来》横向互动漫画网页

生成原生 WebGL，滚动驱动相机沿 X 轴推进的横向互动漫画页，Hy4 preview 很好地维持了多章节角色画风和叙事连续性，同时准确编排分镜空间、镜头节奏及移动端性能。

办公场景中公司财务费用稽核

模型从 72 份文件中自动判断发票是否合规，从 3 份规章制度中找到现行生效的规则，严格甄别发票报销申请是否合规。

金融世界沙盒

生成用于展示模型在金融研究、产业链理解、因果推演和估值分析方面能力的沙盒，可以直观观察到当一个宏观事件发生时，作用会如何传导到行业需求供给、产业链、关键公司以及行业价值分配，传导路径清晰。

探索科学研究场景

自主定位瓶颈，持续优化推理能力

Hy4 preview 自主分析推理系统瓶颈，并围绕算子融合、通信优化等方向开展多轮优化，端到端吞吐相较基线提升 31.8%，在不同上下文长度和并发度下均取得稳定收益，验证了其自主定位瓶颈并持续优化推理基础设施的能力。

推理系统优化进程与工作负载吞吐增益

小模型后训练任务

Hy4 preview 可以像研究者一样管理多个 Codex Session 开展实验，并根据结果持续调整探索方向。在小模型后训练任务中，Hy4 preview 作为 researcher 协调 Codex 同时优化多个评测目标，在 8 项评测上均优于 Codex 独立探索，体现了其在复杂研发任务中判断方向、组织实验与持续迭代的能力。

Hy4 preview 协同 Codex 的多基准后训练结果

机器学习力场分子动力学模拟

配合 Hyra，Hy4 preview 在机器学习力场分子动力学（MD）模拟上取得进步，32,512 原子磷脂双分子层 SO3LR 在高度优化的 JAX 实现上进一步提速 2.0×，达到 54.9 ms/step，单张高端 GPU 可容纳 30 万原子。为新材料筛选、药物分子研究和复杂生命体系模拟打开更大的计算空间。

32,512 原子磷脂双分子层分子动力学模拟

低温量子输运器件设计

面向凝聚态物理中的低温量子输运器件设计问题，希望实现每个时钟周期只有携带有效信号的目标电子波包抵达下游能量探测器，而低能背景和高能杂散波包在到达探测器前被反射。

Hy4 preview 自主完成了量子散射求解器构建、五势垒结构的稳健优化和独立含时演化验证，将高能阻带平均泄漏率从基线的 48.2% 降至 4.8%。同时模型自动生成了封装完整求解流程、支持调参和重新求解的交互式模拟器，在该任务中自主组织和执行了从多阶段科学计算、结果验证到可探索成果交付的完整流程。

经典几何难题

配合 Hyra，Hy4 preview 在百年经典几何难题——三维 Blaschke-Lebesgue 问题上取得重大突破，将体积下界从 0.380799 一举推进至 0.41104。相较于 Meissner 四面体猜想给出的 0.41986，这一成果让该猜想距离最终证明只剩最后 2% 的 Gap。

完整证明见：https://github.com/Tencent-Hunyuan/Hyra-results/blob/main/AI4Science/3d_blaschke_lebesgue/3d_Blaschke_Lebesgue.pdf

本地部署

生产环境推荐使用 vLLM 或 SGLang 部署，官方提供了对应 recipe：

Hy4-Preview vLLM Recipe：https://recipes.vllm.ai/tencent/Hy4-preview
Hy4-Preview SGLang Cookbook：https://lmsysorg.mintlify.app/cookbook/autoregressive/Tencent/Hy4-Preview

模型下载

modelscope download –model Tencent-Hunyuan/Hy4-preview –local_dir Tencent-Hunyuan/Hy4-preview

vLLM

使用官方预构建镜像 vllm/vllm-openai:hy4-preview：

docker run –gpus all \
  -p 8000:8000 \
  –ipc=host \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  vllm/vllm-openai:hy4-preview Tencent-Hunyuan/Hy4-preview \
    –tensor-parallel-size 8 \
    –speculative-config ‘{“num_speculative_tokens”:3,“method”:“mtp”}’ \
    –attention-backend FLASHMLA_SPARSE \
    –tool-call-parser hy_v4 \
    –reasoning-parser hy_v4 \
    –enable-auto-tool-choice \
    –port 8000 \
    –served-model-name hy4-preview

SGLang

使用官方预构建镜像 lmsysorg/sglang:hy4-preview（支持 x86 与 Arm 多架构）：

docker pull lmsysorg/sglang:hy4-preview
docker run –gpus all –ipc=host -p 8000:8000 lmsysorg/sglang:hy4-preview \
  python3 -m sglang.launch_server \
    –model Tencent-Hunyuan/Hy4-preview \
    –tp-size 8 \
    –reasoning-parser auto \
    –tool-call-parser auto \
    –speculative-algorithm NEXTN \
    –speculative-num-steps 3 \
    –speculative-eagle-topk 1 \
    –speculative-num-draft-tokens 4 \
    –port 8000 \
    –served-model-name hy4-preview

调用服务

服务启动后，通过 OpenAI 兼容接口调用：

from openai import OpenAI
client = OpenAI(base_url=“http://127.0.0.1:8000/v1”, api_key=“EMPTY”)
response = client.chat.completions.create(
    model=“hy4-preview”,
    messages=[
        {“role”: “user”, “content”: “Hello! Can you briefly introduce yourself?”},
    ],
    temperature=0.9,
    top_p=1.0,
)
print(response.choices[0].message.content)