8月28日，腾讯混元发布并开源Hy4 preview。从今年2月重建预训练与强化学习基建算起，混元将大版本的迭代周期压缩到两个月左右，已接近Anthropic、OpenAI、智谱等头部模型厂商的更新频率。区别在于，腾讯是在重建地基的同时跑出了这个速度。
版本间隔缩短的同时，混元能力跃升的幅度也在持续加大。Hy4 preview总参数达到770B，是Hy3的2.6倍；激活参数从21B提升至49B，上下文从256K扩展到1M。7月初，Hy3在软件工程实战基准DeepSWE上拿到28.0分，同期Claude Opus 4.8为58.0。不到两个月，Hy4 preview在同一项测试上拿到64.3，超过DeepSeek V4 Pro的62.7。同一天公布的Terminal-Bench 2.1上，Hy4 preview拿到85.4分，与Claude Opus 5持平。整体来看，混元在多项主流benchmark上均呈现显著上升曲线，尤其在长上下文任务、代码库重构、专业科学推理等更接近真实生产力的场景中追赶明显。
Hy4 preview发布当天，WorkBuddy和CodeBuddy同步开启两周免费体验。混元团队在说明中提到，希望通过Hy4 preview的尽快发布获得广泛的真实反馈，从而显著提升Hy4正式版。这一流程在Hy3时期已经完整走过一遍。4月23日，Hy3 preview开源上线，同时接入元宝、WorkBuddy、CodeBuddy、ima和QQ等多个业务产品。三个月后，Hy3正式版发布，团队表示preview已在50多个业务中获得广泛反馈，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，并扩大强化学习的算力规模。
对比preview版，Hy3正式版的幻觉率从12.5％降至5.4％，常识错误率从25.4％降至12.7％，多轮对话问题率从17.4％降至7.9％。这些改进并非单纯依靠增加参数实现。模型在真实任务中会犯一些具体错误，比如忘记用户几轮前提出的限制、工具调用失败后盲目重试、任务完成后不知道何时停止等。只有将模型放入产品中持续面对真实用户，再把失败过程拆解、定位问题环节、补充正确的任务轨迹和判断标准，错误才能被逐条纠正。
Preview并非混元独创的发布方式。2022年，OpenAI将ChatGPT作为research preview推向公众，通过收集用户反馈了解模型在真实世界中的优势与局限，后续的o1-preview、GPT-4.5也延续了相似策略。OpenAI将其称为“迭代式部署”：不是等系统在实验室里变得完美再推出，而是让仍有不足的版本受控地进入真实世界，再根据实际使用不断修正。如今，分阶段开放、早期测试和preview-first已成为前沿模型常见的研发机制。
Hy4 preview的官方说明中提到，模型能力的提升来自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。Hy3时期重点是与CodeBuddy、WorkBuddy等产品深度协同，把真实任务中的用户反馈和失败案例送回训练环节。到了Hy4阶段，来自各专业领域的专家共建被放到更靠前的位置。这是两个不同层次的反馈：用户告诉模型“哪里不好用”，专家告诉模型“什么才算真正做好”。一个金融分析任务，普通用户只能判断报告能否使用，专业人士还能判断统计口径是否一致、证据链是否完整、风险提示是否充分。一个软件工程任务，测试通过不等于代码可以合入，工程师还会考察架构、可维护性、性能和潜在回归。
让产品反馈和专家判断参与模型训练的方法，腾讯内部称为Co-Design。什么信息该给模型、何时给、以什么结构给，模型可调用哪些工具、如何判断任务完成、失败后如何恢复——这些都不是模型团队在实验室里能独立想明白的。Co-Design让多方共同定义问题，而非等模型训练完成再由产品接入API。混元内部建立了50多套评测，用真实考题、人工评测和产品众测进行验收，不再把外部排名作为唯一标准。混元团队认为，真正有价值的进步来自产品侧回流的真实Prompt分布：模糊提问、多轮追问、省略表达、隐含意图、前后矛盾，以及用户自己都没有完全说清的需求。用户提供问题分布，专家提供质量标准，产品提供任务环境，模型团队再将三者转化为后训练和评测体系。
WorkBuddy的界面上陈列着多个厂商的十余款模型，混元、DeepSeek、GLM、Kimi、MiniMax均可一键切换。每一次切换都是一次投票，每一次重复使用也是一次投票。结果是Hy3留住了用户。今年7月8日，Hy3正式版在WorkBuddy上线后，调用量一度打满算力，当天下午排队率超过50％，团队紧急扩容，原定两周的免费体验也因需求过大延长至8月底。自上线WorkBuddy以来，主动选择Hy3 preview的用户数量增长了6倍。接入Hy3正式版后，WorkBuddy内部测评的任务成功率从72％提升至90％，平均耗时缩短34％。
在多模型共存的产品中，混元获得的不只是“好用”或“不好用”的判断，而是一组带对照关系的反馈：同一任务，不同模型用了多长时间、采取什么路径、调用哪些工具、在哪一步失败、用户最终接受哪个结果。这使得WorkBuddy不只是混元的考场，也成了它的训练场。混元已接入腾讯内部多个业务产品，以真实使用场景持续驱动模型迭代，其追赶路径在行业中有一定参考意义。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
