从“卷单价”转向“卷 Token 效率”:混元 Hy4-flash 与 Qwen4-Max 的真实账单逻辑

举报
xiayiyi0 发表于 2026/11/19 11:13:21 2026/11/19
【摘要】 过去一年,国内大模型厂商竞争的主旋律是“卷榜单高分”和“卷百万 Token 单价”。但随着模型大量进入长程 Agent 工作流与真实企业办公/工业管线,开发者算账的方式已经变了:真正决定成本和延迟的,从来不只是每百万 Token 标价多少,而是“做成同一件事,到底废话了多少 Token、激活了多少参数、占了多大显存”。2026 年 11 月,腾讯混元 Hy4-flash 与阿里 Qwen4-...

过去一年,国内大模型厂商竞争的主旋律是“卷榜单高分”和“卷百万 Token 单价”。但随着模型大量进入长程 Agent 工作流与真实企业办公/工业管线,开发者算账的方式已经变了:真正决定成本和延迟的,从来不只是每百万 Token 标价多少,而是“做成同一件事,到底废话了多少 Token、激活了多少参数、占了多大显存”。

2026 年 11 月,腾讯混元 Hy4-flash 与阿里 Qwen4-Max 相继登场。两款定位不同(一个主攻极致性价比与开源高频调用,一个定位闭源旗舰与重度工业任务)的模型,不约而同把核心卖点押在了同一件事上——Token 效率。


一、腾讯混元 Hy4-flash:12B 激活跑出 150+ tok/s,用 RL 把输出长度砍半

11 月中旬,腾讯正式发布并开源了定位高频生产力与轻量化 Agent 的原生多模态 MoE 模型 Hy4-flash(同步上架 Hugging Face、GitHub、ModelScope 与 GitCode),原生支持 100 万 Token 上下文。

它把算力与存储抠到了极致:

  • “大底盘、小激活”参数结构:总参数 224B(其中包含 64B Engram N-gram 记忆扩展参数),但每个 Token 仅激活 12B 参数。
  • KV Cache 压缩至 1/24:通过结合混合注意力(Hybrid Attention)、LatentMoE 与 Engram 架构,Hy4-flash 将 KV Cache 占用压到了上一代 Hy3 的 1/24(也是旗舰版 Hy4 的 1/6),极大降低了长上下文并发时的显存压力。
  • 解锁 150+ tok/s 生成速度:叠加 Megakernels、4-bit 量化与 DFly 等推理系统优化,实测解码速度超过 150 tokens/s。
  • 强化学习直接“戒废话”:在后训练阶段,腾讯专门引入强化学习(RL)来约束冗余推理过程,将端到端任务的平均输出 Token 长度直接压缩了 50%。

在价格和实测对比上,Hy4-flash 的官方 API 定价已经下探至约 0.070 美元/百万输入 Token、0.281 美元/百万输出 Token(缓存命中低至 0.003 美元)。而在腾讯基于自家 WorkBuddy 办公场景(涵盖 PPT 制作、文档编辑、表格修复、视觉理解与人工盲评)搭建的内部评测集 WorkIndex 上,Hy4-flash 在保持略优于更大尺寸 Hy4 preview 的任务表现同时,单任务平均成本仅约为 DeepSeek-V4.1-Flash-1017(高峰/Max 档定价)的 1/8(也是 Hy4 preview 的 1/13、完整版 Hy4 的 1/20)。

需要客观注明的是,WorkIndex 属于腾讯内部构建的办公任务评测集,并非第三方公开榜单;而腾讯官方也给出了明确的分流建议:日常办公、深度检索与常规电脑操作优先用 Hy4-flash,超长程仓库级软件工程与高难终端任务则交给旗舰版 Hy4。


二、阿里 Qwen4-Max:2.4T 总参仅激活 71B,复杂编程单次 Token 省近半

11 月 16 日,阿里巴巴通义千问团队正式发布新一代闭源旗舰多模态大模型 Qwen4-Max(已在阿里云百炼等平台上线,输入定价 1.50 美元/百万 Token,输出 4.50 美元/百万 Token;阿里方面同时表示后续将开源 Qwen4 系列的小尺寸权重模型)。

作为“大旗舰”,Qwen4-Max 同样把优化重心放在了“少算、少吐、省着烧”:

  • 架构减负:采用 Qwen 稀疏注意力(QSA)与 Gated DeltaNet(GDN)混合的全新 MoE 架构,主干总参数高达 2.4T(2.4 万亿)(另配 328B N-gram 嵌入参数),支持 100 万上下文与文本/图像/视频原生多模态;但每次推理仅激活 71B(710 亿)参数,激活参数量比上一代减少了 25%。
  • Terminal-Bench 4.0 量效齐升:在公认硬核的命令行与终端编程基准 Terminal-Bench 4.0 上,Qwen4-Max 取得了约 48.5% 的得分——相比上一代 Qwen3.8-Max,每次尝试的平均 Token 消耗减少约 47.5%(复杂任务整体降幅约 24%–49%),同时得分高出近 28%。加上阿里云下调缓存读取价格,阿里称其在内部 Work360 等复杂基准上的单任务平均成本下降了约 60%。(注:在 Terminal-Bench 4.0 等纯终端编码榜单上,若横向对比 Kimi K3.1 Pro 或 Claude Opus 5.5 等模型,该领域仍是 Qwen4-Max 相对仍有提升空间的一环。)

在产业落地上,阿里重点披露了一个汽车制造与精密加工标杆案例:在联合三丰智能装备、泛海统联精密等企业的实际测试中,Qwen4-Max 直接接入工程软件流,协助完成 2D 产线图纸理解、3D 产线仿真与虚拟调试,以及复杂零件(如车门总成等)的加工工艺规划与刀路生成,将单个复杂工件的加工编程人工耗时从约 475 分钟压缩到了 24 分钟,效率提升约 95%。(同样需要说明,这一案例数据来自阿里官方自述。)


小结:大模型进入“算力与 Token 精算时代”

把腾讯混元 Hy4-flash 和阿里 Qwen4-Max 放在一起看,一个非常明确的行业拐点已经出现:

  1. 推理阶段的“少即是多”:无论是混元的 Engram + 1/24 KV Cache + RL 长度压缩 50%,还是千问的 2.4T 底座仅激活 71B + 稀疏注意力混合架构,研发重点都在转向用架构和后训练换取更短、更准的推理路径。
  2. 评价指标转向“单任务总成本(Cost per Task)”:在 Agent 需要反复读文档、调工具、写代码跑测试的今天,谁能用一半的 Token、十分之一的缓存空间一次性把活干完,谁就能真正接管企业的高频生产流。

参考资料

  • 腾讯混元官方技术与博客主页:tencent.ai
  • 阿里云千问发布与平台文档:Alibaba Cloud Model Studio
  • 第三方架构与评测汇总:DataCamp / MLQ.ai / VentureBeat
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。