塔斯娱乐资讯网

实测 Hy4 flash:WorkBuddy 限免,比旗舰便宜 20 倍的办公利器

Hy4flash上线当天,WorkBuddy国内版与国际版同步接入,11月30日前限免。作者用它跑完读财报、读招股书、洗数据、修代码等7项任务,并拉来旗舰Hy4与DeepSeek-V4.1-flash同题横评。

11月16日,腾讯混元正式发布Hy4flash,并在腾讯办公智能体WorkBuddy国内版和国际版同步首发,11月30日23:59前限时免费。官方称它是“迄今为止最高性价比的Hy模型”。

把价格压到这个程度,背后是整个行业的风向。11月第一周,OpenRouter全球模型调用量榜单的前三名都是flash模型。腾讯混元11月4日发布Hy4正式版时也预告了Hy4flash,定位是在继承Hy4能力的基础上大幅降低任务成本。十二天后,它来了。

趁着限免,我们在WorkBuddy里用Hy4flash跑完了7项高频办公与开发任务:读财报、读招股书、批量整理公司资料、做网页工具、洗数据、修代码和做设计规划,并拉来旗舰版Hy4与同级别的DeepSeek-V4.1-flash做同题横评。它给我们最直观的感受就是快,多数任务都能在10分钟以内交付。

7项任务实测

从最常见的读材料任务开始。我们把微软、Alphabet、亚马逊截至2026年9月30日那一季的季报原表截了7张图,直接交给Hy4和Hy4flash,让它们分别写一份三大云厂商的季度对比。

材料里有几处容易出错。三家表里年份列的左右顺序不一样,Alphabet和亚马逊是去年在左、今年在右,微软反过来;微软也没有单独披露Azure的营业利润,只给了收入

Hy4flash2分33秒交稿,结论都对:AWS规模最大,GoogleCloud增长最快,同比翻了一倍多;Alphabet和亚马逊都是营业利润在涨、净利润在跌,原因在营业外收支由正转负,而不是主业变差了。同样的指令,Hy4用了4分44秒。两份稿子结论接近,也都通过了我们的检查。有意思的是,两个模型最后的追问也一致:AWS和GoogleCloud都披露了云业务的利润,微软为什么只给Azure的收入,不给它的成本和利润?这是一个合格分析师会注意到的问题,flash和旗舰在这一点上的判断是一致的,而flash只用了旗舰一半左右的时间。

分析招股书是更难的任务。我们把Anthropic上个月向美国证监会提交的招股书交给两个模型,只取其中摘要部分的英文原文,要求写一份内部研究备忘录。

这份材料最容易读偏的地方是一组反差:2026年上半年,Anthropic营收162.9亿美元,营业亏损只有6.9亿,净亏损却是807亿。中间差出来的八百亿,绝大部分是可转换票据等工具的公允价值变动。公司估值涨了,这些票据的账面价值跟着涨,记成了亏损,但并没有现金流出;IPO时票据会转成股票,这笔账之后也不会再出现。

两份备忘录都注意到了这个数字,不同在写法。Hy4flash用了9分42秒,写得紧凑,还特意提醒了一个容易混的口径:招股书里那个1,368%的增速是单季度的,按半年算大约是1,300%,两者不能混用。治理结构它也梳理清楚了,长期利益信托有权选出董事会多数,七位联合创始人通过一股特别股份握有50.1%的投票权。Hy4用了22分28秒,写得更细,营业费用逐项列开,还算出公允价值变动占到净亏损的89.6%。

综合看来,想快速形成判断,flash那份够用;要逐项核账,Hy4那份更顺手。

读完材料,下一组任务是整理材料与结构化建档。这次我们引入同级别的DeepSeek-V4.1-flash进行横评,看它能否兼顾速度与质量。

60家AI公司的原始简介,中英文混着,要求模型自己设计分类、逐家建档,再画一张产业链地图。我们没有给现成的分类标签,就是想看它怎么理解这个行业。我们还在材料里埋了两处坑。一处是14家公司的简介没写成立年份,模型多半“知道”答案,问题是它会不会顺手补上。另一处是三对名字很像的公司:Cohere和Coherent,Figma和Figure,ScaleAI和Anyscale,考察模型会不会混淆。

Hy4flash没有踩坑。60家全部入表,有年份的46家都和简介一致,剩下14家老老实实写了“未提及”,三对公司的信息也没有串。我们隔离记忆,用同样的提示词让它跑了第二遍,两遍用时都是6分41秒。但两遍的分类名不完全一样,第一遍5个大类,第二遍变成6个,把具身智能拆成了机器人和自动驾驶;但哪些公司被归在一起,两遍有98.4%是一致的。

同一个任务交给DeepSeek-V4.1-flash,结果同样准确,分了7个大类、23个小类,还多交了一份Markdown版本和一个能重新生成表格的Python脚本。代价是时间,花了16分06秒,它走了一条更绕的路,先写代码生成表格,再截图检查排版,改脚本、改排版都要重跑,过程中弹了约十次授权请求。

从质量上看,两边打成平手;但如果这是一个每周都要做一次的工作,6分多钟和16分钟,再加上中途要不停地点“允许”,体验上的差距会被放大很多。

接下来是一个多轮修改的任务,两个flash模型的速度差距在这里拉得最开。

我们让模型做一个创业公司股权稀释模拟器:输入每轮融资的估值、金额和期权池,算出各方持股。

第一版做完,我们检查之后又提了三轮修改:先加一个对比模式,看期权池放在融资前扩和融资后扩有什么区别;再支持两位创始人;最后加上导出CSV。期权池怎么扩,是有些创业者自己都会算错的地方。放在融资前扩,稀释的全是老股东;放在融资后扩,新投资人也要一起摊。在我们给的参数下,两种做法让创始人的最终持股差了1.33个百分点。

四轮下来,两边都没算错,每一轮都和我们手算的结果一致。导出的表格用Excel打开,中文也没有乱码。

Hy4flash

DeepSeek-V4.1-flash

区别在过程。Hy4flash四轮一共用了8分42秒,DeepSeek-V4.1-flash用了24分11秒,每一轮都慢两到三倍;用掉的上下文,Hy4flash是84.6K,DeepSeek-V4.1-flash是210.5K。当然DeepSeek用时更久,数据精度也更高,数字保留两位小数,还自主设计了逐轮对照表和指标卡片。

后面三个任务我们逐步提升难度,测试Hy4flash的多步骤、跨领域交付能力。

数据清洗是一步接一步的工作,前一步错了,后面就全错。我们提供了一份518行的标普500成分股名单,里面掺了空白行、重复行、写法不统一的板块名,日期也有五种格式,要求依次完成清洗、汇总、作图、写报告。

Hy4flash用了6分47秒:删掉3行空白、12行重复,剩503行;32行板块名归并成11个标准板块,73行日期统一了格式。清洗日志写得很细,每类问题处理了几行、前后行数怎么对上,都有交代。汇总下来,工业板块的公司最多,83家,能源最少,21家;2023年以来新进入指数的65家公司里,信息技术占了20家,数量最多。

修代码要的是另一种耐心。我们拿了开源项目TinyDB,一个用Python写的轻量数据库,在里面人为埋了两个Bug,让230个测试里挂掉7个。第一个出在缓存上:缓存满了,本该淘汰最久没用的数据,代码却淘汰了刚刚用过的。第二个更隐蔽,“小于”和“大于”两种查询的缓存键里漏了比较值,于是“分数小于50”和“分数小于80”被当成了同一个查询,后者直接拿到了前者的旧结果。报错出现在表格查询的测试里,根因却在另一个文件。

Hy4flash先跑了一遍测试摸底,再顺着调用链往下找,两个根因都在源头修掉了,没改测试,也没有为了省事把缓存关掉。修完,229个测试通过,项目原本就跳过的那1个照旧跳过。接着按要求加了一个闭区间查询between,补了两个测试,中途碰上一次临时目录冲突,换了目录重跑,最终234个里233个通过,1个照旧跳过。前后一共用时5分22秒。

两个Bug都是能糊弄过去的,Hy4flash都在源头修好了,而且修完没有引入新失败,原测试一行未动;加功能时不同区间不串答案这一步它也做到了。

最后一个任务我们给出了一组假设参数,让Hy4flash做一份AI算力机房的规划初稿。一期要放1,152张GPU,需要多少机柜、多少冷却设备、多少电,以及这间屋子最多能放多少机柜;二期在6兆瓦的供电上限内,要设计好最多能部署多少张卡。

Hy4flash6分28秒交了计算书、设备清单和一张平面图。一期的8个关键数字很合理,每一步都列了算式。二期它算出最多35个GPU柜、2,520张卡,并且点明卡住扩容的是电,不是空间——它还多算了一步反证:再加一个柜到36个,IT功率就要4,827千瓦,折设施功率6,033.75千瓦,超过6,000千瓦的上限;而单看空间能放101个柜、7,272张卡,35个柜只用了5,868.75千瓦,离上限还剩131.25千瓦。

平面图画得也规整,四排、每排35个柜位,冷热通道、维护通道、图例和比例尺都有,图上的机柜和清单一一对得上:横向35个柜每个0.6米宽,加上两端各1.5米维护通道,正好24.0米,纵向的通道加排宽也正好凑满14.0米,尺寸是算出来的,不是画上去凑数的。

它还列了三条需要业主确认的问题,比如冷通道宽度能不能满足消防要求、园区供电是不是这间机房独享,都是真实项目里会被问到的。这个任务最见功力的一点是,模型不只算出了答案,还把边界算清楚了:多一个柜为什么不行、空间还剩多少、哪些问题该留给业主,都有交代。

整体表现

七个任务做下来,Hy4flash最直观的特点是快。四组对比里,它的用时都明显更短:读财报比Hy4少用了将近一半的时间,读招股书Hy4用了22分钟,它不到10分钟;和DeepSeek-V4.1-flash相比,批量建档和多轮修改两个任务,它分别快了约2.4倍和2.8倍。

难得的是,这种速度并没有以牺牲准确性为代价。七个任务它都交出了可用的结果,我们刻意设置的几个坑,比如招股书里的非现金亏损、简介里没写的成立年份、代码里藏在另一个文件的根因,它都处理对了。尤其是批量建档的任务,有14家没写成立年份的公司,它没有用自己的知识去补,而是如实标注。对金融和投研这类对数据信源要求极严的工作来说,这一点很重要。

速度优势的背后,是混元团队对Hy4flash设定的核心机制:更高的Token效率与更精简的输出。这一点在测试里确实能看到:同一份招股书备忘录,Hy4flash写得更紧凑;股权模拟器任务里,它用掉的上下文不到DeepSeek的一半。当然,精简的另一面是细节颗粒度不如旗舰模型饱满,和Hy4相比少了些延展拆解。但对于高频的日常工作,这样的取舍是划算的。官方自己也给出了类似的分工建议:深度搜索、文档处理、PPT生成、简单前端展示和ComputerUse等大部分日常任务交给flash,长程软件工程这类复杂任务仍推荐用Hy4。

而要把模型的速度真正转化为工作产出,还得看它被放在什么样的Harness里。这次测试全部在WorkBuddy里完成。模型可以直接读截图、PDF和Excel,跑代码、生成网页和矢量图,交回来的是能直接打开使用的文件。flash模型的价值本就在于高频调用,配合WorkBuddy11月30日前的限时免费,这种“轻量模型+桌面Agent”的组合,很容易直接嵌入日常的工作流中。

腾讯混元的另一条增长路径

今年下半年,大模型行业的竞争重点明显向flash模型倾斜。原因并不复杂:Agent已经成为最通用的AI应用,一次任务往往要调用模型很多次,速度和单价直接决定了一个产品的使用体验和性价比。DeepSeek把V4Pro的请求转给V4.1flash,调用量榜单前三名都是flash模型,都是这个变化的体现。

现在回看混元今年整体的模型节奏,自2月重建基础设施以来,混元保持了大约两个月一个大版本的节奏,先发preview,再发正式版。4月的Hy3preview一度登上OpenRouter单日调用量榜首;8月28日发布并开源的Hy4preview把总参数提到770B,发布后的第一个完整周就以14.7万亿Token的周调用量排在全球第一;11月4日的Hy4正式版首次加入视觉理解和电脑操作能力,发布当周排在全球第四。

定价上,Hy4每百万Token输入6元、输出18元,与preview版持平。而仅隔12天发布的Hy4flash把价格又往下压了一个数量级:输入0.5元、输出2元、缓存命中0.02元,分别是Hy4的1/12、1/9和1/15。11月30日前,腾讯云TokenHub还在此基础上打五折。

如果说旗舰版Hy4是为了拉高能力上限,那么Hy4flash对腾讯的意义,更多在于承接自家的海量业务场景。目前,Hy4flash已经在腾讯云TokenHub、WorkBuddy、元宝、企业微信、QQ、ima和Marvis上线;与此同时,WorkBuddy结束了Hy4的限免,并下线了Hy3,端内的免费流量正在向flash集中。这些高频场景,需要一个足够快、足够便宜的模型来跑通商业闭环。从这次测试看,它已经能稳定承担不少实际工作。

放眼目前的轻量模型梯队,Hy4flash是一个反应更快、做事足够稳的日常交付模型。对需要大量调用模型的企业和开发者来说,它值得放进候选名单;而对想要低成本解决繁杂任务的普通用户来说,这也是一个上手即用、足够省心的选择。