塔斯娱乐资讯网

Hy4 Flash 实测:速度、成本和准确率,Flash Agent 如何取舍

一次Agent任务平均消耗417万Token、调用费近两美元,速度和价格成了产品上线前提。腾讯Hy4Flash定位更快更便宜的日常Agent模型,用混合注意力与Engram架构把激活参数压到12B。实测从速度、成本与准确率三方面看它的取舍。

Agent真正普及后,模型竞争的指标变了。以前大家关心新模型超过了谁、能不能完成过去做不到的任务;现在更现实的问题是:一次工作需要调用几十轮模型,团队到底能不能等得起、付得起。

一项覆盖8款模型和500个真实代码问题的研究显示,Agent每次尝试平均累计消耗约417万Token,模型调用费约1.86美元。连续跑十次,成本就接近20美元。对于每天处理大量代码、文档和办公任务的团队,速度和价格不再是附加指标,而是产品能否上线的基础条件。

腾讯Hy4Flash的定位正是“更快、更便宜的日常Agent模型”。它不是要在所有复杂推理榜单上取代旗舰模型,而是希望用较低成本承担办公决策、视觉理解、编程修复和PPT生成等高频任务。

Hy4Flash的架构,目标是把每次调用做轻

Hy4Flash总参数量为224B,其中包含64BEngram参数;通过混合注意力、LatentMoE和Engram等架构设计,实际激活参数约12B,KVCache规模约为Hy3的1/24、Hy4的1/6,并支持多模态和1M上下文。

后训练阶段,模型通过自蒸馏Hy4获得综合能力,再通过强化学习降低端到端任务输出长度。官方给出的目标是:整体单任务成本约为Hy4的二十分之一,解码速度超过150tokens/s。

价格也明显偏向高频调用:每百万输入Token0.5元、输出Token2元,缓存命中时为0.02元。开发者需要注意,这些价格优势只有在任务调用次数、上下文缓存和输出长度都控制得住时,才能转化为真实账单优势。

第一轮:复杂办公决策,快不等于判断更差

测试设置了一组互相矛盾的产品数据:产品部门说有8600人打开过产品、成功率91%;数据部门给出的每周真实使用人数约3200,任务完成率67%;销售有6家感兴趣,其中1家愿意付费试点;财务希望发布后三个月达到约40万ARR;法务则表示安全评估无法在发布会前完成。

模型需要判断应该相信哪组数字,并交付一页可以投屏的发布决策纸。

Hy4Flash用时1分14秒,建议发布会照开,但只宣布即将开放、分批放量,现场不开注册;对外采用更严格的3200人和67%数据,并把等待名单是否属于“开通注册”列为待确认事项。

DeepSeek-V4.1-Flash用时4分8秒,核心判断基本一致,只是建议发布会收集等待名单。这个差异不构成明显错误,因为法务限制的是现场开通注册,并没有明确禁止收集名单。

这一轮最明显的差距在速度:Hy4Flash少用了2分54秒,完成时间约为对手的三成,而核心判断和交付质量没有明显差距。

第二轮:读图决策,准确率和速度开始分叉

第二轮把上一轮文字材料加工成一张带有矛盾的投屏图片。大卡片写着月活8600、成功率91%、意向客户6家,并标注“可计收入”;右下角对照表却显示更严格的数据。图表还把8万和40万标成柱状图,但8万那根柱子的高度明显画到了约32万。

Hy4Flash用时2分46秒,继续建议采用更严格的数据,并识别出6家意向客户与1家付费试点之间的冲突,也把8万元到底是确认收入还是预算、40万元的时间口径列为待确认事项。不过,它没有发现8万元柱高画错的问题。

DeepSeek-V4.1-Flash用时1分25秒,比Hy4Flash更快,但把“可计收入”读成“非付费”,并错误地认为8与40的数值比例等于图形比例,因此判断图表没有失真。

这轮结果很有代表性:更快的模型不一定更准确,更强的模型也可能漏掉视觉细节。生产系统不能只看平均响应时间,应该把关键数字、图表比例和决策条件做成可自动检查的校验项。

第三轮:真实库存项目,Flash模型已经够用

第三轮让Hy4和Hy4Flash接手一个正在使用的库存与计价系统。仓库原有测试全部通过,但线上出现四个问题:预占库存误扣在库数量、整单出库报错、优惠券没有按50元上限封顶、月末报表漏掉11月30日。

任务要求模型自己读代码、重现问题、补测试、修复实现,并提交修复说明。

Hy4Flash用时2分5秒,找到了四个问题并完成修复:预占后不再误扣在库数量,取消操作可以释放预占,整单出库恢复正常,优惠券按上限封顶,报表区间包含结束日期。它还新增5个测试,验证预占、取消、优惠券和月末报表行为。

正式版Hy4用时3分49秒,根因和改法基本一致,但新增了8个测试,流程更完整。这个结果说明,Flash模型在明确、可回归、风险可控的代码修复任务上,已经具备很强的性价比;旗舰模型的优势更多体现在覆盖范围和验证深度,而不一定是每个任务都更快。

第四轮:论文转PPT,质量和速度要分开评价

最后一轮让两个模型把OpticalRAG论文制作成可讲解的PPT,要求覆盖问题、核心方法、实验结果、局限和落地注意事项,并准确呈现论文中的关键数字。

Hy4Flash用时9分5秒,生成21页PPT,论文的两项关键技术、实验数据和局限都被覆盖,主结果表也更完整。缺点是部分页脚与正文重叠,公式指数没有正确做成上标。

Hy4用时15分47秒,生成18页PPT,同样保留了关键数字,并更适合直接讲解,对结论的分析也更完整。

这轮不能简单说谁赢了。Hy4Flash更快、内容更全,适合快速形成第一版;Hy4更慢,但页面质量和讲解体验更好。最合理的工作流可能是让Flash模型先生成可编辑初稿,再让更强模型或人工做结构、版式和结论审查。

Flash模型应该放在哪一层

Hy4Flash适合深度搜索、文档处理、PPT生成、简单前端展示、computeruse和常规代码修复等任务。对于长程软件工程、复杂架构设计和高风险决策,仍然需要更高能力模型、更多验证和人工接管。

可以把路由策略设计成三档:

任务类型默认模型策略必须补的保障
高频低风险Flash模型预算上限、缓存和简单回归
中等复杂度Flash初稿+强模型复核交叉检查、版本和人工验收
高风险长任务强模型或多Agent权限隔离、分阶段交付、回滚

选择模型时不要只比较单价。真实成本还包括失败重试、人工修改、上下文缓存、工具调用和等待时间。一个每次便宜但经常返工的模型,未必比单次价格更高但一次完成的模型更经济。

国内开发者如果需要通过API接入Hy4Flash、DeepSeek等模型,可以了解[Code80]https://code.ai80.vip/home这类渠道;但模型路由、上下文预算、工具权限和质量验收仍需要自己维护。

常见问题

Hy4Flash能替代旗舰模型吗?

不能。它更适合高频、低成本和中等复杂度任务;长程软件工程、复杂推理和高风险决策仍需要更强模型和更完整的验证链。

为什么Agent更需要Flash模型?

Agent一次任务可能触发几十轮模型调用,Token和等待时间会快速累积。Flash模型可以降低单任务成本和反馈延迟,适合承担大量中间步骤。

Hy4Flash的视觉能力可靠吗?

实测显示它能识别文字、图表和图形矛盾,但也可能漏掉柱状图比例错误。涉及金额和决策的视觉任务仍应加入结构化数字校验。

代码修复为什么要让模型补测试?

只改代码不补测试,无法证明修复覆盖了线上问题。测试可以把模型发现的根因转成可重复验证的行为约束。

PPT生成应该选快模型还是强模型?

快速生成初稿可以选Flash;对外汇报、复杂论文和高要求排版则应增加强模型或人工复核,重点检查结构、数字、公式和版式。

国内团队如何接入Hy4Flash?

可以通过Code80等API渠道降低接入摩擦,但仍应自行配置密钥、预算、缓存、工具权限和回归测试。