介绍Hy4预览版

介绍Hy4预览版

今天，中国公司腾讯发布了一款新的开放权重文本输入（无视觉）大语言模型：总参数770B，激活参数49B，上下文窗口1M token，Hugging Face上体积1.56TB。与7月发布的Hy3相比，规模大幅增加，后者参数295B，激活21B，上下文256,000，体积598GB。

我最近开始使用模型聊天模板来更好地理解它们的能力。以下是Hugging Face上Hy4的chat_template.jinja，其中包含这一部分：

{%- if not reasoning_effort is defined %}
{%- set reasoning_effort = 'high' %}
{%- elif reasoning_effort not in ['high', 'no_think'] %}
{%- if reasoning_effort is none %}
{{- raise_exception('reasoning_effort error: None, should be no_think/high') }}
{%- else %}
{{- raise_exception('reasoning_effort error: ' + reasoning_effort + ', should be no_think/high') }}
{%- endif %}
{%- endif %}

所以看起来只有两种推理努力级别：“high”（默认）和“no_think”（禁用推理）。

我通过OpenRouter使用默认的“high”推理尝试了我的提示“Generate an SVG of a pelican riding a bicycle”，并得到了这个：

引用推理轨迹：[...] 也许加个头盔？它可以增强骑行主题，但可能遮住头部。也许戴一顶小骑行帽或头盔？用户没有要求；可以加红色头盔？可能很可爱。但鹈鹕有大喙；头盔可能会遮挡。也许最好不要。也许加个墨镜？不。也许加水？不。

有趣的是，推理轨迹使用了略微截断的英语，大概因为完美的语法对于隐藏推理文本来说并不实用或token效率不高。

腾讯发布Hy4预览版，770B总参数、49B激活参数、1M上下文窗口，较前代大幅提升，支持高推理与禁用推理两种模式。

• 腾讯发布Hy4预览版，770B总参数、49B激活参数、1M上下文窗口，较前代大幅提升，支持高推理与禁用推理两种模式。
• 原贴提到：Introducing Hy4 Preview New open weight text input (no vision) LLM from
• 来源：simonwillison.net

信号解读

腾讯Hy4预览版的发布，标志着中国AI大模型竞赛进入新阶段。770B总参数、49B激活参数的规模，相比前代Hy3几乎翻倍，而1M token的上下文窗口更是直接将长文本处理能力提升到百万级。这不仅是技术指标的堆叠，更意味着模型在复杂任务、长文档理解、多轮对话等场景中具备更强潜力。

为何重要

首先，开放权重策略使全球开发者都能获取这一超大模型，降低了研究前沿技术的门槛。其次，推理模式显式支持'high'与'no_think'，让用户能灵活权衡推理深度与响应速度，这种设计在主流开源模型中不多见。最后，与Hy3的对比显示，腾讯在短短几个月内实现了模型能力的显著跃升，反映出中国AI团队的工程效率和资源投入。

对谁有价值

对AI研究者而言，该模型可作为实验基座，探索大规模参数下的涌现能力与推理机制；对开发者而言，1M上下文窗口适合处理长文本项目，如法律文书、科研论文或代码库。企业用户可基于其开放权重进行私有化部署，构建垂直领域应用。

可行动的建议

建议开发者通过Hugging Face或OpenRouter体验模型，并用'no_think'模式对比输出质量，验证推理开关的实际影响。同时，关注社区对模型性能的评测，特别是在推理和长上下文任务上的表现。若资源允许，可尝试用该模型微调解决业务问题。

风险与限制

770B参数的模型部署成本极高，需多卡集群支持，普通团队难以负担。上下文窗口虽大，但长文本的注意力计算复杂度可能影响实际效率。此外，推理轨迹的英文不完整，可能暗示训练数据或优化策略的局限性。模型在中文外的多语言能力也未验证，需谨慎评估。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 simonwillison.net 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《介绍Hy4预览版》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Simon Willison 原帖