GLM-5.3 刚开源一周，腾讯 770B 的 Hy4 就追上来了

2026-09-08 约 1 分钟阅读

GLM-5.3 刚开源一周，腾讯 770B 的 Hy4 就追上来了这周国产大模型打得有点凶。 8 月 27 日，智谱把 GLM-5.3-Flash 开源了，跑分追平 Opus 4.8，百万 token 报价四毛钱，我昨天还专门写了一篇。结果第二天，8 月 28 日，腾讯混元就甩出了新一代旗舰模

💡 你将学到

📜 目录

腾讯这次不晒跑分，晒了一份盲测
为什么大厂开始不爱晒跑分榜了（评价体系之争）
硬规格和价格（限时免费）
选型逻辑变了：从看分数到看活儿

GLM-5.3 刚开源一周，腾讯 770B 的 Hy4 就追上来了

这周国产大模型打得有点凶。

8 月 27 日，智谱把 GLM-5.3-Flash 开源了，跑分追平 Opus 4.8，百万 token 报价四毛钱，我昨天还专门写了一篇。结果第二天，8 月 28 日，腾讯混元就甩出了新一代旗舰模型 Hy4，770B 参数、1M 上下文，同样开源，价格同样压得很低。

但我注意到一个细节：腾讯这次没怎么晒跑分榜，晒的是一份"盲测"。

腾讯这次不晒跑分，晒了一份盲测

按腾讯混元官方博客的说法，他们找了内部 163 名专家，设计了 203 个真实工程任务，让 Hy4、GLM 5.3、Kimi K3 三个模型在代码、办公、科学这三类活儿里同台干。专家不知道答案来自哪个模型，按 4 分制打分。

结果是 Hy4 均分 2.99，Kimi K3 是 2.94，GLM 5.3 是 2.92。

这个赢法很微妙。对比 GLM 5.3，Hy4 的胜率是 46.8%，平局 12.8%，输了 40.4%。说"略优"很准确，说"碾压"就属于吹牛了。

为什么大厂开始不爱晒跑分榜了（评价体系之争）

benchmark（就是那些公开的标准化考试题）这两年有个越来越明显的毛病：题目是公开的，模型训练时很容易"刷"到类似的题，分数越考越高，放到真实工作里却未必好使。这跟学生应试一个道理，模考次次满分，真上项目不一定扛得住。

腾讯这次换了个思路：干脆不考标准题，直接从内部真实业务里捞任务出来——写代码、做表格、搞科研计算，让天天干这些活儿的专家盲着打分。模型到底好不好用，干过活儿的人说了算。

这套评价方式比跑分榜更接近你我用模型的真实场景，但它也有自己的局限：测试是腾讯自家组织的，专家是腾讯的人，任务是腾讯挑的，对比的 GLM 和 Kimi 是当前线上版本。它能说明 Hy4 在腾讯的生产力场景里表现不错，至于"国内第一"这种结论，还得等更多独立测试来验证。

硬规格和价格（限时免费）

简单交代下参数。Hy4 是 MoE 架构（混合专家，可以理解成一个模型里装了好多个专科大脑，每次只调用对口的那几个），总参数 770B，每次激活 49B，上下文 1M——一百万 token，差不多能一次性塞进去一整部长篇小说。上一代 Hy3 是 295B 总参、21B 激活、256K 上下文，各项规格等于翻了一倍多。

API 定价每百万 token：缓存命中输入 0.3 元，正常输入 6 元，输出 18 元。模型权重在 GitHub、HuggingFace 等四个平台开源。

跟发布同步还有个实在福利：腾讯的 AI 办公助手 WorkBuddy 已经上线 Hy4，8 月 28 日到 9 月 10 日限时免费，这期间不花 token 钱就能直接上手；上一代 Hy3 的免费期也延长到了 9 月 30 日。元宝、ima 这些 App 里同样能免费用。

官方还很坦诚地先认了个错：这是 preview 预览版，复杂任务上会"想太多"、反复自我检查，正式版还在迭代。