作者：苏晚腾讯 Hy4 preview：一个能做完项目却不会自己验收的 Agent
770B 总参、49B 激活、1M 上下文、缓存 0.042 美元/百万 tokens——参数和价格之外，Hy4 preview 更值得看的是它在 InfoQ 三次实测里露出的同一个短板：能把复杂任务做完，却不会回头验收自己交付的东西是不是真能被别人打开。这是 Agent 时代的「最后一公里」，也是这次腾讯把模型直接命名为 preview 的另一层意思。
来源 manual
8 月 28 日，腾讯把混元的下一代旗舰模型摆到了 Hugging Face 上：770B 总参、49B 激活参数、1M+ 上下文，官方名字叫 Tencent Hy4 preview。产品线是 WorkBuddy / CodeBuddy / 元宝 / ima 全线首发，API 走腾讯云 TokenHub 与 OpenRouter，两周内 WorkBuddy 和 CodeBuddy 面向用户免费开放，Hy3 的免费窗口也顺势延长到 9 月 30 日（来源：腾讯官网、IT之家）。定价上，官方英文页给出的是 USD 0.834 / 百万输入、USD 2.501 / 百万输出、USD 0.042 / 百万缓存命中，人民币标价则是 6 元 / 18 元 / 0.3 元（来源：InfoQ）。
把这些数字排开来看，Hy4 preview 是一款「值得试」的模型——腾讯内部 163 名专家做的 203 个工程任务盲测里，它以 2.99/4.00 略优于 GLM-5.3（2.92）和 Kimi K3（2.94），配合 Hyra 又在三维 Blaschke–Lebesgue 问题上把体积下界从 0.380799 推进到 0.41104，距离 Meissner 四面体猜想只剩 2% 的 Gap（来源：IT之家）。
三维 Blaschke–Lebesgue 问题历史下界的推进：Hy4 preview + Hyra 把体积下界从 0.380799 提升到 0.41104，距离 Meissner 四面体猜想的 0.41986 只剩 2% 的 Gap。图片来源：IT之家
但今天真正值得写下来的判断，不是「腾讯又发了个大模型」，也不是把它的缓存价 20 倍差价当成「低 TCO 长上下文策略」来解读——那只是一个价格结构上的观察。真正被这次发布验证的，是一个更结构性的现象：Hy4 preview 已经能「做完」复杂项目，却不会回头验收自己交付的东西是不是真能被别人打开。这才是「preview」两个字里最值得留意的那一层。
三次实测里，同一种失败模式
InfoQ 拿 WorkBuddy 跑了三个真实场景，把它们并排放在一起看，会发现失败点惊人地一致。
第一个任务是「为 30 人开发团队采购 AI 编程工具」。 Hy4 preview 调用了十来个网页，甚至把 GitHub 2026 年 4 月 22 日暂停 Copilot Business 新自助注册这种冷门政策变化都抓到了。但报告最后卡在了一个非常朴素的问题上：Cursor Teams 的年付价格在 2026 年 6 月已经改成 Standard 32 美元 / 席 / 月、Premium 96 美元 / 席 / 月，Hy4 preview 却仍然按 40 美元 / 席 / 月算，结论一路错到底——「即使 Copilot Business 额度超支 100%，年成本 13,680 美元仍低于 Cursor Teams Standard 的起步价 14,400 美元」。实际上按年付口径，Cursor Teams Standard 三十人一年只要 11,520 美元。整份报告漂亮、深入、可以直接呈递管理层，但因为最后一次交叉校验没做，等于把一份错误结论送到了签字台上（来源：InfoQ）。
Hy4 preview 生成的 AI 编程工具采购报告成本对比表：Cursor Teams Standard 被算成 40 美元 / 席 / 月、年 14,400 美元；实际按年付口径应为 32 美元 / 席 / 月、年 11,520 美元。图片来源：InfoQ
第二个任务是一个「四端项目作战中心」，要 Web、移动、桌面、3D 四端同时交付，8 个项目、17 个任务、KPI 和 3D 空间交互全部要跑通。Hy4 preview 在这个项目上表现让人惊喜：移动端专门做了 44 px 触控目标和 safe-area 处理，桌面端接了原生菜单和系统通知，3D 版本把「P003 逾期 9 天」、「P006 已完成 91% 却仍是高风险」这种边界数据都主动写进了测试。它甚至像个称职的架构师那样，主动抽出了共享数据层。但最终交付时，README 上写着「一键执行 147 项测试」，实际执行的第一步就失败了——一键测试脚本目录错了，两份浏览器测试写死了生成机器的绝对路径。会写测试，但没检查这些测试离开自己的机器还能不能跑（来源：InfoQ）。
第三个任务是 2026 Q3 季度经营复盘，给了 10 个附件、包含 12 个月脏数据（错误汇总表、缺失月份、重复订单、前后矛盾的会议纪要）。这次它跑完了完整的 17 步：文件盘点 → 数据校验 → 去重 → 发现缺失 → 发现公式异常 → 重算 → 同比环比 → 产品指标 → 客户信号 → 回查纪要 → 处理冲突 → 归因 → 风险 → 优先事项 → 数据质量附录 → 管理层摘要。中间 0 次人工干预。但第一版 Word 文档出现排版问题，改了两次才好——最后一步的交付格式，Agent 又没顾上（来源：InfoQ）。
把三次实测放到一张纸上，共性一目了然：它们都不是失败在「能不能做」，也不是失败在「逻辑推理不够长」——恰恰相反，第三个任务比第一个长得多，反而更稳。它们都失败在「给别人打开时能不能用」。数字比较报告能不能对得上口径，是「给别人打开」；README 上的一键脚本能不能真的一键跑，是「给别人打开」；Word 文档打开是不是排版正常，还是「给别人打开」。Hy4 preview 目前所有失误都长在同一片区域：它对「任务的语义完成」敏感，对「任务的交付审计」迟钝。
「最后一公里」是结构性的，不是版本问题
为什么会这样？因为大模型的训练奖励主要绑在「任务完成」上——按需求生成、按指令回答、按目标推理——但「回头把交付物再当成一个待办输入重新检验一次」这个动作，在训练分布里稀薄得多。人类工程师做完一个采购报告后会本能地打开 Excel 重算总数，做完一个 repo 后会 clone 一份到干净目录跑一遍，做完一份 Word 会打印预览再看一眼版式；这些动作看似琐碎，但恰恰不在 LLM 的强化路径上。。
想了解 AI 如何助力您的企业？
免费获取企业 AI 成熟度诊断报告，发现转型机会
