腾讯Hy4开源模型：770B参数主攻长程智能体任务

腾讯放出770B开源大模型Hy4

近日，腾讯在Product Hunt上发布了名为 Hy4 Preview 的大型语言模型预览版，并迅速登上了当日榜单第二名。这款模型采用了当前主流的 MoE（混合专家）架构，总参数量达到 7700亿（770B），而每次推理仅激活约 490亿（49B） 参数，在保证模型容量的同时显著降低了推理成本。

更你可能没注意到，Hy4 支持高达 100万（1M）token 的上下文窗口。这一规格意味着模型能够一次性处理极长的文档、完整的代码仓库或长时间跨度的交互历史，为复杂任务提供了充足的"记忆"空间。作为一款开源模型，Hy4 的发布进一步充实了国产大模型在开源生态中的版图。

面向长程智能体任务的设计

Hy4 最核心的定位是 long-horizon agentic tasks（长程智能体任务）。所谓"长程"，指的是需要跨越多个步骤、持续较长时间、且中间状态相互依赖的复杂任务。这与传统的一问一答式对话有着根本区别。

根据官方描述，Hy4 能够自主处理三类典型场景：

• 编程开发：从需求理解到代码编写的完整流程
• 游戏开发：涉及逻辑、资源与迭代的复合型任务
• 复杂文档分析：对海量文本进行深度理解与提炼

自测试与自修复的闭环能力

真正让 Hy4 区别于普通代码生成模型的，是它宣称具备 "运行自身测试并在交付前修复 bug" 的能力。这意味着模型不只是被动地生成代码，而是能够在一个完整的工作循环中完成：编写代码 → 执行测试 → 发现问题 → 自主修正 → 最终交付。

这种闭环能力正是当前 AI Agent 领域的关键突破方向。传统模型往往在生成一段看似正确的代码后便结束任务，错误的发现和修复留给了人类开发者。Hy4 试图将这部分工作也纳入模型自身的能力范围，从而真正实现长程任务的自主执行。

MoE架构与超长上下文的技术价值

从技术规格来看，Hy4 的设计选择颇具代表性。770B 总参数 / 49B 激活参数 的 MoE 结构，反映了业界在"扩大模型能力"与"控制计算成本"之间寻求平衡的普遍思路。激活参数仅占总量约 6.4%，使得这款超大模型在实际部署时具备可行的推理效率。

而 1M token 的超长上下文对智能体任务尤为关键。在长程任务中，模型需要持续追踪之前的操作结果、代码变更、测试反馈等信息。上下文窗口越大，模型"遗忘"关键信息的概率越低，越能维持任务的连贯性和一致性。对于处理整个代码仓库或数百页文档而言，充足的上下文是完成任务的基础前提。

开源策略的行业影响

Hy4 被明确归类为 开源（Open Source） 与 人工智能 项目。腾讯选择以开源方式发布如此规模的模型，具有多重意义。

一方面，开源降低了开发者和企业接入前沿模型能力的门槛，有助于围绕模型构建更丰富的应用生态；另一方面，这也是国产厂商在全球开源大模型竞争中抢占话语权的重要举措。随着多家中国科技公司陆续开源高性能模型，开源已成为衡量厂商技术实力与生态影响力的重要维度。

不过需要理性看待的是，目前 Hy4 仍处于 Preview（预览） 阶段，官方给出的能力描述更多是目标定位层面的宣传。其在实际编程、游戏开发和文档分析任务中的真实表现，以及自测试与自修复能力的可靠程度，仍有待社区的广泛验证。

结语

Hy4 Preview 的发布，展现了腾讯在超大规模开源模型和智能体方向上的持续投入。770B 的参数规模、1M 的上下文长度，以及主打"自主完成长程任务"的定位，都指向了当前 AI 发展的一个明确趋势——从"能回答问题"迈向"能完成工作"。

对于开发者而言，这类具备自测试、自修复闭环能力的模型若能兑现承诺，将有望大幅改变软件开发与复杂任务处理的工作方式。而它最终能否在真实场景中站稳脚跟，还需等待正式版本与更多实测数据的检验。