1.56TB MoE模型被腾讯承认“想太多”，770B开源新王盲测险胜GLM-5.3

腾讯Hy4 Preview的官方技术公告里，最刺眼的不是770B参数，也不是1.56TB的MoE体量，而是腾讯自己写下的那句“largest generation-over-generation gain we've measured”——他们承认这是迄今测到的最大跨代提升。从Hy3到Hy4只用了一个月，所有数字都挂在Hugging Face官方页面上。

但Simon Willison翻完模型文件后，发现公告没说的另一面：这个“想太多”的毛病，腾讯自己点了头。

MoE的“大而轻”逻辑

先拆术语。MoE（Mixture of Experts）不是把所有参数同时跑起来，而是每个token只激活相关的那几组“专家”。所以1.56TB的体量听着吓人，实际推理时并不重。Reasoning effort是“思考强度”档位，调高就是让模型在回答前多打几轮内部草稿；reasoning trace就是那些草稿本身。

打个比方：reasoning effort像给会议设时长，high等于拉长讨论再拍板，no_think等于凭直觉秒回。Hy4 Preview的档位只有两档——high（默认）和no_think，没有中间值。其他家常见的low/medium/high阶梯，在腾讯这里被砍成了“全速想”或“完全不想”。

一个月跳了多大

从Hy3到Hy4，腾讯官方口径是“largest generation-over-generation gain we've measured”。这句话的分量在于，它出自腾讯自己，不是第三方评测。Hugging Face页面上的数字支撑了这个说法，但具体提升幅度公告没有展开成单一百分比，而是散在几个任务里。

最值得看的是三个“最难的战场”。腾讯把Hy4 Preview的强项锁定在三个重任务上，而不是刷通用榜单。这种选场方式本身就说明，他们清楚这代模型的边界在哪里。

能真做出Unity游戏

官方展示的demo是一个Unity 3D第三人称游戏：企鹅在雪地里探索，捡浆果、开箱子、打怪物，菜单、加载、暂停齐全，还带animation blend tree、inventory、quest HUD、音乐和音效。这不是生成一段代码片段，而是从零搭出一个可运行的游戏项目。

这个demo的含金量在于，它把“能写代码”推到了“能组织一个完整工程”的层面。对开发者来说，后者才是真正省时间的部分。

当“研究主管”管多个Codex

技术公告里最值得琢磨的一点：Hy4 Preview被用来当researcher，同时管理多个Codex会话，根据中间结果调整研究方向。腾讯称，这种“一个模型当大脑、指挥其他agent”的玩法，在8个benchmark上全部赢过单打独斗的Codex。

这是真正的multi-agent orchestration。不是简单地把几个模型拼起来，而是让一个模型做调度和决策。Simon Willison对这部分没有展开质疑，但公告里的“8个benchmark全胜”需要看具体口径——是同一批任务、同一套评分标准，还是各自为战。

盲测数字要读准

163位专家给203个工程任务打分，Hy4 Preview赢了GLM-5.3，但赢得很“窄”。官方公告写的是“小胜”，不是碾压——对手还拿下了40%的任务。这个数字必须读准：它不是domination，是一场有来有回的较量。

如果把“盲测获胜”简化成“全面超越”，就偏离了公告原意。腾讯自己都没这么说。

价格还是中国式打法

API定价：输入每百万token 0.834美元，输出每百万token 2.501美元，走腾讯云和OpenRouter。CodeBuddy、WorkBuddy前两周免费，Yuanbao和ima也能免费用。这个价格放在770B MoE模型上，确实延续了“便宜大碗”的路线。

但价格低不等于推理成本低。MoE的“轻”是相对的，1.56TB的权重加载和专家路由本身有开销。腾讯没在公告里给出单次推理的实测成本，这部分只能等第三方跑分。

Simon Willison翻出的三件事

Simon Willison直接读了模型的chat_template.jinja，发现reasoning effort只有high和no_think两档。没有中间档，意味着用户要么接受“全速思考”的延迟和token消耗，要么关掉思考换速度。这对需要精细控制成本的场景不友好。

第二件事更具体。他让模型画“骑自行车的鹈鹕”SVG——这是他常用的经典测试prompt。结果图很漂亮，但reasoning trace里出现了这样的内部草稿：“Let's maybe add a helmet?... The user didn't ask; can add red helmet? Might be cute. But pelican with big beak; a helmet might obscu……”

这段trace被截断了，但已经能看出问题：模型在“用户没要求”的情况下，自己纠结要不要加头盔、加红色头盔可不可爱、鹈鹕嘴大头盔会不会挡住。这就是腾讯承认的overthink——在不需要的地方反复横跳，消耗额外的推理资源。

“想太多”的代价

Overthink不是玄学，是实打实的token消耗。reasoning trace里的每一句“maybe”“might”都是要付费的输出。当模型在“用户没问”的细节上自我辩论时，用户等得更久、花得更多，而最终结果未必更好。

腾讯在公告里承认这一点，说明他们清楚这个行为模式的存在。但承认不等于解决。Hy4 Preview目前只给了high和no_think两档，用户没法选一个“适度思考”的中间态。要么忍受overthink，要么完全放弃推理深度。

两档设计的真实影响

对开发者来说，这个限制比想象中更实际。很多场景需要的是“想一下，但别想太多”——比如代码补全、简单问答、格式转换。Hy4 Preview的no_think可能太快太浅，high又可能陷入不必要的自我讨论。没有中间档，意味着用户要在两个极端之间做选择。

Simon Willison没有直接批评这个设计，但他把chat_template翻出来这件事本身，就是在提醒：别只看公告，去看模型文件里真正写死的逻辑。

一个月迭代的隐忧

从Hy3到Hy4只用一个月，这个速度本身值得追问。腾讯说这是“最大跨代提升”，但一个月能做的，更多是训练策略、数据配比、后训练调整，而不是底层架构的彻底重构。770B的MoE不是从零训出来的，是在前代基础上快速迭代。

这种速度的好处是快，风险是某些行为模式——比如overthink——可能被继承甚至放大。腾讯在公告里承认overthink，某种程度上也是在给用户打预防针：这个版本还有明显毛病，别当成品用。

盲测“小胜”该怎么看

163人、203个任务，这个样本量不算小，但也不是大规模基准。40%的任务输给GLM-5.3，说明两者差距没有拉开。对用户来说，选哪个可能更取决于具体任务类型和价格，而不是一个笼统的“谁更强”。

腾讯把盲测结果放出来，姿态是透明的。但“小胜”这个表述本身，也留了余地——它没有宣称全面领先，只是说在工程任务上略占上风。

价格战的另一面

0.834美元/百万输入token，放在770B MoE上确实有竞争力。但用户真正要算的是总成本：输入+输出+reasoning trace的额外消耗。如果overthink导致输出token膨胀，实际花费可能比标价高出一截。

腾讯没在公告里给出“典型任务的平均输出token数”，这个数据对评估真实成本至关重要。免费渠道（CodeBuddy、WorkBuddy、Yuanbao、ima）能降低试用门槛，但生产环境的成本还是要自己测。

Simon Willison的测试方法

他用“骑自行车的鹈鹕”这个prompt，不是为了考画图能力，而是为了看reasoning trace里的决策过程。SVG画得好不好是结果，trace里怎么想才是他关心的。结果就是那段被截断的英文草稿，暴露了模型在非必要细节上的自我纠结。

这个方法值得开发者借鉴：别只看最终输出，去翻模型的内部推理。很多问题——overthink、重复、逻辑跳跃——都藏在trace里，而不是最终答案里。

腾讯的“承认”意味着什么

厂商在官方公告里承认自家模型overthink，不算常见。大多数时候，这类问题会被包装成“深度思考”或“谨慎推理”。腾讯选择直接说出来，可能是为了管理预期，也可能是为了给后续版本留出改进空间。

对用户来说，这个“承认”是好事。它意味着你知道自己会面对什么：一个能力强但偶尔想太多的模型，一个只有两档思考强度的模型，一个盲测小胜但没拉开差距的模型。

接下来该盯什么

Hy4 Preview还是Preview，不是正式版。腾讯没给正式版时间表，但一个月一代的速度，说明后续版本不会太远。值得盯的三个点：overthink是否被抑制、reasoning effort是否增加中间档、盲测差距是否拉大。

Simon Willison已经用行动给出了建议：别等官方总结，自己去读模型文件、跑测试、翻trace。对770B的MoE来说，真正的评测不在公告里，在那些被截断的英文草稿里。