通稿里被淹没的那段话
8月28日，腾讯混元发布并开源了Hy4 preview。大部分报道的标题都差不多：770B总参数、49B激活、1M上下文、稳居开源第一梯队、盲测略优于GLM 5.3和Kimi K3。这些都没错，但都是常规升级——把295B/21B/256K的Hy3放大到770B/49B/1M，本来就是大家预期内的动作。真正值得关注的是官方通稿靠后的一段，话说得很平实，几乎没媒体单独拎出来讲：
Hy4 preview在自身研发的全链路过程中发挥了积极价值，首次参与训练方法、数据策略、评估体系和底层算子的自动优化。模型提出方案、运行实验并根据结果继续迭代，实验产生的代码、日志和反馈进入下一轮探索，形成初步的递归自我改进闭环。翻译一下：这个模型参与了造自己的过程。它还给出了一个能验证的数字：模型自主分析推理系统的瓶颈，围绕算子融合、通信优化做了多轮优化，端到端吞吐比基线提升31.8%。这篇文章说三件事：这段话说的是啥、它在行业里啥位置、有多少水分。
一、先厘清：它到底改进了啥
官方列了四个改进对象：训练方法、数据策略、评估体系、底层算子。前三项属于模型研发流程，第四项属于推理工程。这里得先做个关键区分，不然容易被“自我改进”四个字带偏：Hy4 preview做的是“有限度的自我改进”。它改的是围绕模型本身的那套东西——实验脚本、训练配方、数据筛选规则、算子实现，不是自己重写自己的权重。这两者的差距，相当于“工程师优化自己的工具链”和“生物改写自己的基因”那么大。学术界有个现成的参考框架：石溪大学团队2026年发了一份113页的综述，梳理了500多项相关研究，把自我改进拆成四步闭环：
- 拿数据
- 筛数据
- 优化模型
- 精调推理外面再包一层“自主评估层”，一直检验“改的东西是不是真的有用”。对照这个框架看Hy4 preview：训练方法和数据策略对应第2、3步，算子优化对应第4步，评估体系就是最外层的评估层。三层同时动起来，闭环才成立——只动一层，那叫自动化脚本，算不上自我改进。
为什么是混元先跑通
这不是偶然。2026年初，混元做了一次内部叫“四重建”的动作：预训练重建、强化学习重建、数据体系重建、评估体系重建。主导的是腾讯首席AI科学家姚顺雨——清华姚班出身、普林斯顿博士，ReAct框架和思维树的提出者，之前在OpenAI参与过Operator和Deep Research项目。他2025年下半年加盟腾讯，年底出任CEO/总裁办公室首席AI科学家，同时管AI Infra部和大语言模型部；2026年3月腾讯撤销成立十年的AI Lab，所有研发力量都并入混元主线。“四重建”的核心是从“分数驱动”转向“场景驱动”：弱化公开榜单的权重，建立基于真实业务任务、高质量人工反馈和产品实际体验的评估闭环，团队自己建了50多个评测基准。这套评估基础设施，就是今天“递归自我改进”能成立的前提。没有靠谱的裁判，模型自我迭代就只是自己哄自己。 换句话说，年初那次重建评估体系，昨天才第一次收到利息。还有个容易忽略的时间点：2026年7月21日，混元已经推出过Hyra-1.0，官方描述是“能够递归自我改进、专为性能导向的研究与工程任务打造的智能体”。先做出来能递归自我改进的Agent，五周后把它用在自己身上。这条时间线，比单看8月28日的通稿清楚得多。
二、横向看：2026是自我改进元年
把视野拉开，会发现腾讯不是独一份，甚至不是跑在最前面的。OpenAI。 2026年7月发布GPT-5.6（分Sol/Terra/Luna三档）时，同步推出了个叫RSI Index（递归自我改进指数）的指标，用“调试研究系统、优化训练配方、改进其他模型”这类内部AI研究任务打分。GPT-5.6 Sol在这个指数上比GPT-5.5高16.2分。有个公开演示的案例：Sol只凭一条说不清楚的指令，自主选训练配置、挑GPU、跑完post-training，产出了更小的Luna档位——OpenAI估算，这事原本得两位高级研究员多花两周。Anthropic。 截至2026年5月，Anthropic代码库里超过80%的代码是Claude写的。还有个更典型的实验：给Claude驱动的agents一个开放的安全研究问题，让它们自己提假设、测试、迭代。两位人类研究员花一周恢复了约23%的既定benchmark差距；agents用了800累计小时、约18000美元算力，恢复了约97%。人类只管选题和定评分标准，实验设计和迭代全自主。Google DeepMind。 AlphaEvolve走的是另一条路——不写代码，而是用演化算法：生成方案、按目标打分、对最优版本变异，已经在数据中心调度和矩阵乘法算法上找到过真实的改进。学术界。 alphaXiv的统计显示，递归改进相关论文已经到1250篇左右，其中四分之三都是2026年发的。所以，对Hy4 preview更准的定位是：跟进并落地，不是首创。 但它是国内第一个把这条链路正式写进旗舰模型发布通稿的——这个动作本身有信号价值，说明这条路线已经被当成核心能力，而不是实验室里的边角料。
三、冷静看：三个不能忽略的点
1. 盲测的0.07分，得打折看
官方数据：163名专家、203个工程任务，4分制盲测，Hy4 preview得2.99，GLM 5.3得2.92，Kimi K3得2.94。差距只有0.05到0.07分，折算下来约1.75%。203个任务的样本量下，官方没给置信区间或者显著性检验，所以“略优于”这个结论的靠谱程度存疑。另外要注意，这163名是腾讯内部专家，不是第三方机构，主场优势没法排除。这不是要否定成绩，而是要指出个更值得关注的信号：国产第一梯队已经进入贴身缠斗阶段。0.07分的差距，说明头部模型之间的差距已经缩小到误差范围里了，接下来比的不再是跑分，而是场景贴合度和成本。
2. 31.8%是吞吐，不是智能
这个数字在传播里最容易被误解。它衡量的是推理系统吞吐，不是模型本身的能力。但恰恰是这一点让它更可信：吞吐是用秒表和显存就能硬测出来的，没有解释空间，也不存在刷分的问题。它的真实商业意义更值得看：Hy4 preview的定价走普惠路线，输入6元/百万tokens、输出18元/百万tokens、缓存命中0.3元/百万tokens。这个价格能立住，背后靠的就是这31.8%的工程优化。能力决定上限，成本决定能不能普及。
3. 这条路真正的天花板，是裁判本身
递归自我改进最大的风险，从来不是“模型太强”，而是评估器没用。行业里已经公认的头号风险是评估器脆弱：一旦评估器不够强，刷分会搞出自我确认的死循环——模型说服自己“这个改动是好的”，指标在涨，实际能力没动。2026年7月arXiv上的一篇综述（2607.07663）里总结得很到位：
自我生成的信号越“特权化”，这个闭环就越高效地同时传递能力和偏见。还有条被反复验证的负面结果：自我训练会继承基座的固有局限——多跑几轮循环，修不了架构本身学不会的东西。把这两条放回Hy4 preview的语境：它的评估体系是自家重建的，盲测专家是自家的，改进方案是自己提的。裁判、运动员、规则制定者都在同一个场地里。 这不代表结论不可信，但它划定了这条路线的天花板——闭环能跑多远，取决于评估器比模型强多少。顺带说个工程现实：有统计显示，形式化验证只能抓到agent输出里约65%的缺陷，而验证成本已经占到实验总预算的20%到40%。自我改进听起来省人力，实际上把成本转移到了评估侧。
4. 现在下结论还太早
官方自己承认这是早期版本——“预训练和后训练均仍有较大的提升空间”，Hy4下一版近期就会上线。参照Hy3的preview到正式版的轨迹：幻觉率从12.5%降到5.4%，常识错误率从25.4%降到12.7%，降幅约50%。如果这个规律在Hy4上重演，正式版可能还有一轮不小的提升。所以本文讨论的是preview阶段的观察，不构成对Hy4最终能力的判断。
四、怎么用：给实际干活的人
入口。 WorkBuddy / CodeBuddy国内版及国际版、元宝、ima已经同步首发；API可以通过腾讯云TokenHub和OpenRouter接入。WorkBuddy / CodeBuddy目前有为期两周的限时免费。关于“开源第一梯队”的现实。 Hy4 preview采用Apache 2.0协议开源，架构细节公开：78层（第1层dense FFN，其余77层MoE），每层256路由专家+1共享专家，每token激活top-8路由+1共享，hidden size 6144，词表120832。（Hugging Face页面显示780B，是算上了内置的MTP投机解码层。）但770B的部署门槛是真实的。对绝大多数人和团队来说，“开源”的意义在于可研究、可微调、可私有化，不是自己扛得起推理。真正能用上的路径还是API。建议。 别急着把它换成主力模型。preview期最有价值的用法，是把它丢到你手上最脏最累的那个长程任务上——几十份杂乱文件的交叉稽核、一个你不敢动的老代码库重构、一次跨文档的财务核对。这类任务正好落在它宣传的“办公分析”和“长程开发”区间，而且你自己有判断标准，不用依赖别人的跑分。看它在你自己的场景里掉不掉链子，比看那12项benchmark有用得多。
结尾：一个可观察的指标
过去两年，行业的公式是：更多数据 + 更多算力 + 更多人力反馈。现在，第三项开始被自动化了。Hy4 preview的770B会过时，1M上下文会被超越，0.07分的盲测优势下周可能就反转。但“模型参与自己的研发”这件事，一旦跑通就不会退回去——因为它改变的不是模型的高度，而是模型攀爬的速度由谁决定。最后留个可观察的指标：下一版Hy4会不会披露“模型参与自身研发”的贡献占比。如果会，并且给出量化口径，那才是真闭环；如果不再提，那这次更可能只是一次漂亮的工程优化。我们两周后见分晓。
关于本文
- 写作日期：2026年8月29日，基于Hy4 preview公开发布信息（发布日8月28日）
- 本文讨论对象为preview版本，结论不具备对Hy4正式版的预测效力
- 所有引用数据均来自腾讯官方发布、人民网、腾讯新闻及公开学术资料，未做独立benchmark复现
- 盲测数据（163名专家/203个任务）为腾讯内部评测，非第三方机构结果
