混元 Hy4 单价贵 6 倍，实测账单只贵 1.8 倍

腾讯混元今天发布并开源了新一代 Hy4 preview。

发布会怎么说的、参数多少、跑分多高，别处都能看到。我关心的是另一个问题：它比上一代贵多少，又强多少。

因为这两个数字现在都能查到。Hy4 preview 已经上架，上一代 Hy3 还在架上，价格公开，我把同一道题在两边各跑一遍就行。

先说价格。

Hy4 输入每百万 token 0.834 美元，Hy3 是 0.132。贵 6.3 倍。输出那边 2.501 对 0.528，贵 4.7 倍。上下文倒是给到了 104 万 token，是 Hy3 的 4 倍。

那么问题就很具体了：贵六倍，值不值。

先踩了个坑

第一次调用，我按平时的习惯给了 max_tokens: 120，两个模型返回的正文都是空的。

看 usage 才明白：

completion_tokens: 120
reasoning_tokens: 120

120 个 token 全被思考过程吃光了，正文一个字都没开始生成。

Hy4 和 Hy3 都是推理模型。你要是按普通模型的姿势去调，给个小 max_tokens、只读 content 字段，拿到的就是一个空返回，然后你会以为它挂了。

这个坑我在别的模型上踩过一次，没想到发布当天又撞上。所以调这两个，两件事必须做：给足 max_tokens，同时读 reasoning 字段。

改成 2000 之后，正式开测。

三道题

第一题是个陷阱推理题：睡莲每天翻一倍，第 48 天长满池塘，问第几天长满一半。

两个都答对了，第 47 天。

但过程差很多。Hy4 用了 118 个思考 token，4.5 秒；Hy3 用了 484 个，8.6 秒。同样答对，Hy4 的思考量只有对方的四分之一。

第二题是中文文案，给降噪耳机写一句主图文案，30 字内，明确要求不许出现「开启新纪元」这类空话。

Hy4：「戴上地铁瞬间安静，充一次电足足听一礼拜！」 Hy3：「充一次电用一个月，地铁里戴上它，安静得能睡着」

都没说空话，这一点两个都过关。Hy3 那句「安静得能睡着」画面感更好，但「充一次电用一个月」有点吹过头了，真按这个投放要出事。Hy4 说「听一礼拜」更实在。这题我判平手偏 Hy4。

第三题写代码，一个 IPv4 校验函数。

Hy4 用了 252 个思考 token、8 秒，代码完整交付。

Hy3 这题翻车了。

它的思考过程写了 4556 个字符，把 2000 的 max_tokens 全部耗光，正文一个字都没输出。

钱照收，活没干。这是我最想让你看到的一条：推理模型失控的时候，不是给你一个错答案，是给你一片空白，而账单照样产生。

把账算出来

三道题跑完，合计是这样：

Hy4：37 秒，0.004418 美元。 Hy3：50 秒，0.002378 美元。

单价贵 6.3 倍的那个，实际账单只贵了 1.86 倍。而且还快了四分之一，还多做出来一道题。

原因就是前面那些思考 token：陷阱题 118 对 484，代码题 252 对 2000。Hy4 每道题想得都比 Hy3 少得多，少到足以把六倍的单价差抹掉大半。

这件事推出去一条通用的判断，我觉得比 Hy4 本身更值得记：

对推理模型来说，拿单价横向比价是失效的。

你看到 A 模型每百万 token 一块钱、B 模型六块钱，直觉是 A 便宜六倍。但如果 B 解同样的题只需要四分之一的思考量，真实差距就变成不到两倍。而如果 A 还会像这次的 Hy3 一样在复杂题上把预算烧光然后交白卷，那笔钱是纯亏的，因为你还得重试一次。

所以选型的时候，该比的不是单价，是同一道你真实业务里的题，两边各跑一遍，看最后的账单和成功率。这个测试做起来不到十分钟。

几句边界

Hy4 是 preview 版本，正式版的表现和定价都可能变，这一点必须说清楚。

我只跑了三道题、每题一次，样本量很小，只能说明倾向，当不了评测结论。特别是 Hy3 那道代码题的失败，是这一次的观测，不代表它做不了代码，换个提示词或者给更大的预算可能就过了。

价格取自 OpenRouter 接口返回的报价，是这个聚合平台的价格，跟腾讯官方直连的定价不是一回事。

上下文那个 104 万 token 我没有验证，只是接口返回的标称值。标 104 万和真能吃下 104 万是两件事，这一步我没做。

最后，这篇不是在推荐或者唱衰任何一家。发布当天大家能看到的都是同一份通稿，我只是把能自己跑的部分跑了一遍，把账算给你看。