2026 年之前,一款模型能不能刷屏,往往取决于它又做到了什么。GPT-4o 的实时语音交互、Claude 的编程能力、DeepSeek R1 的推理表现,一度轮番成为讨论焦点。但到了 2026 年,Agent 真正流行起来之后,风向变了。SOTA 模型的领先能力以季度为单位被轮番刷新,变得不再新鲜。而模型能力能不能用得起、等得起,成为了新的议题。
这个转变有具体的数字支撑。OpenRouter 披露,今年 2 月 6 日平台上 Agent 的 Token 用量首次超过人类直接调用,到 9 月底已经约为后者的七倍。密歇根大学与斯坦福大学一项覆盖 8 款模型、500 个真实代码问题的研究发现,在其测试中,Agent 每次尝试处理一个问题,平均累计消耗约 417 万 Token,模型调用费约 1.86 美元。按这个均值,连续跑十次就接近 20 美元。任务越长,用户对速度和价格就越敏感。
极客公园在腾讯 Hy4 flash 发布后拿到内测资格,把它放进 WorkBuddy,与同样定位的 DeepSeek-V4.1-Flash(1017 版本)以及原始 Hy4 做了四轮对照:办公决策、视觉理解、编程修复和 PPT 生成。
第一轮办公决策,让模型为一场产品发布会做决策准备,材料中故意塞入互相矛盾的数据口径。Hy4 flash 用了 1 分 14 秒,DeepSeek-V4.1-Flash 用了 4 分 8 秒。两边的核心判断一致——都建议折中发布、采信更严格的数字、现场不开通注册——也都交出了要求的一页纸,质量没有明显差距。在这一轮测试中,Hy4 flash 的优势主要在速度,完成时间只有对方的三成左右。
第二轮视觉理解,把同样的矛盾信息加工成一张投屏图片,让模型只根据图做判断。这一轮出现了分化:DeepSeek-V4.1-Flash 用了 1 分 25 秒,比 Hy4 flash 的 2 分 46 秒更快,但出现了两处明确误判——把「可计收入」红标读成「非付费」,以及声称柱状图比例自洽而忽略了实际画高的错误。Hy4 flash 虽然慢了近一倍,但正确识别了「6 家意向客户被标为可计收入、实际只有 1 家确认付费」的冲突,整体准确率更高。
第三轮编程修复,让模型接手一个已有四个线上 bug 的库存与计价项目,自己找问题、写复现测试、修代码。Hy4 flash 用了 2 分 5 秒,四个问题全部找到并修好,新增 5 个测试完成端到端验证。正式版 Hy4 用了 3 分 49 秒,根因和改法几乎一致,但新增了 8 个测试,流程更完整。两者核心结果接近,差距在于速度和测试覆盖的广度。
第四轮 PPT 生成,把一篇 OpticalRAG 技术论文转成可讲解的幻灯片。Hy4 flash 用时 9 分 5 秒生成 21 页,问题、方法、实验和局限都按要求写到,关键数字准确。正式版 Hy4 用时 15 分 47 秒,产出 18 页,结构和数字同样正确,但页面更适合直接讲解,对结论的分析也交代得更清楚。
综合四轮测试,Flash 模型在日常办公及编程修复等任务中已经能达到专业工程师与白领的水平。它的代价不是能力的大幅缺失,而是特定场景下(如复杂视觉推理)的误读率略高,以及输出精细度上的差距。对于调用轮次多、上下文超长、成本极易失控的 Agent 场景,用 Flash 模型处理大部分日常任务、只在长程软件工程等复杂环节调用 SOTA,是一种务实的分工。
需要指出的是,这些测试由极客公园编辑设计,四个场景的覆盖面有限,任务难度和评判标准由编辑主观设定。它提供了有用的方向感,但不能替代大规模、多场景的独立评估。
信息源:GeekPark