国产旗舰三强横评：Kimi K3、GLM-5.3、Hy4 全上 1M 上下文，但差距不在跑分
本文所有参数、价格、榜单分数均来自厂商官方文档 / 模型卡 / 云厂商控制台 / 公开评测机构，关键数字已标注来源与统计口径。三家我都在实际任务里跑过，不吹不黑，只讲能落地的部分。
一、先给结论
如果你只关心一句话：
2026 年 8 月之后，国产旗舰的"参数军备竞赛"阶段结束了，1M 上下文、MoE 稀疏架构、开源权重已经成了三家标配。真正的分水岭变成了三件没人爱讲的事：License 能不能商用、批量推理支不支持、以及跑分和干活到底是不是一回事。
三个支撑事实：
- 三个模型全是 1M 上下文（K3 1,048,576 / GLM-5.3 1,048,576 / Hy4 1M）——这在半年前还是旗舰独享的规格，现在是国产入门线。
- 腾讯内部盲测结果反直觉：163 名专家、203 个工程任务，Hy4 preview（2.99/4）> Kimi K3（2.94）> GLM-5.3（2.92）。但 GLM-5.3 的智能指数是三者里最高的（60 分）。跑分第一的那个，盲测排第三。
- License 差距比跑分差距大得多：Hy4 是 Apache 2.0（能直接商用），K3 是自定义的 Kimi K3 License（有附加条款），GLM-5.3 权重 8 月 29 日才开源。这一条直接决定你能不能把它放进产品里卖钱。
二、一张表看清三个模型
先把硬参数摆出来，后面再逐条拆：
| 维度 | Kimi K3 | GLM-5.3 | Hy4 preview |
|---|---|---|---|
| 厂商 | 月之暗面 | 智谱 AI | 腾讯混元 |
| 发布时间 | 2026-07-16（权重 07-27） | 2026-08-14（权重 08-29） | 2026-08-28 |
| 总参数 / 激活 | 2.8T / 104B | 未公开（官方称"更小参数规模"） | 770B / 49B |
| 架构 | 93 层 MoE，16/896 路由专家 | MoE | 78 层 MoE，256 路由专家 top-8 |
| 上下文 | 1,048,576 | 1,048,576 | 1M |
| 最大输出 | — | 131,072 | — |
| 原生视觉 | ✅ | ❌（纯文本） | — |
| License | Kimi K3 License（自定义） | 开源（8/29 权重） | Apache 2.0 |
| 输入价（每百万 token） | 0.30（命中） | ¥8（命中 ¥2）/ 国际 $1.40 | 限时免费期 |
| 输出价（每百万 token） | $15.00 | ¥28 / 国际 $4.40 | 限时免费期 |
光看这张表，你大概会觉得"K3 参数最大最强、GLM-5.3 最便宜、Hy4 没价"。但真到选型的时候，这三个直觉全是错的。
三、Kimi K3：参数王，也是"最慢的那个"
硬指标
- 2.8 万亿总参数、1040 亿激活：93 层稀疏 MoE，每 token 走 16 个路由专家（共 896 个）+ 2 个共享专家
- KDA（Kimi Delta Attention）混合线性注意力：官方称在百万 token 上下文下解码最高快 6.3 倍
- AttnRes（注意力残差）：训练效率提升约 25%，额外成本不到 2%
- 1M 上下文 + 原生视觉
- 权重已开源，同时开源了 MoonEP、FlashKDA、AgentEnv 三套 Infra
价格（官方 API 口径，9 月 1 日复查）：
| 计费项 | 价格（每百万 token） |
|---|---|
| 输入（缓存未命中） | $3.00 |
| 输入（缓存命中） | $0.30 |
| 输出 | $15.00 |
缓存命中降 90%——这个幅度比多数海外旗舰都狠，说明 K3 的自动上下文缓存是默认开启且命中策略做得比较激进。
两个必须知道的坑
坑 1：它是主流旗舰里最慢的
Artificial Analysis 实测 35 tokens/秒，是主要旗舰里最慢的一个（对比口径下其他旗舰普遍在 50-80）。
同时它的输出很"啰嗦"——评测期间生成了 1.3 亿 token，平均值是 6300 万，是别人的两倍多。
这意味着什么：如果你做的是交互式场景（用户等着看结果），35 tok/s 的体感是明显卡顿的。但如果是批处理场景（夜里跑，早上收结果），速度根本不重要。
坑 2：reasoning 始终开启，默认 max
K3 一直在推理，推理强度通过顶层 reasoning_effort 字段设置（low / high / max，默认）。
默认是 max，意味着你不主动调，每一分钱都在按最高强度烧思考。
这一条和 GPT-6 Astra 是同一个毛病（Astra 的 reasoning 干脆没有 none 档）。关不掉思考 = 简单任务也在付复杂任务的钱。
好消息是 K3 至少给了 low 档，你可以手动降下来：
{
"model": "kimi-k3",
"reasoning_effort": "low", // 简单任务务必调低，默认是 max
"messages": [...]
}
它的强项在哪
Code Arena WebDev 榜第 1，1679 分——这个成绩是压着 Claude Fable 5（1631）和 GPT-5.6 Sol（1618）拿的。
而且单任务成本 1.04，远低于 Claude Fable 5 的 $2.75——注意这还是在它输出量是别人两倍的情况下算出来的。
所以 K3 的定位很清楚：前端 / Web 开发、长程编程、超大代码库理解。做这些它是真强，别拿它去跑简单分类提取，那是用牛刀杀鸡还按牛刀付费。
四、GLM-5.3：跑分最高，但有两条硬限制
硬指标
- Artificial Analysis 智能指数 60 分：与 Claude Fable 5、GPT-5.6 Sol 处于同一区间，与 K3 并列开源模型第一
- 1M 上下文，最大输出 131,072（思维链最长也是 131,072）
- 支持 Function Calling、结构化输出、前缀续写、上下文缓存
- 官方口径：以更小参数规模和更低调用成本达到前沿水平，同等智能水平下，单任务成本为前沿旗舰中最低
价格（国内口径）：
| 计费项 | 国内 | 国际（新加坡） |
|---|---|---|
| 输入 | ¥8 | $1.40 |
| 输出 | ¥28 | $4.40 |
| 缓存命中 | ¥2 | $0.26 |
| 缓存写入 | 限时免费 | 免费 |
另有 GLM-5.3-Flash，5 折限时：输出 ¥1.4、输入 ¥0.4（原价 ¥2.8 / ¥0.8），支持图片、视频、文件多模态输入——注意这个比 GLM-5.3 本体（纯文本）模态还全。
两条会卡住你的硬限制
这是我在文档里挖出来、但很少有人提的两条：
限制 1：不支持批量推理（Batch）
云厂商控制台的能力清单里，"批量推理"这一项明确标着不支持。
这条对谁致命：做批量数据生成、批量文档处理、夜间跑大批量任务的团队。Batch 在海外厂商那边普遍是半价，GLM-5.3 没有这条腿——你只能在实时价上跑批处理。
限制 2：不支持模型调优（Fine-tuning）、不支持联网搜索
同样在能力清单里是明确标记。想要私有数据微调、或者需要模型自带联网能力的场景，这条路走不通。
另外注意限流：主流云平台的 GLM-5.3 配额大致是 RPM 200 / TPM 3,000,000。RPM 200 对高并发场景是个实打实的天花板，真要上量得提前跟厂商谈配额。
它适合谁
成本敏感 + 任务中等复杂 + 不需要批量和微调——比如智能客服、文档摘要、结构化提取、中等难度的代码补全。
不适合：需要 Batch 半价跑批的、需要私有微调的、需要模型原生联网的。
五、Hy4 preview：盲测第一，License 最宽松
硬指标
- 770B 总参 / 49B 激活（HuggingFace 文件页显示 780B，是因为算上了内置的 MTP 投机解码层 10B/0.7B；官方口径 770B 指 backbone）
- 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 + 1
- Gated DSA + IndexCache：跨层稀疏索引复用
- 4 条残差流（iHC），hidden size 6144，词表 120832
- 1M 上下文
- License：Apache 2.0
上一代 Hy3 是 295B/21B、256K 上下文。一代之内参数翻 2.6 倍、上下文翻 4 倍，迭代节奏是平均两个月一个大版本（腾讯首席 AI 科学家姚顺雨主导）。
三个值得单独说的点
① Apache 2.0 是三者里最宽松的 License
这一条被严重低估。三个模型里：
| 模型 | License | 商用含义 |
|---|---|---|
| Hy4 | Apache 2.0 | 标准宽松开源协议，商用、修改、分发基本无附加限制 |
| K3 | Kimi K3 License | 自定义协议，有附加条款，商用前需细读 |
| GLM-5.3 | 开源（8/29 放权重） | 协议细节需自行确认 |
大白话：Apache 2.0 就像"这东西送你了，随便用，别告我就行"；自定义 License 像"送你，但有几条附加条款你得看清楚"。要把模型塞进自己的产品里对外卖钱的，License 这一栏比跑分重要十倍。
② 盲测第一，但官方自己说这是"早期版本"
腾讯内部组织了 163 名内部专家、203 个工程任务盲测：
| 模型 | 盲测均分 |
|---|---|
| Hy4 preview | 2.99 / 4.00 |
| Kimi K3 | 2.94 / 4.00 |
| GLM-5.3 | 2.92 / 4.00 |
注意这个排序和智能指数榜是反的——GLM-5.3 智能指数 60 分最高，盲测却排第三。
这不是谁在说谎，是"考试"和"干活"本来就是两件事。榜单测的是"能不能答对题"，盲测测的是"能不能交付一个能用的东西"。
官方同时明说了：这是早期版本，"预训练和后训练均仍有较大的提升空间"，Hy4 下一版近期陆续上线。
③ 定位是"生产力"，不是"聊天"
腾讯的说法是"为生产力而生"，数据共建来自软件工程、游戏、金融、安全四个方向的专家。场景实测也确实是这个路子：
- 软件工程：长程开发任务的理解、规划、调试、验证；前端视觉审美和交互质量
- 办公分析：数据分析、跨文件协作，从信息处理到文档/表格/演示文稿的完整交付
- 游戏开发：一句话需求生成可玩原型，能操作游戏引擎
- 科学研究：分子动力学模拟、凝聚态物理、基础数学
如果你的场景是"让 AI 交付一个完整成果"而不是"跟 AI 对话"，Hy4 的这个定位是对味的。
接入方式：腾讯云 Tokenhub、OpenRouter，以及腾讯自家产品（WorkBuddy / CodeBuddy / 元宝 / ima）。发布后有两周限时免费体验。
六、三个反直觉的结论
把上面的信息串起来，有三条结论跟主流认知是反的：
结论 1：跑分最高的那个，干活不一定最好
GLM-5.3 智能指数 60 分（三者最高），盲测 2.92 分（三者最低）。Hy4 智能指数没进榜前列，盲测 2.99（第一）。
原因：智能指数测的是"单次答题正确率"，盲测测的是"203 个真实工程任务能不能交付"。后者包含大量榜单不考的东西——长程一致性、指令遵循、能不能一次做对、风格审美。
对你的意义：别只看榜单选型。如果可能，拿你自己最常做的那 20 个任务去跑一遍，比任何榜单都准。
结论 2：License 的差距，比能力的差距更致命
三个模型的能力差距，说实话在 5% 以内，普通人日常用根本感受不出来。
但 License 的差距是能不能商用的区别。Apache 2.0 意味着你可以直接拿去改、去卖、不用谈；自定义 License 意味着法务得介入、可能要签协议、规模大了可能被卡。
这一条直接决定你的产品能不能上线，比那 5% 的能力差距重要一百倍。
结论 3：1M 上下文已经是"标配"，但真正能用满的没几个
三个模型全都 1M，听起来很爽。但：
- K3 在 1M 上下文下 35 tok/s（最慢），长上下文 + 慢速度 = 体感灾难
- 上下文越长，每轮的输入成本越高——1M 上下文跑一轮，光输入就是 $3（K3 未命中）或 ¥8（GLM-5.3）
- 缓存命中率决定你付 0.30——差 10 倍
所以 1M 上下文的正确用法不是"什么都往里塞"，而是"塞进去之后让它命中缓存反复用"。
七、选型决策：你的场景该选谁
| 你的场景 | 选谁 | 理由 |
|---|---|---|
| 前端 / Web 开发、超大代码库 | Kimi K3 | Code Arena WebDev 榜第一，1679 分 |
| 要塞进产品对外商用、要改权重 | Hy4 preview | Apache 2.0，商用最干净 |
| 成本敏感、中等复杂、不需要批量和微调 | GLM-5.3 | 同等智能单任务成本最低，¥8/¥28 且缓存 ¥2 |
| 批量跑批、需要 Batch 半价 | 别选 GLM-5.3 | 明确不支持批量推理 |
| 需要私有数据微调 | 别选 GLM-5.3 | 明确不支持模型调优 |
| 需要模型原生联网 | 别选 GLM-5.3 | 明确不支持联网搜索 |
| 需要图片/视频/文件多模态输入 | GLM-5.3-Flash | 本体是纯文本，Flash 版模态更全 |
| 交互式场景（用户等着看结果） | 别选 K3 跑 max | 35 tok/s 最慢，且默认最高推理强度 |
| 高 RPM 并发 | 提前谈配额 | GLM-5.3 常见配额 RPM 200 |
一句话总结：做前端选 K3，要商用选 Hy4，省钱跑量选 GLM-5.3——但先确认你踩不踩它那三条限制。
八、我们的落地：一个入口，三个都接上
前面说了这么多，落到工程上是同一件事：这三个模型你大概率不会只用一个。
前端任务想用 K3 的 WebDev 能力，商用产品想用 Hy4 的 Apache 2.0，日常跑量想用 GLM-5.3 的价格——这是三个不同的模型，三家不同的厂商。
一家家去接，问题很实在：
- 鉴权、计费口径、错误码、限流策略全不一样。K3 按缓存命中不命中计价，GLM-5.3 按国内/国际双口径，Hy4 还在限时免费期——监控维度完全不同，账单根本对不齐
- 限流档位是隐藏雷。GLM-5.3 常见配额 RPM 200，跑到一半被限流，你的任务队列就卡住了
- 能力差异要写代码适配。GLM-5.3 不支持 Batch 和微调，K3 的 reasoning 默认 max——这些都得在调用层做判断和兜底，不是换个模型名就完事
我们做的事是：一个统一调用入口，把 Kimi K3、GLM-5.3、Hy4 全系，以及 Claude 全系、GPT 全系都接进来。业务代码只认一套接口，一套 key、一张账单、一个监控面板。底层多上游容灾，某条通道抖动自动切走。
具体能帮你省掉三件自己接很麻烦的事：
- 按任务类型自动分级：简单提取走便宜档、前端任务走 K3、商用交付走 Hy4，不用你手写路由逻辑
- 缓存命中率优化：K3 缓存命中 3.00，差 10 倍——这一项的弹性远大于"换个便宜模型"
- 限流与多通道自动选路：RPM 到顶自动切通道，不用半夜爬起来改配置
如果你正在选型国产模型，或者团队的 AI 账单涨得莫名其妙——把你的场景（前端/跑批/商用交付/日常对话）+ 大致月调用量 + 是否需要商用授权发我，我按"模型选型 + 缓存策略 + 分级路由"三招帮你粗算一版，看看到底该用哪个、能省多少。不收费，就当交个朋友。
九、写在最后
2026 年国产旗舰这一轮，最大的变化不是某个模型又刷了多少分，而是三家几乎同时把 1M 上下文和开源权重打成了标配。
这意味着**"靠规格差异化"的时代结束了**。接下来拼的是三件更无聊、但更决定生死的事：
- License 干不干净——决定了你能不能把它变成产品
- 批处理和微调这类"工程腿"全不全——决定了你能不能上量
- 跑分和干活是不是一回事——决定了你上线之后会不会翻车
国产模型在这一轮里拿到的位置，不是"便宜的平替"，是"能进生产线的主力"。但前提是你别只看榜单——GLM-5.3 那三条"不支持"，K3 那默认的 max 推理强度，Hy4 那"早期版本"的自我定性，都是榜单上看不见、但会实实在在卡住你的东西。
对你来说，记住三句话就够了：
- 做前端选 K3，要商用选 Hy4，省钱跑量选 GLM-5.3——但先确认踩不踩那三条限制
- License 比跑分重要——Apache 2.0 和自定义协议，是"能卖"和"得先谈"的区别
- 缓存命中率决定账单——0.30 之间差 10 倍，这一项比选哪个模型影响更大
觉得有用点个赞收藏，评论区聊聊你们现在主力用哪个、踩过什么坑。
