面向专业生图：支持文生图与多轮对话

腾讯混元团队于 9 月 22 日宣布推出 Hy Image 3.5 preview 图像生成模型。该模型面向专业级生图创作，支持文生图、图生图和多轮对话创作。

据腾讯介绍，该模型经过内部数百名专业设计师的 GSB 盲测，综合能力对比上一代 Hy Image 3.0 提升 30%。GSB 盲测是一种成对比较评测方法，评测者在不知道模型来源的情况下判断生成效果优劣。在横向对比中，Hy Image 3.5 preview 与字节跳动的 Seedream 5.0 pro 持平，略优于谷歌的 Nano-Banana Pro 和阿里的 Qwen-Image-3.0 Pro。

已提前灰度两个月，请求量提升超 50%

Hy Image 3.5 preview 已在腾讯元宝 App 提前两个月逐步灰度上线和内测，灰度期间生图整体请求量提升超过 50%。这一数据被腾讯视为模型效果最直接的检验。

定价方面，腾讯云 API 的 2K 图像定价为 0.15 元每张，腾讯云国际版为 0.024 美元每张，且仅对输出图片收费。企业和开发者可通过腾讯云 TokenHub 调用 API。

多产品接入，限时免费体验

目前该模型已上线元宝、WorkRally、OnSolo、Miora、WorkBuddy、ima 等应用，并接入腾讯云媒体处理 MPS、云点播 VOD 平台。其中，元宝可免费使用人像编辑、智能 P 图、旅游规划图、知识信息图等场景；ima 可通过 copilot 将知识库转为可视化网页、PPT 和图片。面向专业美学与影视物料创作的 Miora、WorkRally、OnSolo 限时两周免费体验。

能力层面，Hy Image 3.5 preview 支持文生图和图生图，单次最多上传 5 张图作为参考，支持基于历史上下文的多轮对话连续创作与编辑，支持多种尺寸比例输出，最高 2K 分辨率。腾讯混元方面表示，自今年 2 月重建基础设施以来，混元大模型保持平均每两个月迭代一次大版本的节奏，并通过 preview 先行、正式版跟进的方式将真实反馈引入研发过程。

据《每日经济新闻》基于OpenRouter最新数据测算，9月7日至13日当周，全球AI大模型总调用量达到127万亿Token，环比增长10.43%。其中，上榜的中国AI大模型周调用量为61.17万亿Token，环比增长7.85%；美国AI大模型周调用量为21.76万亿Token，环比增长31.56%。中国大模型周调用量已连续二十周超过美国，稳居全球首位。

前五占四席：中国模型领跑

在上周全球调用量排名前五的模型中，有四款来自中国厂商，显示出中国大模型在真实使用侧的强势地位。

腾讯混元Hy4 preview于8月28日正式发布并开源，总参数770B、激活参数49B，上下文长度突破1M（百万Token），重点面向Agent（智能体）、Coding（编程）与生产力场景优化，增强在真实业务场景中完成复杂任务的能力。

DeepSeek V4.1 Flash于9月10日发布，采用全新的Causal-Encoder-Decoder（因果编码器—解码器）结构，是一个总参数量552B的混合专家模型（MoE）。据DeepSeek介绍，该模型在性能、费用、速度和任务总用时等指标上已全面超越V4 Pro。

价格战同步打响

伴随V4.1 Flash发布，DeepSeek同步下调了API定价。按每百万Token计算，空闲时段缓存命中输入价格为0.02元、缓存未命中输入为1元、输出为4元；高峰时段分别为0.04元、2元和8元。新价格自2026年9月10日12:00起生效，与此前V4 Flash同一时段价格相比，缓存命中输入降价60%，未命中输入降价约33.3%，输出降价约11.1%。

榜单变动：MiniMax M3、GLM 5.3跌出

值得注意的是，此前一周排名第六的MiniMax M3、排名第九的智谱GLM 5.3，在本周跌出榜单。头部模型的排名在调用量这一维度上波动明显，反映出用户与开发者对性价比、响应速度与场景适配的高度敏感。

解读：调用量为何成为新标尺

与评测榜单衡量”能力上限”不同，调用量衡量的是”真实使用规模”。中国大模型连续二十周在调用量上领跑，说明国产模型不仅在参数与跑分上逼近前沿，更在成本、可用性与生态上赢得了开发者和企业的持续选择。当AI从演示走向生产，谁被真正用起来，正在成为比谁跑分更高更硬的指标。

*本文事实据《每日经济新闻》基于OpenRouter数据的测算及DeepSeek、腾讯混元官方信息整理。*

该项目的论文编号为 arXiv:2608.05248，8 月 5 日提交，属于计算机科学人工智能分类，作者为 Guo Chunchao、Li Jinpeng、Li Yang、Huang Zilong。同一天建立的 GitHub 仓库 Tencent-Hunyuan/Hunyuan3D-WorldClaw 于 8 月 7 日随项目页与论文一并公开，目前已累积 501 个星标和 26 次分叉，并在 Hacker News 上被推上讨论列表。

由粗到精，把世界搭建拆成流水线

WorldClaw 被定义为一个完全由智能体驱动的、由粗到精的开放世界三维场景生成框架。第一步由规划智能体负责，把一段文字提示翻译成结构化规格，明确区域划分、地形、资产、材质以及彼此的空间关系。

拿到规格之后，系统先搭全局地形底座，输入包括语义布局图、可复用资产、生成式或程序化材质，以及一张区域感知的高度场。对那些需要细节的重点区域，框架会在地形条件约束下生成区域构图，把其中的物体重建为可编辑的带贴图网格，再还原它们在地形上的准确摆放。最后由基于渲染的智能体做二次精修，逐项调整地形、物体、外观表现以及物体与地面的接触关系。

论文特别强调，全局地形与区域物体在最终成果里始终是各自独立、可单独管理的带贴图网格。对游戏和影视流程而言，这一点比画面观感更关键——能拆开改的场景才有工业价值。

底座模型清单与运行环境

WorldClaw 本身不是一个从头训练的大模型，而是一套调度体系，其能力边界由所调用的基础模型决定。论文的实现细节一节列出了完整清单：

• 底层智能体模型为 Claude Opus 4.8，团队为其开发了一组任务专用技能，用于接入外部基础模型和三维工具链
• 语义布局图与区域物体构图由 GPT-Image-2 生成
• 二维实例分割采用文本引导的 SAM3，除全图推理外还叠加重叠滑窗推理，以提升不同尺度物体的召回率
• 三维相关环节由 SAM3D 与 Hunyuan3D 承担，大物体输出 2048×2048 的 PBR 贴图，小物体为 1024×1024
• 全部实验运行在一台配备 4 张 NVIDIA H20 显卡的服务器上，地形生成、物体生成与摆放、场景精修与图像渲染均在 Blender 5.1.1 中完成
• 地形精修智能体由 BlenderMCP 驱动，从预设视角重新渲染场景，检查几何、材质、散布结果与渲染配置，再按检测到的问题做局部修正

与同类方案的差异

论文将 WorldClaw 与 SynCity、Marble、MajutsuCity、WorldGen、GPT-5.6 Sol 做了定性对比，每种方法都展示了覆盖世界不同部分的四个沉浸式漫游视角。对比结论集中在地形几何表达力和区域空间组织两点上：SynCity 靠分块三维隐变量支持场景级合成，但生成区域的长程组织较弱，不同地形类型之间的过渡不够清晰；Marble 在单个视角内视觉丰富度很高，展示出的地形却缺少显式的区域级组织；MajutsuCity 的建筑与资产排布结构化程度不错，但其面向城市的设计偏重实例排列而非大尺度地貌构建，地面几何相对规整；WorldGen 生成的村落环境连贯且可通行，视野内地形则偏平坦均质。

局限被写得很清楚

论文第五节没有回避问题。首先是对底座模型的高度依赖：WorldClaw 把世界构建拆给多个异质模型协同，分阶段可控性提升了，但对底层模型的泛化能力要求极高。实验中，当前的开源语言模型经常难以生成既可执行又符合用户要求的程序化地形与材质；开源图像生成模型则频繁做不出可用的语义布局图，或者在物体图像生成与提取过程中丢失外观与姿态。最终场景的视觉质量还直接受三维生成骨干的上限约束，几何与贴图保真度不足会明显削弱沉浸感。结论是现阶段要完整验证这套解耦流水线，仍然离不开 Claude Opus 4.8、GPT-Image-2、Hunyuan3D 这类能力较强的模型。

第二个风险来自代码生成的稳定性。地形构建、程序化材质生成、资产摆放和局部精修等多个阶段都依赖大模型直接产出的程序，而把高层自然语言要求稳定翻译成具体程序始终不容易，尺度估计、数值参数或节点连接上的差错都会传导到最终结果。

来源：arXiv（论文编号 2608.05248）、GitHub Tencent-Hunyuan/Hunyuan3D-WorldClaw、Hacker News

8 月 4 日，腾讯混元发布了新一代语音识别模型 Hy ASR 3.0 preview，核心升级就一句话：**从”逐字转写”变成”理解语境”。**

具体数据很能打。在开源评测集上，中文普通话词错误率（WER）3.34%、英语 2.62%、粤语 3.12%，全部压在 3% 左右——这个水平已经接近人类速记员的准确率。

但比数字更重要的，是它解决的三个实际痛点：

**第一，同音词不再靠猜。** 以前语音识别是纯声学信号处理，听到什么写什么。Hy ASR 3.0 接入了混元大模型 Hy3 的语义理解能力，能根据上下文自动纠错。会议纪要、访谈转写这种长音频场景，越往后转越准。

**第二，方言覆盖面广。** 支持 10 大方言片区、20 余个二级小片区。粤语、吴语、闽南语这些主流方言都能用，不用再刻意说”播音腔普通话”。

**第三，复杂环境稳得住。** 高噪声环境、耳语、悄悄话这些声学条件恶劣的场景做了专项优化。工厂车间、街头、会议室都能用。

技术架构上也有干货：采用 MoE（混合专家）架构，自研无监督语音编码器用了数千万小时级语音数据训练，还引入多阶段强化学习优化复杂场景的识别准确率。

目前该模型已上线腾讯云 API，腾讯元宝 App 已首发接入并免费开放方言识别和上下文纠错功能。

说白了，语音识别的竞争已经从”听得多准”升级到”懂你说什么”。对普通用户来说，最直接的感受就是：以后按住说话键，可以更随意、更自然地表达，不用担心机器把意思搞反了。

你平时用语音输入多吗？最常遇到的识别错误是什么？