企业官网建设流程全解析

最近圈子里聊得最凶的，莫过于腾讯混元的 Hy4 Preview。群里从 295B 到 770B 的对比截图转了一轮又一轮，不少朋友的第一反应是：混元也要开始卷参数量了？但真正上手测过之后，你会发现这次 Hy4 Preview 和之前 Hy3 的差别，根本不在“大”这个字本身，而在大之后的能力结构发生了肉眼可见的改变。尤其是我之前一直坚持“AI 做 3D 还得再等两三年”的判断，直接被它打了一个措手不及。这篇不重复官方通稿，我把从 Hy3 迁移到 Hy4 Preview 这段时间的调研、实测、踩坑和思考整理出来，给正在评估架构升级、以及准备把 2D 转 3D 工作流落地的团队做个参考。

1. 295B 到 770B：先搞懂这次“参数跃迁”背后的结构变化

1.1 参数量不是数字游戏，而是能力地图重绘

很多不搞模型训练的朋友，看到 295B、770B 这种数字，第一反应是“参数翻了一倍多，大概就是变聪明了一点”。但如果仅从“通用问答智商”的角度去理解，你会严重低估这次升级的意义。

不管是 Hy3 还是 Hy4 Preview，走的基本都是 MoE（Mixture of Experts，混合专家）路线。MoE 的核心特点是：把模型拆成很多个“专家”子网络，每次推理时，输入 token 只激活其中一小部分专家。参数总量大，不等于每次计算都吃下全部参数量。这就像一家公司虽然全球员工几十万人，但一个具体项目动用的往往只有几百人。真正决定算力成本和单次推理速度的，是“激活参数”，而不是“全量参数”。

Hy3 的 295B 属于典型的“大底座、高上限”设计，激活参数大概在 30B 到 40B 区间。放在当时已经能打，尤其擅长复杂指令跟随、长文本理解和结构化输出。但你用它做图像、做 3D、做多模态协同的时候，它本质上还是“一条腿走路”，视觉相关的专家模块偏弱，输出质量受限于训练数据的覆盖密度。

Hy4 Preview 把全量参数堆到 770B，最大的变化其实不是“数量翻倍”，而是专家组合的逻辑变了。我用一个不太严谨但很好理解的类比：Hy3 是一支多兵种混合旅，每个兵种都有一支队伍，但兵种之间协同靠指挥链路，链路一长就容易失真；Hy4 Preview 更像是在多个兵种之上加了一层“任务调度中枢”，图像、文本、3D 结构、代码能力不再是各自为战，而是通过统一的语义空间做交叉引用。这也是为什么从实际体感上看，Hy4 Preview 在“看图说话”“图生 3D”“多轮图文问答”上的进步，比纯文本问答上的进步要明显得多。

1.2 Hy3 的 295B 为什么已经是一道分水岭

回顾 Hy3 出来那阵子，业内对它的评价其实很两极。一部分人拿它和当时最强的闭源模型比“日常聊天有多像人”，结论是“还没到碾压级别”。另一部分开发者和企业用户则早早在生产环境里接入了，因为大家真正需要的不是“更会聊天”，而是“更稳定地输出结构化内容”。

我自己用 Hy3 跑过一阵子批量信息抽取和长文档总结。它的优势在于：

• 长上下文下的召回稳定性不错，一万字以上的合同、论文、聊天记录，它能抓住关键字段，不会像小模型那样“读着读着把前文忘了”。
• 函数调用和 JSON 结构化输出的成功率比同规模开源模型高出不少，这对做 RAG 和 Agent 流程特别重要。
• API 形态下并发抖动的幅度比较小，不会动不动因为某个 token 触发异常导致整批任务失败。

但 Hy3 的短板也非常明确：它的世界知识更多来自文本语料，真实世界的几何关系、空间位置、视觉材质这些“非语言信息”，它只能从文字描述里间接理解。所以你让它“根据这张图生成一个可旋转查看的 3D 模型”，它给出来的结果更像“想象出来的一个粗糙形状”，而不是“对图片内容的严谨三维重建”。

这就是我为什么说 Hy3 是一道分水岭——它把“文本智能”这条线做到了生产可用的程度，但也把“多模态空间理解”这个短板暴露得非常彻底。Hy4 Preview 的出现，本质上是冲着这块短板去的。

1.3 Hy4 Preview 的 770B 到底加了什么

我特意翻了下官方发布口径和社区扒出来的技术解读，综合下来，Hy4 Preview 在架构上的变化集中在四个维度：

这里尤其要展开说一下视觉模块。以前很多多模态模型的做法，是先让视觉编码器把图片变成一串特征，再塞给语言模型去理解。这个方案的缺点在于：视觉编码器和语言模型之间是“翻译关系”，图像里的空间位置、遮挡关系、物体比例很容易在翻译过程中被简化掉。Hy4 Preview 给我的感觉是，它把图像 token 和文本 token 放进了同一个语义序列里做联合建模，模型是真的在“看”图，而不是在“读”图片的文本描述。这也是它做 2D 转 3D 时，对物体结构把握比较准的根本原因。

2. 在 Hy4 Preview 上实测 2D 转 3D：流程、参数与第一手效果

2.1 为什么大模型做 3D 和传统重建的思路不一样

传统 2D 转 3D 通常分两条路线。一条是摄影测量路线，需要你从多角度拍摄同一物体，算法通过特征点匹配算出稀疏点云，再稠密化、建网格、贴纹理。这条路线精度高，但门槛也高——必须有多张不同角度的照片，单张图片基本无能为力。另一条是单图深度估计路线，让模型猜出每个像素的深度值，再把深度图转成点云和网格。这个方法输入简单，但输出往往很粗糙，背面信息全靠脑补，稍微复杂一点的物体会出现结构粘连。

Hy4 Preview 给我最大的意外，是它把这两条路线揉在了一起。它不只是估算深度，而是先在语义层面“认识物体”——知道这是一只鞋、一把椅子、一个透明杯子，然后调用它预训练阶段见过的海量同类三维结构，生成一个符合该类物体几何先验的完整模型。本质上它是在做“语义驱动的多视角推断”：先用文本/图像理解确定物体的类别和部件构成，再通过扩散或自回归的方式补全其余视角下的外观和形状。

所以你喂给它一张正面图，它输出来的不是一个“压扁的浮雕”，而是一个圆雕，背面虽然和真实物品不一定完全一致，但大概率符合该类物体的合理形制。对游戏资产预生产、电商展示、室内设计前期方案来说，这种“合理”已经足够用了。

2.2 从上传到导出的完整工作流

我实测下来，Hy4 Preview 的 2D 转 3D 流程比我想象中简单，但“简单”不等于“随便点两下就能出精品”。完整链路大概是下面这样：

1. 图片准备：找一张主体突出、背景干净、光线均匀的图片。最好是物体占画面 60% 以上，不要有太多遮挡，不要有复杂的镜面反射和透明折射。我第一次拿了一张玻璃瓶在逆光环境下的照片去测，结果生成结果里瓶子的厚度感有明显畸变，后来换成顺光、背景为纯色的图，效果立刻正常。
2. 进入入口：如果你是通过官网的 Preview 页面使用，直接在工具区选择 2D 转 3D 或 3D 生成入口，上传图片后等它解析。如果走 API，需要把图片转成 Base64 或传入可访问的 URL，这个后面单独讲。
3. 参数设置：通常需要设置生成分辨率、3D 格式（GLB、OBJ、FBX 等）、质量档位。我的经验是，分辨率不要一上来就拉最高，先用中档跑一版，确认整体结构没问题后再提高分辨率做最终输出。原因很简单：高分辨率生成时长成倍增加，一旦结构不对，浪费的时间和算力成本都不值。
4. 生成与预览：系统会先生成一个可旋转预览，你可以从不同角度检查模型有没有“穿模”、有没有“缺面”。看预览的时候重点看侧面和背面，正面一般都不会有太大问题，真正的缺陷往往藏在转过去的那一刻。
5. 导出与后处理：确认没问题后导出。导出的 GLB 文件可以直接拖进 Blender、Unity、Three.js 里使用。如果发现表面不够平滑，可以在 Blender 里加一个 Remesh 修改器；如果纹理偏暗，可以在导出设置里把材质球的 roughness 调低一点，让反光更明显。

2.3 我实测中比较亮眼和翻车的 Case

先说我认可的部分。我拿了一张很普通的运动鞋侧面图去测，Hy4 Preview 生成的 3D 模型在鞋底纹路、鞋带穿插关系、鞋口收边这些细节上处理得相当到位，甚至比一些专门的单图重建模型还要干净。关键是它生成的模型可以直接进引擎做低模底稿，不需要像传统流程那样先重建、再拓扑、再重新拓扑，省掉了最枯燥的一步。

再说翻车场景。它对我给出的“人物半身像”处理得不太好，手指、衣服褶皱这些地方容易出现结构合并；对“透明材质”也比较头疼，玻璃杯生成出来的壁厚很难控制，容易变成实心块。另外，如果输入图片里物体本身带有复杂的文字或 Logo，生成结果大概率会把文字糊成一团——这个其实可以理解，3D 模型里的贴图分辨率有限，小字在 UV 展开后会被严重拉伸。

所以我的建议是：别拿它当摄影测量软件用，非要追求毫米级精度；把它当“创意资产预生产工具”用，给建模师提供一个靠谱的底模和一个可以快速迭代的参考结构。这样思路一换，它的可用性会瞬间高出一个量级。

3. 从 Hy3 切到 Hy4 Preview：API 迁移与生产链路改造

3.1 接口兼容性：不能想当然“传参改个 model 名就行”

很多从 Hy3 升到其他大模型 API 的团队，都有过一个错觉：同一个厂商的模型，版本升级一定平滑。实际踩下来，Hy4 Preview 的接口和 Hy3 大体兼容，但在几个细节上不兼容，如果直接切过去，会出现莫名其妙的问题。

首先是最基础的 endpoint。Hy3 时代，文本对话、Embedding、多模态理解往往是不同接口；Hy4 Preview 开始，官方明显想把多模态统一到一个入口里。你传文本，它就是文本模型；你传文本加图片，它就自动走多模态路径。这个设计方向是对的，但带来了一个迁移上的坑：之前你在 Hy3 上为了启用视觉功能，可能要单独传image字段，Hy4 Preview 里这个字段可能被弃用，改成了标准的messages里带image_url的方式。

我建议迁移前先做一次接口级 diff 测试：

• 用原 Hy3 的请求体原封不动发给 Hy4 Preview，看哪些字段被接受、哪些字段被忽略、哪些字段直接报错。
• 特别注意max_tokens的默认值。Hy4 Preview 生成复杂内容时，单次输出消耗很容易触达旧阈值，如果你还在用 Hy3 时代的默认截断长度，会发现生成结果经常“戛然而止”。
• 检查超时设置。Hy4 Preview 做 2D 转 3D 这类任务时，响应时间比 Hy3 普通文本请求长得多，建议把客户端超时从 30 秒放宽到 120 秒以上，否则网关层就会先帮你把请求掐断。

3.2 上下文与输出长度设置

Hy4 Preview 的上下文长度目前看是比 Hy3 要大的，官方展示里出现过很长的多模态对话。但“上下文长度大”和“你每次都能用满”是两码事。上下文越长，KV Cache 占用越高，首 token 延迟也会涨，费用更不用提。

我有一个比较保守的生产参数建议：

• 文本对话场景，上下文设 8K 到 16K 就够，不要盲目拉到最大；
• 多轮图文理解场景，如果图片已经通过 2D 转 3D 拿到了结构化产物，不要反复把原图塞进对话里，把产物路径和关键信息作为文本传给模型即可；
• 单次输出长度可以根据任务类型动态调整，做 JSON 结构化输出时给 2K 到 4K 就够；做 3D 模型描述生成时，给到 8K 以上，否则模型可能为了赶在截断前完成，草草收尾。

这里有个小技巧：你可以把输出长度上限当成一个“隐形提示词”。当你想让模型生成更详细的内容时，把上限调高，模型会倾向于用满空间，输出结构会更完整；当你只想要精确答案时，把上限压低，模型反而更干脆，不会东拉西扯。

3.3 成本模型：770B 怎么定价才合理

任何一个性能突飞猛进的模型，最后都要过成本这一关。Hy4 Preview 的推理成本比 Hy3 高，这是必然的，因为激活参数摆在那里。关键是高多少、值不值。

我基于公开价目和社区反馈，做一个粗略估算（实际价格以官网最新为准）：

如果你每天只有几万 token 的调用量，这点成本差异根本不用纠结。但如果你是做批量数据处理，比如几百万条消息的分类和抽取，直接全量切到 Hy4 Preview 会带来一笔不小的预算涨幅。

我的建议是咬咬牙上“模型路由”：简单任务继续留在 Hy3，复杂任务、多模态任务、3D 任务才走 Hy4 Preview。这个思路我在第五部分详细说，这里先提一句，别急着全量迁移。

4. 部署与落地：怎么把 770B 用起来而不被成本拖垮

4.1 云上 API 仍是现阶段最划算的路径

一个 770B 的 MoE 模型，如果按全精度部署，光权重文件就要 1.5TB 左右，单张 H 系列显卡根本塞不下，至少需要多机多卡并行。即便用 FP8 或者 INT4 量化，一套可以稳定对外提供服务的集群，硬件成本也在千万级别。绝大多数团队完全不需要自己干这件事。

所以现阶段我的结论非常明确：如果你的业务跑在境内云上，优先直接用腾讯云或者混元官方提供的 API，别折腾私有化。API 模式下，你不用关心负载均衡、卡间通信、显存碎片化这些问题，而且模型迭代升级时，官方帮你平滑过渡。你只需要做好客户端治理和成本监控。

4.2 私有化部署的几个现实门槛

当然，一些对数据合规要求极高的团队，还是会考虑私有化部署。我也调研了一圈，结论是：能做，但有几个门槛要想清楚。

• 显存容量：即便是量化到 INT8，770B 模型也至少需要 800GB 以上的显存，这意味着一台 8 卡 A100/H800 的服务器是起步配置。如果考虑推理并发和 KV Cache 开销，最好准备 2 台。
• 推理框架适配：不是所有开源推理框架都对 MoE 模型做了深度优化。有些框架能加载权重，但跑起来时专家路由的分发效率很低，导致单 token 延迟高到没法用。需要针对“专家并行”和“token 调度”做专门的配置。
• 运维复杂度：大模型集群的故障率、网络拓扑要求、容器调度策略，和普通 Web 服务不在一个量级。没有专门的 MLOps 团队，很容易把时间耗在环境问题上。

所以我的个人意见是：90% 的团队直接用 API，5% 的团队做混合部署，只有不到 5% 的重度合规团队值得考虑全量私有化。

4.3 模型路由的混合架构

前面反复提到“模型路由”，这里展开说一下我的落地经验。

模型路由的本质，是对不同类型的请求做分类，然后分发给最合适的模型。它不是什么新概念，但很多人实现得很粗糙——简单按用户等级分模型。我建议按任务类型分，更实用：

路由的判断逻辑，我建议放在接入层，通过一个轻量级分类模型对用户 prompt 做意图识别。准确率不需要做到 99%，80% 以上就够——即使分错，最多是成本高一点或响应慢一点，不会产生致命错误。重点是把那些明显属于多模态、3D、长链路规划的任务，从默认的“便宜模型”路径上拦截下来。

这个混合架构上线后，我们团队的整体 API 成本只比原来全部用 Hy3 时高 20%~30%，但复杂任务的完成质量整体上了一个台阶。这就是“架构跃迁”在生产环境里最务实的落地方式。

5. 实测阶段踩过的坑与定位方法

5.1 多视角生成不稳定：有时像“变形的二次元”

Hy4 Preview 做 2D 转 3D 时，最常遇到的问题是多视角生成不稳定。尤其是在输入图片带有透视畸变或者物体本身非对称时，模型脑补出来的背面结构会和正面明显对不上。

我遇到过一只马克杯，正面印了一只卡通猫，生成出来的背面，卡通猫整个“跑偏”到了杯子把手上，还出现了双把手。这种问题排查起来不复杂，根源基本在输入图的质量和主体位置。我后来把图片做了预处理：用简单的抠图把主体从背景里分离出来，再居中裁剪到方形画布，同时保证物体不旋转、不倾斜。预处理之后再喂模型，多视角一致性有了明显提升。

另外一个容易被忽略的因素是图片分辨率。我一开始压缩图片到 512 像素来省时间，结果生成结果边缘模糊。后来改成保留原始分辨率，最多只做等比缩放，让长边不超过 1024，生成质量稳定了很多。

5.2 场景类图片的深度关系处理

如果你输入的不是单个物体，而是一个完整场景（比如客厅一角），Hy4 Preview 生成的 3D 结构在“层次感”上会出问题。它倾向于把前景的沙发、中景的茶几、背景的窗户全部“拍扁”在一个平面上，深度关系非常弱。

后来我注意到，它对场景图的深度理解其实依赖构图中的遮挡关系。如果遮挡关系不明显，它就分不清谁前谁后。我的解决办法是：在提示词里显式标注前后关系，比如“沙发位于前景，茶几位于中景，窗户位于背景，保持遮挡关系一致”。这个办法不总是灵，但对于有明显语义分层的场景，确实能提升不少。

如果你要处理的是室内设计场景，还有一个更稳的方案：先用 Hy4 Preview 生成一个粗糙的 3D 结构，然后导入 Blender，把地面、墙面、家具单独分层重建。这样你既利用了模型的空间理解能力，又不必把精度要求全部压在它身上。

5.3 并发与超时控制

2D 转 3D 这类任务的耗时远高于普通文本请求。我一开始按“文本模型”的经验设置了 30 秒超时，结果连续失败了一整轮，日志里全是 timeout。后来把超时时间放宽到 120 秒，并且加了重试机制，问题才解决。

但这里有一个隐蔽的坑：重试不能盲目做。2D 转 3D 按次计费，如果服务器端已经处理成功，只是响应回传超时，你重试一次就等于付了两次钱。我建议在请求体里带上request_id，重试时复用同一个 ID，方便在服务端做幂等控制。同时在客户端日志里记录每个请求的request_id，排查时能快速对账。

并发限制也是要提前规划的。免费预览阶段的并发配额普遍偏低，如果你用脚本一次性提交几百张图，大概率会触发限流。我建议把批量任务改成队列模式，控制并发在 3~5 个请求，每个请求之间加一点随机间隔，这样既不会触发限流，也不会因为排队等待浪费太多时间。

5.4 排查链路：不要一上来就怀疑模型

我把这段时间遇到的异常，按排查优先级整理成了一条链路，分享给大家：

1. 先查输入：图片格式、分辨率、主体位置、背景复杂程度。绝大多数质量问题，在输入阶段就能找到原因。
2. 再查参数：分辨率档位、最大输出长度、是否传了多余的旧字段。很多“结果被截断”“内容不完整”的问题，都是参数设置不当。
3. 然后查网络与网关：响应超时、连接重置、返回乱码，优先看网络链路和官方服务状态。
4. 最后才怀疑模型本身：把同样的输入换到不同模型或不同参数下跑一遍，如果结果都差不多，说明问题大概率不在模型能力，而在你对任务的拆解方式。

这套链路看起来简单，但真的能省下大量无效沟通时间。群里不少人遇到问题第一反应是“这模型不行”，结果我一问，连输入图片都是随手拍的，背景里全是杂乱陈设，那生成效果能好才怪。

6. 架构跃迁之后，生产力落地的关键不在模型本身

6.1 评测集要提前换血

很多团队在模型升级后会做一轮回归测试，但我发现大家用的评测集还是上一代模型的“标准题库”。你拿 Hy3 时代的纯文本题目去测 Hy4 Preview，得出的结论一定是“提升不明显”，甚至因为风格变化出现“分数下降”。

这其实是评测集滞后的问题。模型的能力边界已经外扩到了多模态、3D、长链路工具调用，你的测试集还停留在文本问答，自然测不出差距。我的建议是：立刻在你的评测集里加入三类新任务——单图转 3D 结构合理性、多轮图文混合对话一致性、复杂任务规划成功率。这几类任务才能真正衡量你把模型从 Hy3 换到 Hy4 Preview 是否划算。

评测指标也要调整。文本模型时代，大家喜欢看 BLEU、ROUGE、准确率；多模态和 3D 生成时代，这些指标远远不够。结构完整性、纹理一致性、多视角合理性，这些主观指标虽然不好量化，但必须在人工评测环节里占一定权重。没有人工抽检，光看自动指标，很容易被模型的“表面聪明”骗过去。

6.2 流程重构比换模型更费功夫

我见过太多团队，换了新模型之后，提示词和业务流程完全没动，然后抱怨“效果没有官方演示那么好”。问题出在哪？出在流程没有跟着模型能力一起重构。

以 2D 转 3D 为例。官方演示里，往往是传一张图、出一个模型，看起来很简单。但落地到实际生产，你需要把它嵌入到一条完整的链路里：

• 前端做图片预处理（抠图、裁剪、调色）；
• 中台调用 Hy4 Preview 生成 3D 初稿；
• 后端对初稿做自动化质量检测（检查顶点数、面数、是否封闭网格）；
• 检测通过的进入人工精修队列；
• 检测不通过的自动打回并附上原因标签。

这套链路完全不依赖模型本身的“提示词水平”，但它决定了你最终能产出多少可交付资产。模型再强，如果没有配套的流程管理，也只是“点一下出个模型”的玩具；有了流程，才能叫生产力。

6.3 后续还可以这样扩展

Hy4 Preview 的 2D 转 3D，目前看只是第一步。顺着“空间理解”这条路往下走，接下来大概率会看到：

• 3D 场景生成：从单张房间图直接生成可漫游的室内场景，而不是单物体。这对装修、游戏场景设计、虚拟展厅都是颠覆性的。
• 3D 编辑能力：通过自然语言直接修改已生成的 3D 模型，比如“把椅子的腿改短一点”“把杯子的材质换成磨砂玻璃”。这一步如果走通，3D 建模的门槛会被彻底拉平。
• 与 Agent 联动：让模型不只是生成 3D 资产，还能自主规划“先建主体、再建部件、最后贴图”的完整建模流程。到那时候，模型不再是一个单点工具，而是一个 3D 内容生产系统。

从我个人的经验来看，Hy4 Preview 最值得关注的还不是某一个具体功能，而是它证明了“大模型理解物理空间”这条路是可行的。一旦模型的语义智能和空间智能真正合流，内容生产的方式会被重塑。现在入局研究它、用它、围绕它搭流程的团队，会在下一波产品迭代里占到先机。我在这一轮实测里最大的体会就是：别等着模型完美了再动手，先用起来、把流程跑通、把坑踩掉——等到它真正成熟那天，你已经比别人领先一个身位了。