返回博客列表

腾讯混元 Hy4 正式版评测:官方主张与 Artificial Analysis 35 分对照

腾讯混元Hy4模型评测Artificial Analysis电脑操作

本文整理公开资料,不是贵数智能的自测。

结论先说:官方把 Hy4 定位为面向真实生产力的旗舰,独立评测 Artificial Analysis(AA)给出的综合分低于其比较组中位数,且偏慢、输出偏长。两类信息来源不同,不能合并成一个分数。

基本信息

  • 厂商:腾讯混元(Tencent Hy / Tencent Hunyuan)。展示名 Hy4,API 参数 hy4。
  • 发布:腾讯官网研究页与腾讯新闻稿写 2026-11-04。研究列表中另有一处写 11-03,条目日期可能相差一天。
  • 规格:TokenHub 的 Hy API Guide 写 1M 上下文、最大输入 960k、最大输出 64k,输入文本和图像,输出文本,支持推理。
  • 参数量:正式版研究页没有公布总参数和激活参数。770B / 49B 是前代 Hy4 preview 的数字,不能套到正式版。社交平台上有帖子把它们写到正式版,这不是第一方口径。

官方主张

以下均来自腾讯官网研究页、新闻稿与官方公众号文章,属于厂商表述。

  • 新能力:相对 preview,正式版首次引入视觉理解,首次支持电脑操作(命令行与图形界面),并称提升了指令遵循、长文理解、长程任务和深度研究。针对 Blender、CAD 和跨应用长程任务做了专项训练。
  • 金融众测:腾讯 FiT 组织,213 位专家、579 题。官方分数为 Hy4 3.04、DeepSeek-V4.1-Flash-1017 2.97、Kimi K3.1 Pro 2.68、GLM-5.3 2.68,官方称开源模型第一。这是腾讯主导的评测,不是独立榜单。
  • 合作方内部评测:WorkBuddy 综合评测平均效果 83.18、通过率 96.15%,官方称 12 个场景中 9 个为国内模型第一。Manus 称办公文档任务完成率接近 97%。讯兔科技 IRAB 为 61.63,官网称较 preview 提升 12.03 分(官网正文另有“12.03 个百分点”的写法,此处照官网转述)。
  • 自建搜索测试:幻觉率 15.76% 降到 5.45%,猜测错误率 23.1% 降到 5.6%。
  • 元宝内部评测:65.25 提升到 72.53。
  • 游戏方向:GameDev、GameLogic 较 preview 提升 19.1% 和 9.8%。

官方还公布了多张公开基准图,本文不以这些图上的具体分数作为依据。要核对原始材料,请打开腾讯混元研究页。

独立评测:Artificial Analysis 35 分

AA 的 Hy4 页面(2026-11-18 核对)的数据如下,条件是 Intelligence Index v5.0.1:

项目 Hy4 比较组中位数
Intelligence Index v5.0.1 35 43
评测输出 token 160M 65.1M
每任务耗时 13.5 分钟 11.5 分钟

同页还列出首 token 延迟 117.82 秒、输出速度 96 tok/s,并将其标为 Proprietary,页面评语为 very verbose。指数由 AA-Briefcase、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience、GDP.pdf、HLE-Diamond、CritPt、Terminal-Bench-Science 等任务构成。

中文媒体转述 AA 称,Hy4 在中国实验室模型中位列第二,仅次于 Kimi K3.1 Pro(46)。这是二手转述,不等于全球榜单名次,具体数字以 AA 原页为准。The Decoder 的报道(二手整理)把 AA 中位数写成 30 并称与 Grok 4.7 并列,与 AA 原页的 43 不一致,本文未在 AA 页直接核到并列关系,也不采用其中位数。

“最强开源”与权重的时间差

腾讯 11 月 4 日的新闻稿标题写“跻身最强开源模型之列”。但截至 2026-11-18,官方只说 Hy4 权重将陆续放出(见官方开源帖),已放出权重的是 11 月 18 日的 Hy4 flash。AA 页面把 Hy4 标为 Proprietary,与此状态一致。因此,“开源最强”在发布当天是一项预告性表述,读者不应把它当作已经可下载、可复现的结论。系统卡片同样计划随开源发布,本文没有读到完整系统卡。

官方也在研究页承认,Hy4 与顶尖闭源模型仍有较大差距,尤其在内部高难度数学、长程开发、模型迭代和视觉问答集上。

怎么读这些数字

  • 官方评测多为自建集或合作方场景,适合判断腾讯想强调什么,不适合当排名。
  • AA 是独立来源,但只是一套综合指数。35 分低于中位数,说明在这套任务里不占优,不等于所有场景都弱。
  • 偏慢、输出偏长对 Agent 长任务的影响很具体:耗时和 token 消耗会一起放大。日常文档、检索、简单前端这类短任务受影响较小,长程软件工程更值得先用自己的任务验证。
  • 如果你在选日常用的版本,参见Hy4 与 Hy4 flash 怎么选。编程与 Agent 方面见编程与 Agent:官方专项与第三方体验整理,早期用户声音见用户反馈与边界。产品入口方面可参考WorkBuddy 与 CodeBuddy 用法。前代规格见Hy4 preview 指南,其中的 770B / 49B 仅适用于 preview。

未核实与边界

  • 正式版总参数、激活参数:官方未公布。
  • Hy4 权重与系统卡:截至 2026-11-18 未发布。
  • 本文未做自测,AA 数据以 2026-11-18 核对时的页面为准,后续可能更新。
  • 上游发布不等于本站可调用。

主要参考资料

核对日期:2026-11-18。