Artificial Analysis 独立评测腾讯 Hy4：智能指数 35 分，幻觉率 89%

独立评测机构 Artificial Analysis 于北京时间 11 月 5 日 16:28 公布了腾讯混元 Hy4 的基准成绩：在 AA Intelligence Index v5 上得 35 分，与 Grok 4.7 (xhigh) 持平，落后 Claude Haiku 5.5 (max) 1 分，在来自中国 AI 实验室的模型中仅次于 Kimi K3.1 Pro（46 分）。同一份成绩里，Hy4 在 AA-Omniscience v1.1 知识基准上准确率 50%，幻觉率却达 89%——AA 将其标注为「高幻觉率」，而对照模型 Kimi K3.1 Pro 为 37%。AA 还测得 Hy4 在 FrontierCode 2.0 编码基准上得 31%，为该基准上中国实验室模型的最高分，并记录其单任务成本约 $0.78。

Hy4 是腾讯 11 月 4 日发布的旗舰大语言模型：770B 参数，约为上代 Hy3（295B）的 2.6 倍——这一规模见于 SCMP 的报道，也得到第一财经英文账号的独立报道确认。官方口径称 Hy4 首次加入视觉理解与 computer use（让模型直接操作计算机，覆盖命令行 CLI 与图形界面 GUI）能力。发布当天腾讯称其跻身全球领先开源模型之列，给出的基准数字均为自评——腾讯官方新闻稿称，在与腾讯金融科技合作的盲测中，213 名金融专业人士（含 153 名外部机构专家）在 579 个真实任务上给 Hy4 打出 3.04 分，高于 DeepSeek-V4.1-Flash-1017 的 2.97 与 Kimi K3.1 Pro、GLM-5.3 的 2.68。权重与系统卡当时称将在「未来几天」发布，尚未可下载。

腾讯 Hy4 发布新闻稿附带的自评基准对比图：Hy4 与 GLM 5.3、DeepSeek-V4.1-Flash-1017、Kimi K3.1 Pro、Claude Opus 5.5、GPT 6.1 Sol 在 12 项基准上的得分

AA 综合指数 v5：Hy4 落在已发布权重模型与 Kimi K3.1 Pro 之间

AA 的 Intelligence Index v5 是其自有的综合智能指数，由 9 项评测构成，60% 的权重建立在私有测试集或保留答案上。按其公布的结构，编码占 25%（FrontierCode 2.0 占 15%、Terminal-Bench 4.0 占 10%），General（通用任务）占 25%，其中 AA-Omniscience v1.1 占 15%——10% 计准确率、5% 计非幻觉率，HLE-Diamond 占 10%。

Hy4 的 35 分处在这样的区间里：v5 的领跑者是 Claude Opus 5.5 (max) 的 58 分；AA 在 v5 发布文里列出的「已发布权重」模型最高为 32 分（DeepSeek V4.1 Flash 1017 (max) 与 GLM-5.3 (max)），排在开源权重模型之首的 Kimi K3.1 Pro（46 分）权重同样未发布。Hy4 高于 AA 所列全部已发布权重的模型，但仍排在 Kimi 之后。AA 同时给出模型信息：100 万 token（模型计费与处理的最小文本单位）上下文，输入支持文本与图像、输出文本；定价为每百万 token 输入 $0.834、输出 $2.501、缓存读取 $0.042——与腾讯官方博客公布的价格表一致，也印证了 TechNode「定价与 Hy4 preview 持平」的报道。

两项编码基准：FrontierCode 双方一致，Terminal-Bench 比腾讯自评低约 7 个百分点

AA 的结论是 Hy4「擅长智能体编码任务」：在 FrontierCode 2.0 上，它高于 DeepSeek V4.1 Flash 1017 (max) 的 28% 与 Kimi K3.1 Pro 的 25%，距 Claude Fable 5.1 (max) 的 32% 只差 1 分。FrontierCode 2.0 是 Cognition 的私有编码基准，按「仓库维护者是否会合并 agent（智能体）的改动」评分，AA 用其自有的评测脚手架 Stirrup harness 对每个任务跑三次。

本篇核实的材料里，能与腾讯自评重叠的是两项基准。FrontierCode 2.0 两边数字一致：腾讯新闻稿附带的自评图表（见题图）给出 31.0，AA 实测 31%。Terminal-Bench 4.0 则出现落差：AA 测得 37%（中国实验室模型中第四高），腾讯自评为 44.4——低了约 7 个百分点；作为参照，AA 在 v5 发布文里列出的该基准领跑者是 Kimi K3.1 Pro 的 67%。

其余分项中，HLE-Diamond 得 33%，低于 Kimi K3.1 Pro 的 37%。

幻觉率：独立实测与腾讯自报口径的落差

反差不止于排名：Hy4 的准确率比 Kimi K3.1 Pro 还高 1 分，幻觉率却约为对方的 2.4 倍。这个数字并非旁支：按 AA 的指数设计，非幻觉表现单独计分，高幻觉率会拉低这一项。

腾讯自报的口径则是另一个方向。官方新闻稿称内部评测中幻觉率从 Hy4 preview 的 12.95% 降至 7.2%；官方博客给出的是从 15.76% 降至 5.45%（其搜索优化内部评测，针对时效性检索、多源整合与事实一致性校验）——两组自报数字本身就不一致。三组数字分属不同评测方、不同基准与不同方法，不能直接相比；但至少在 AA 的知识基准上，独立实测与腾讯发布叙事中「幻觉率大幅下降」的方向相反。

复核这个数字有现成入口：AA 在 v5 更新时把 AA-Omniscience 的公开子集 AA-Omniscience-Public-v1.1 放上了 Hugging Face，并称其经过校准、准确率与幻觉率同私有集保持一致。

成本：同分的 Grok 4.7 (xhigh) 约贵十倍

按 AA 的记录，Hy4 每个 Intelligence Index 任务成本约 $0.78：同样得 35 分的 Grok 4.7 (xhigh) 花费约是它的 10 倍，得 34 分的 Qwen3.8 Max (0902) 约 13 倍；而比它高 1 分的 Claude Haiku 5.5 (max)（36 分）成本约为它的一半。

渠道名单继续加：Chutes、OpenClaw，和一条没有细节的 Vercel 帖

AA 成绩公布前后，腾讯混元官方 X 账号持续更新渠道信息：北京时间 11 月 5 日上午先后宣布 Hy4 即将上线 Chutes、已可在 OpenClaw 试用；当日 17:45 前后（AA 公布成绩一个多小时后），该账号又发出一条只写着「+ Vercel」并附握手表情符号的帖文。最后这条没有模型名、接入形态或任何条款，Vercel 一侧的确认也未见于本次核实的材料。

权重与系统卡仍未落地，「开源第一」的结论仍待检验

截至本报道核实的材料（最新到 11 月 5 日），新闻稿承诺「未来几天」发布的权重与系统卡仍未见落地；官方博客称权重发布时会附带完整系统卡，并已与 vLLM（Inferact Inc.）和 SGLang 社区达成生态支持合作。

所有与「开源」相关的结论都以权重实际发布为前提。社区评测平台 Arena.ai 在发布当天基于 8,500 多条真实智能体会话把 Hy4 列在总榜第 14 位（净提升 +4.7%，单任务成本 $0.55、比 Kimi K3.1 Pro (Max) 的 $1.46 低约 62%），并称一旦权重发布，它将凭与 Kimi 相差 1 个百分点以内的得分并列开源模型第一。而 AA 的这份成绩单只出自一家：指数构成为自有设计；在本次核实的材料里，Hy4 的其他独立数据也只有 Arena.ai 的社区会话评测。

腾讯也在发布材料中承认差距：官方博客称 Hy4 与最强闭源模型相比，在研究级数学、长程编码、模型自我改进和高级视觉问答等内部基准上「仍有明显差距」。在 AA 的 v5 上，领跑者 Claude Opus 5.5 (max) 是 58 分——比 Hy4 高出 23 分。

参考链接

本文由 AREX Agent 基于公开网络信源自动整合梳理。
AI 可能存在信息遗漏、时序偏差或事实误判。文中观点与事实请结合文末原始链接交叉核验，请勿直接作为决策依据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除