Hy4 基準測試全盤點：官方 34 項、AA 35 分與口徑裏的坑

Hy4 的基準數據分兩批：一批是騰訊官方給的——12 項主圖表加 34 項附錄，數據很全；另一批是 Artificial Analysis 在 11 月 5 日給出的獨立測量，指數 35 分。兩批數據都可信，但口徑不同，混用會得出錯誤結論。本文把全部可覈查的分數列出來，並把口徑陷阱逐個標清。

官方 12 項主圖表：無一項第一

騰訊新聞稿的主圖把 Hy4 與 Hy4 preview、GLM 5.3、DeepSeek-V4.1-Flash-1017、Kimi K3.1 Pro、Claude Opus 5.5、GPT-6.1 Sol 同場對比。apiyi 逐項統計的結果是：Hy4 在 12 項中無一項第一，最好成績是 E-Bench 2.0 的第二名（70.0）。與 Kimi K3.1 Pro 在開源陣營裏 6:6 打平——Hy4 在代碼生成、3D 建模、檢索與科研任務佔優，Kimi 在終端操作、自動化與科學終端任務領先。

最接近閉源旗艦的是 OSWorld 2.1：78.9%，距 Claude Opus 5.5 的 81.8% 只差 2.9 分，且領先 GPT-6.1 Sol 的 75.2%。差距最大的是 Terminal-Bench 4.0：Kimi 66.8、Claude 66.4、GPT 55.5，Hy4 只有 44.4；ProgramBench 上 Claude 56.5，Hy4 30.0。

官方 34 項附錄：強項與短板都很清楚

發佈頁附錄列出約 34 項測試（DataLearner 完整轉載），全部在當時最高推理檔下測得。強項集中在 Agent 與電腦操作：DeepSWE v1.1 74.9（preview 64.3）、APEX-Agents v1.1 75.2（preview 53.9）、OSWorld 2.1 78.9、MMMU-Pro 78.6、AutomationBench v1.0.6 56.2（preview 36.3）、HLE-Full（帶工具）59.1。

短板同樣清楚，而且騰訊沒有藏：Hy-FrontierMath T5（內部數學測試）僅 13.0，GPT-6.1 Sol 是 97.5、Claude 91.3；Goal2Repo 23.2，Claude 74.0；Terminal-Bench-Science 19.8，GPT 60.9；BuddyVQA Atlas（無工具）55.6，Claude 75.3。SWE-Marathon v1.1 43.8 是在時限翻倍口徑下測的，讀的時候要注意條件。另有 ZeroBench-main 55.4、PostTrainBench 35.2、TenureTrail 53.6 等約 15 項內部評估，外部無法復現，只能當作騰訊自述。

獨立測量：AA 指數 35，中國第二

Artificial Analysis 在 11 月 5 日發佈獨立測量：智能指數 v5.0.1 爲 35 分，與 Grok 4.7（xhigh）持平，落後 Claude Haiku 5.5（max，36）1 分；中國實驗室中第二，僅次於 Kimi K3.1 Pro（46），領先 Qwen3.8 Max（45）與 DeepSeek V4.1 Flash（32.6）。AA 原話是同價位中低於平均（中位 41）。

AA 的分項測量值得細讀。FrontierCode 2.0 得 31%，是中國實驗室第一（DeepSeek 28%、Kimi 25%）。HLE-Diamond 33%。每任務成本約 $0.78，約爲同分 Grok 的 1/10。但 AA-Omniscience v1.1 給出準確率 50%、幻覺率 89%——Kimi 的幻覺率是 37%。注意準確率與幻覺率是兩個獨立指標，不要把 89% 理解成「89% 的回答是錯的」；AA 也未給出解釋。Agent Arena 上 Hy4 暫列第 13 名（排名 preliminary），騰訊稱開源模型中第一。

AA 還記錄了兩個工程特徵：Hy4「慢於平均、非常囉嗦」——評測中生成 1.6 億輸出 tokens，約爲中位數的兩倍；OpenRouter 上 P50 吞吐約 63 tok/s，P50 首 token 約 2.9 秒。便宜的任務成本有一部分會被囉嗦的輸出喫掉。

口徑陷阱：44.4% 與 37% 都是對的

Terminal-Bench 4.0 有兩個數，不要混用：官方 44.4%（Claude Code harness，最多 500 輪、每任務最多 13 小時）與 AA 實測 37%（AA 自有 harness）。兩者測試條件不同，都對，但不是同一個測試。同樣，Kimi K3.1 Pro 的 TB 4.0 在騰訊表內是 66.8%，在另一口徑下是 65.7%——引用時要註明來源。

還有一個數字要特別提醒：部分聚合裏流傳的 39.39%，其基準歸屬與測試 harness 不明，本頁不採納爲 TB 4.0 的分數。本站 Inkling 專題頁此前引用的 39.39% 亦需修正。

金融與辦公：騰訊組織的評估

FiT 金融衆測由騰訊組織，213 位專家（153 位外部）、579 項任務、4 分制：Hy4 3.04 分，開源第一，DeepSeek-V4.1-Flash-1017 2.97，Kimi 與 GLM 5.3 均爲 2.68。IRAB 評估（訊兔科技）顯示相對 preview 提升 12.03 分。WorkBuddy 辦公室評估平均 83.18 分、通過率 96.15%，12 個場景裏 9 箇中國第一。這些評估的組織方或數據源與騰訊有關，讀數時要打這個折扣。