Hy4 基准测试全盘点：官方 34 项、AA 35 分与口径里的坑

Hy4 的基准数据分两批：一批是腾讯官方给的——12 项主图表加 34 项附录，数据很全；另一批是 Artificial Analysis 在 11 月 5 日给出的独立测量，指数 35 分。两批数据都可信，但口径不同，混用会得出错误结论。本文把全部可核查的分数列出来，并把口径陷阱逐个标清。

官方 12 项主图表：无一项第一

腾讯新闻稿的主图把 Hy4 与 Hy4 preview、GLM 5.3、DeepSeek-V4.1-Flash-1017、Kimi K3.1 Pro、Claude Opus 5.5、GPT-6.1 Sol 同场对比。apiyi 逐项统计的结果是：Hy4 在 12 项中无一项第一，最好成绩是 E-Bench 2.0 的第二名（70.0）。与 Kimi K3.1 Pro 在开源阵营里 6:6 打平——Hy4 在代码生成、3D 建模、检索与科研任务占优，Kimi 在终端操作、自动化与科学终端任务领先。

最接近闭源旗舰的是 OSWorld 2.1：78.9%，距 Claude Opus 5.5 的 81.8% 只差 2.9 分，且领先 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 项附录：强项与短板都很清楚

发布页附录列出约 34 项测试（DataLearner 完整转载），全部在当时最高推理档下测得。强项集中在 Agent 与电脑操作：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（带工具）59.1。

短板同样清楚，而且腾讯没有藏：Hy-FrontierMath T5（内部数学测试）仅 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（无工具）55.6，Claude 75.3。SWE-Marathon v1.1 43.8 是在时限翻倍口径下测的，读的时候要注意条件。另有 ZeroBench-main 55.4、PostTrainBench 35.2、TenureTrail 53.6 等约 15 项内部评估，外部无法复现，只能当作腾讯自述。

独立测量：AA 指数 35，中国第二

Artificial Analysis 在 11 月 5 日发布独立测量：智能指数 v5.0.1 为 35 分，与 Grok 4.7（xhigh）持平，落后 Claude Haiku 5.5（max，36）1 分；中国实验室中第二，仅次于 Kimi K3.1 Pro（46），领先 Qwen3.8 Max（45）与 DeepSeek V4.1 Flash（32.6）。AA 原话是同价位中低于平均（中位 41）。

AA 的分项测量值得细读。FrontierCode 2.0 得 31%，是中国实验室第一（DeepSeek 28%、Kimi 25%）。HLE-Diamond 33%。每任务成本约 $0.78，约为同分 Grok 的 1/10。但 AA-Omniscience v1.1 给出准确率 50%、幻觉率 89%——Kimi 的幻觉率是 37%。注意准确率与幻觉率是两个独立指标，不要把 89% 理解成「89% 的回答是错的」；AA 也未给出解释。Agent Arena 上 Hy4 暂列第 13 名（排名 preliminary），腾讯称开源模型中第一。

AA 还记录了两个工程特征：Hy4「慢于平均、非常啰嗦」——评测中生成 1.6 亿输出 tokens，约为中位数的两倍；OpenRouter 上 P50 吞吐约 63 tok/s，P50 首 token 约 2.9 秒。便宜的任务成本有一部分会被啰嗦的输出吃掉。

口径陷阱：44.4% 与 37% 都是对的

Terminal-Bench 4.0 有两个数，不要混用：官方 44.4%（Claude Code harness，最多 500 轮、每任务最多 13 小时）与 AA 实测 37%（AA 自有 harness）。两者测试条件不同，都对，但不是同一个测试。同样，Kimi K3.1 Pro 的 TB 4.0 在腾讯表内是 66.8%，在另一口径下是 65.7%——引用时要注明来源。

还有一个数字要特别提醒：部分聚合里流传的 39.39%，其基准归属与测试 harness 不明，本页不采纳为 TB 4.0 的分数。本站 Inkling 专题页此前引用的 39.39% 亦需修正。

金融与办公：腾讯组织的评估

FiT 金融众测由腾讯组织，213 位专家（153 位外部）、579 项任务、4 分制：Hy4 3.04 分，开源第一，DeepSeek-V4.1-Flash-1017 2.97，Kimi 与 GLM 5.3 均为 2.68。IRAB 评估（讯兔科技）显示相对 preview 提升 12.03 分。WorkBuddy 办公室评估平均 83.18 分、通过率 96.15%，12 个场景里 9 个中国第一。这些评估的组织方或数据源与腾讯有关，读数时要打这个折扣。