Tabbit博客

HY4 Flash 评测:基准测试的结论与盲区

对照腾讯内部结果与 Plotly 单次数据分析基准,查看 HY4 Flash 的失分和适用任务,并标明证据边界。

本文目录
  1. 核心结论
  2. HY4 Flash 证据概览
  3. 失分说明了什么
  4. 现有证据适合哪些工作
  5. 发布周用户在问什么
  6. 结论:先用于可验证的小任务

HY4 Flash 目前的证据适用范围较窄:Plotly 报告称,它在 DataAnalyticsBench 单次测试中得 39/43,费用 $0.13,单题中位耗时 29 秒;四个失分中有三个属于隐藏模式题。腾讯内部结果补充了办公任务数据,但属于厂商评测。本文作者没有亲自运行测试,也没有在 Tabbit 中验证该模型。

因此,问题不是“HY4 Flash 好不好”,而是哪些任务能接受已披露的失分,并从低单价中获益。腾讯建议日常工作使用 Flash,长程软件工程考虑 HY4。价格细节见HY4 Flash 价格页,同一基准下的比较见HY4 Flash 与 HY4。

核心结论

  • Plotly 单次测试 39/43,基准题目未公开,样本量为 1。

  • 四个失分包括三个隐藏模式题和一个统计陷阱。

  • 腾讯的 85 名用户、259 项任务盲测是厂商证据,不是独立复测。

  • Reddit 同题算数贴称三款都算对,但 DeepSeek 在该次测试中更快。

  • 把重要任务交给任何模型前,先用固定验收标准核对输出。

HY4 Flash 证据概览

证据结果可支持的判断主要限制
Plotly DataAnalyticsBench39/43;$0.13;单题中位 29 秒某一多轮数据分析环境中的表现私有题目;单次运行
腾讯 WorkIndex办公任务评估;称成本为 DeepSeek 1017 的八分之一腾讯设定的日常办公定位内部数据和厂商方法
WorkBuddy 盲测85 人、259 项任务、27 类;满意度接近 Claude Haiku 5.5特定产品条件下的偏好快照未披露差异范围,未独立复现
Reddit 广告算数作者称三款均算对;DeepSeek 7 秒、Flash 19 秒一项个人同题比较单次运行,无 Token 或原始日志

Plotly 称所有模型使用同一工具和评分规则,但数据为私有的合成风电场数据,每款只运行一次。HY4 得 42/43、$2.11、单题 117 秒。结果支持的是该测试下的成本和质量取舍,不能泛化为 Flash 永远快四倍或便宜十六倍。

失分说明了什么

Plotly 根据答案表逐题复核了四个失分:三个隐藏模式题要求模型主动发现未指出的数据异常;另一个是统计阈值题。这对数据分析任务有实际意义:普通算术正确,不保证能找到意外信号。

报告还称每题平均约调用 8 次、输出约 4,800 个 Token,88% 输入来自缓存。因此,$0.13 的整轮费用取决于该工具、缓存和服务商价格,不能当作每份分析报告的通用报价。

现有证据适合哪些工作

工作类型有证据支持的起点依赖前的检查
常规计算、文档抽取可做边界明确的小规模试用用固定答案核对
含糊问题处理Plotly 测试中报告 5/5用自有数据复测
隐藏模式或异常发现谨慎:Plotly 报告 2/5增加复核或第二个模型
长程软件工程腾讯建议使用 HY4验证完整工具流程和交付物
高频 Agent 调用低 API 单价可能有帮助比较实际用量、重试和成功任务

腾讯称解码速度超过 150 tokens/s,并称在指定 Max 推理档和峰时价格下,WorkIndex 单任务成本是 DeepSeek V4.1 Flash 1017 的八分之一。这些数字属于腾讯选定测试。Plotly 的独立结果披露了更多方法轮廓,但题目仍未开放。

发布周用户在问什么

一位 Reddit 用户问,HY4 Flash“does it pick the right tool or just guess”。这是问题而非失败记录,但指出了总分未必能回答的工具选择问题。另一位用户询问开放权重;腾讯公告说的是计划开源,并未说本地下载包已发布。查看讨论。

另一项 WorkBuddy 广告数据算数测试中,作者写道:“DeepSeek finished in 7s. Hy4 and GLM both showed 19s.” 作者称三款都算对,但未贴出 Token 使用量或原始输出,所以只能作为单次个人对比。查看原帖。

Reddit 帖子图片,展示 WorkBuddy 广告指标计算结果及 HY4 Flash 耗时
一项 Reddit WorkBuddy 对比。图片展示任务输出,不是模型账单或重复计时。

结论:先用于可验证的小任务

当工作重复、输出容易校验且 TokenHub 低单价重要时,HY4 Flash 值得小范围测试。Plotly 的隐藏模式失分说明开放式分析应增加复核。直接价格比较见HY4 Flash 与 DeepSeek V4.1 Flash,费率见价格页。

模型 API 不是浏览器本身。可查看HY4 Flash 模型资源、Tencent Hy4 浏览器工作流及DeepSeek V4.1 Flash 浏览器工作流。DeepSeek Harness 指南、飞书多维表格示例、Tabbit CLI 指南与首任务检查清单涵盖不同模型和浏览器路线。

Tabbit 浏览器已提供 Hy4 Flash。下载并打开 Tabbit,在对话的模型列表中选择 Hy4 Flash,即可开始使用。

Tabbit Browser

常见问题

HY4 Flash 在独立测试中表现如何?

Plotly 报告称,HY4 Flash 在其私有 DataAnalyticsBench 单次测试中得到 43 题中的 39 题,费用为 0.13 美元,单题中位耗时 29 秒。这是一次特定基准结果,不是通用成功率。

HY4 Flash 比 HY4 更好吗?

在 Plotly 的一次数据分析测试中不是:HY4 得 42/43,HY4 Flash 得 39/43。该次测试中 Flash 费用更低、速度更快,但不能据此推断所有工作负载。

HY4 Flash 已经开源了吗?

腾讯 11 月 16 日公告表示计划开源 HY4 Flash,但没有给出发布日期。计划本身不代表模型权重和许可证已可下载。

基准测试能证明工具调用很可靠吗?

Plotly 用多轮分析 Agent 和工具调用进行测试,但其私有基准无法证明其他客户端和流程中的工具选择可靠性。发布周的 Reddit 讨论中,有用户专门询问工具循环表现。

我可以在 Tabbit 里使用 HY4 Flash 吗?

Tabbit 浏览器已提供 Hy4 Flash。下载并打开 Tabbit,在对话的模型列表中选择 Hy4 Flash,即可开始使用。

下一步

让 Tabbit 与你并肩工作。

跨标签页调研、自动化重复的浏览器工作,让每一处上下文都触手可及。