Tabbit
活动资源博客模型
Tabbit LogoTabbit

Tabbit — 为你工作的 AI 浏览器

主题资源

  • 浏览器排行榜
  • AI 浏览器指南
  • 浏览器对比
  • 浏览器测评
  • 浏览器替代方案
  • 浏览器专题目录
  • Agentic 浏览器
  • 下载与安装
  • 浏览器效率
  • SillyTavern 模型指南

热门指南

  • Best Browsers 2026: Top 10 Ranked & Compared
  • Best Free AI Browsers 2026: Plans & Prices Compared
  • Rabbit Browser: What It Is & Why Tabbit Is Better
  • Firefox vs Chrome 2026: Privacy, RAM & Speed Compared
  • Best Lightweight Browsers 2026: 7 Tested for RAM & Speed
  • AI Browser List 2026: 10 Browsers Compared
  • Neobrowser: Norton Neo, Download & Alternatives
  • Edge vs Chrome 2026: Speed, RAM & Battery Tested
  • Best Internet Browser for Android 2026
  • Best AI Browser 2026: Top 9 Tested & Ranked

活动

  • 别装了,你在《牛来》里早有原型
  • Tabbit 妙招大赛
  • KPOP SBTI 饭圈人格测试
  • Tabbit 校园共创者计划
  • fifi 的论文文献妙招精选
  • 用户问卷

关于

  • Tabbit 博客
  • 媒体报道
简体中文
简体中文English
测评
官方Hy4 Flash

腾讯混元 Hy4 Flash:官方基准与 WorkBuddy 盲测

原始来源

腾讯混元研究

作者未注明

原文日期2026-11-16

Tabbit 整理2026-11-16

查看原文

一句话结论

腾讯把内部 WorkIndex 基准、WorkBuddy 用户盲测和若干产品团队案例分别呈现。官方数据支持 Hy4 Flash 在这几组特定日常工作测试中成本较低、完成较快;它们不是独立复测,也不能代表所有任务。

适用场景

  • 适合判断的任务:腾讯披露的办公类基准、内部用户盲测,以及其列明的公开 Agent 和多模态基准。

  • 不适合外推的任务:未披露环境或工具链的任务、所有用户和业务场景、长程软件工程整体能力,以及与不同 harness 或定价时段直接比较。

  • 适用的模型版本:Hy4 Flash;对照项按附录原名列出。

  • 测试环境或客户端:内部 WorkIndex 的各项测试使用 WorkBuddy CLI;用户盲测由 85 位 WorkBuddy 内部用户完成。公开基准使用的环境因项目而异,见方法说明。

  • 推理档位和参数:附录称各模型均报告其可用的最高推理设置;具体 API 参数、采样参数、模型 revision 未注明。

测评方法

WorkIndex 内部基准

腾讯称 WorkIndex 是基于 WorkBuddy 典型任务构建的内部评测集,包含 8 项:PPT 制作、PPT 修改、PPT 人机双写、Markdown 人机双写、文档编辑、表格修复、音视频处理、视觉理解。附录将其对应为 PPTGenBench、PPTCoEditBench、PPTFixBench、MdCoEditBench、WordEditBench、ExcelFixBench、AudioVideoBench 和 BuddyVQA Atlas。

附录表格同时列出 7 个模型的分数及每任务成本(人民币)。原图没有解释分数的具体量表;下表照录,不据此解释为百分比。成本基于各模型官方 API 价格和测试用量计算。

Open Benchmarks 与多模态项

正文将 7 个 Open Benchmarks 列为 DeepSWE、ProgramBench、Terminal-Bench 4.0、APEX-Agents、AutomationBench、HLE、OSWorld 2.1;附录另列 2 个 Multimodal 项。它们与 WorkIndex 是不同集合,不应合并解释成同一办公基准。

WorkBuddy 用户盲测

正文称邀请 85 位 WorkBuddy 内部用户,在 27 类、共 259 个日常工作任务上进行盲测。结果图公布 4 个模型的用户满意度(4 分制)、端到端时长中位数和单任务成本。页面未披露任务分配、盲测随机化和盲法细节、各模型调用参数、评分者人数、离散程度或显著性检验。

关键结果

盲测结果(腾讯公布)

模型用户满意度(4 分制)端到端时长中位数单任务成本
DeepSeek-V4.1-Flash-10173.0910.3 分钟¥1.20
Hy4 Flash2.796.7 分钟¥0.26
Claude Haiku 5.52.816.8 分钟¥4.73
GLM-5.3-Flash2.537.6 分钟¥0.81

图注称外部模型 DeepSeek、Claude Haiku、GLM 均使用 high 档。Hy4 Flash 的满意度比 Claude Haiku 5.5 低 0.02 分,时长少 0.1 分钟;图中成本为 Claude 的约 1/18、DeepSeek 的约 1/4.6、GLM 的约 1/3.1。该图没有给出误差范围,不能据此判断满意度差异是否显著。

WorkIndex:内部基准分数 / 每任务成本

每格格式为“分数 / ¥每任务”;“—”表示原附录未提供数据。

基准Hy4 FlashHy4Hy4 previewDeepSeek-V4.1-Flash-1017Qwen3.8-Flash-NextGLM-5.3-FlashGPT-6 Luna
PPTGenBench54.2 / 0.16961.5 / 3.96952.3 / 3.48464.4 / 1.67256.0 / 0.83053.6 / 1.46056.8 / 0.753
PPTCoEditBench74.0 / 0.10578.9 / 1.71471.5 / 1.71176.8 / 0.45962.9 / 0.21367.3 / 0.48943.5 / 0.303
PPTFixBench23.7 / 0.25345.6 / 15.40023.8 / 4.16045.3 / 1.67223.9 / 0.87528.6 / 2.5178.6 / 1.360
MdCoEditBench56.9 / 0.05757.7 / 0.89949.2 / 0.68129.2 / 0.19453.8 / 0.08032.3 / 0.13353.1 / 0.120
WordEditBench46.2 / 0.62957.2 / 10.30444.2 / 5.72553.5 / 2.23746.3 / 1.43047.6 / 2.84042.7 / 1.360
ExcelFixBench15.6 / 0.31027.8 / 6.12011.7 / 4.11020.0 / 1.51812.8 / 1.1559.9 / 2.8796.7 / 0.800
AudioVideoBench17.8 / 0.34427.4 / 7.29016.3 / 6.03022.2 / 5.33017.8 / 1.29011.9 / 3.37010.0 / 2.304
BuddyVQA Atlas(without tools)48.5 / 0.00755.5 / 0.180—43.7 / 0.05954.5 / 0.01250.1 / 0.01951.6 / 0.016

Open Agent Benchmark 与多模态

基准Hy4 FlashHy4Hy4 previewDeepSeek-V4.1-Flash-1017Qwen3.8-Flash-NextGLM-5.3-FlashGPT-6 Luna
DeepSWE v1.164.6 / 0.29074.9 / 5.40964.3 / 8.95173.8 / 1.30465.1 / 3.25167.8 / 3.23067.1 / 1.535
ProgramBench(almost solved)16.0 / 0.56130.0 / 30.28117.5 / 107.06329.0 / 9.21422.0 / 18.43213.0 / 17.9596.0 / 1.024
Terminal-Bench 4.019.2 / 0.55844.4 / 12.01426.3 / 18.01540.0 / 3.88229.5 / 5.10035.4 / 5.59713.3 / 2.199
APEX-Agents v1.1(pass@1)63.1 / 0.08775.2 / 3.10453.9 / 2.12372.9 / 1.46557.6 / 0.34951.5 / 0.48544.7 / 0.188
AutomationBench v1.0.652.2 / 0.03856.2 / 0.90836.3 / 0.42454.3 / 0.62049.3 / 0.07548.4 / 0.10438.1 / 0.137
HLE-Full(with tools)55.2 / 0.06059.1 / 2.300—57.1 / 0.65754.1 / 0.27552.2 / 0.61649.7 / 0.142
OSWorld 2.1(Full, partial score)68.1 / 0.45178.9 / 5.992—68.4 / 2.07358.8 / 2.64464.0 / 3.80355.7 / 4.960
Multimodal:MMMU-Pro75.8 / 0.01078.6 / 0.197—76.7 / 0.07677.2 / 0.01577.0 / 0.01377.5 / 0.017
Multimodal:ZeroBench-main(with tools, pass@5)45.8 / 0.07755.4 / 1.389—16.5 / 0.09541.7 / 0.15935.3 / 1.86133.6 / 0.327

原始数据

附录注明的环境与任务定义

  • 统一设置:各模型取其可用的最高推理设置。内部 Buddy Index 全部使用 WorkBuddy CLI。

  • DeepSWE v1.1:mini-SWE-agent;每项任务在 8 CPU 核、16 GB 内存沙箱运行。

  • ProgramBench:以 mini-SWE-agent 报告 Almost Solved 分数。

  • Terminal-Bench 4.0:Claude Code harness;每次试验最多 500 轮、13 小时;16 CPU、32 GB RAM;3 个依赖 GPU 的任务各配 1 张 H100。

  • APEX-Agents v1.1:官方参考 Agent harness(Loop),每次最多 250 步;官方双服务 main + world 环境限制为 8 CPU、24 GB RAM,单独 verifier 容器限制为 2 CPU、8 GB RAM。

  • AutomationBench v1.0.6:Zapier 发布的 600 个公开任务,按官方方法评测。

  • PPTGenBench:文本生成 PPT;结合总体审美评估和关键错误惩罚,使用 LibreOffice 将 PPT 渲染为 PDF。

  • PPTCoEditBench:100 项真实 PPT 编辑任务,检查按要求修改且没有重叠形状、悬挂动画等附带损坏;包含在 WorkBuddy 编辑器内选择内容的任务。当前为单轮,多轮仍在开发。

  • PPTFixBench:50 项任务;每项提供含 25 个以上格式或内容问题的 PPT 文件,要求模型自行识别并修复。

  • MdCoEditBench:65 项 Markdown 协同编辑任务,覆盖结构调整、局部编辑、续写、选区意图理解、用户编辑感知、反馈泛化、编辑冲突和版本回滚;在 WorkBuddy 编辑器中评测。

  • WordEditBench:100 项真实 Word(.docx)编辑任务,包含错误修复、跨文档格式、定向编辑、论文格式四类;按文档 XML 的规则检查器计分,奖励所需改动并惩罚无关改动。

  • ExcelFixBench:60 项真实表格修复任务,检查公式、数据和格式问题修复及无关内容保留;在沙箱编辑,每项按任务 rubric 评分,平均 3 次试验。

  • AudioVideoBench:容器化端到端音视频制作任务,涵盖剪辑、合成、修复、重构画幅、混音、转写和内容理解。

  • BuddyVQA Atlas:图像问答,涵盖识别、计数、比较、OCR、空间方向和定位,重点是小字、细线、局部目标等整图直接回答容易失败的情况。

  • ZeroBench-main:网络隔离的 Jupyter 环境,以图像输出作为工具接口;每轮最多 80 次工具调用;每题独立运行 10 次估算 pass@5。

  • 视觉基准补充说明:原附录注明,对需要视觉能力的基准,在绘图时用 Hy4 Flash 结果代表 Hy4 preview。

成本口径

附录称按各模型官方 API 价格计算成本,并以固定汇率 1 USD = 7.2 CNY 换算。对有折扣或分时价格的模型,使用固定价格(每百万 Token,输入缓存未命中 / 输入缓存命中 / 输出):DeepSeek-V4.1-Flash-1017 为 ¥2 / ¥0.04 / ¥8(峰时价格);GLM-5.3-Flash 为 ¥0.8 / ¥0.23 / ¥2.8(标准 API 价格)。Hy4 Flash 发布页另列 API 价格:输入缓存命中 ¥0.02、输入 ¥0.5、输出 ¥2 / 百万 Token;Hy4 对应 ¥0.3、¥6、¥18。

成本不是独立运行的计费审计;公开材料未给出各模型完整输入/输出 Token 数、各基准任务权重及所有模型价格快照,因此不能仅凭成本表完全重算结果。

WorkIndex 汇总成本的页面表述

正文称 WorkIndex 单任务成本约为 Hy4 preview 的 1/13、Hy4 的 1/20、DeepSeek-V4.1-Flash-1017(max 档、忙时价格)的 1/8。成本图标注 Hy4 Flash 约 ¥0.2/任务、Hy4 preview 约 ¥3.2/任务、Hy4 约 ¥5.7/任务,并标示前者分别便宜 13.8× 和 24.5×。正文比例与图中倍数并不完全一致;页面没有给出汇总权重或未四舍五入数值,故保留两处原始表述,不自行合并或推导单一比例。

正文另有 WorkBuddy 对 Hy4 的产品侧评测:平均任务时长减少 70%、平均成本约为 Hy4 的 1/15、日常任务效果基本持平,Coding 长程任务略有下降。页面没有说明它与 WorkIndex 或 259 项盲测之间的任务重合、样本量和计算方法,不能视为同一实验。

结论与边界

  • 盲测表明,在腾讯披露的 259 项内部日常任务中,Hy4 Flash 的中位完成时间和单任务成本最低;满意度为 2.79/4,接近 Claude Haiku 5.5 的 2.81/4。未公开方差和盲法细节,不能判断小幅满意度差距的统计意义。

  • 附录的分项结果并非全面领先:Hy4 Flash 在多个 WorkIndex 项目和公开基准中低于 Hy4 或其他模型,说明“性价比”主张不能转述为总体能力领先。

  • WorkIndex 是腾讯内部集合,WorkBuddy 盲测是另一组真实使用任务,产品团队案例又是各业务自有场景;三者不可混称为同一评测。

  • 表中各公开基准的 harness、资源限制和计分方法不同,成本还受价格口径影响。跨基准横向对照仅代表腾讯公布的这一快照,不等于统一条件下的第三方复测。

  • 此文是厂商原始披露的记录,未独立复现。任务集、原始输出、完整评分 rubric、各任务 token 用量和复测脚本均未在该页公开。

复现说明

可按原页所列基准名称、harness、资源限制和最高推理设置设计复测,但仅凭该页无法精确复现:WorkIndex 任务集及完整评分规则未公开;盲测任务分布和随机化细节未公开;多数模型的具体 API 版本与请求参数未注明;成本计算所需的任务级 Token 用量和全部价格快照未公开。复测应把上述差异作为独立记录,不直接拿新结果替换原图。

Tabbit 小编提醒

本文是第三方资料导航。测试环境、模型版本和主观体验可能不同,请以原文为准。

Hy4 Flash

在 Tabbit 中使用并对比模型

Hy4 Flash

相关测评

媒体Plotly2026-11-16

Tencent Hy4 Flash:Plotly 数据分析基准结果

媒体爱范儿 / APPSO2026-11-16

爱范儿 WorkBuddy 实测:Hy4 Flash 的 3D 原型与办公任务

社区Reddit,r/LocalLLM2026-11-16

Reddit WorkBuddy 广告指标同题对比:三款模型都算对,Hy4 Flash 单价较低

社区智东西2026-11-16

智东西实测 Hy4 Flash:前端原型、3D 创作与 Blender 跨工具任务

Hy4 Flash

相关提示词与案例

官方OpenRouter

OpenRouter 调用 Tencent Hy4 flash 的 API 配置

官方腾讯云 TokenHub2026-11-16

腾讯云 TokenHub:Hy4-Flash 推理与 API 参数

官方OpenClaw 文档

OpenClaw 配置 Tencent Hy4-Flash 提供方

官方OpenCode Console

在 OpenCode Console 中使用 Hy4 flash Free