Hy4 模型测评导航
汇总 Hy4 的官方基准、媒体分析和社区实测,不把第三方观点包装成 Tabbit 自测。
官方
1 条已核对来源的资料媒体
5 条已核对来源的资料Mercor APEX-Agents 专业任务基准:Hy4 High 得分快照
截至 2026-11-16,Mercor 的 APEX-Agents 榜单列出 Hy4 High:Pass@1 为 77.6% ±4.5%,Mean Score 为 85.1% ±3.6%。这是 Hy4 在 APEX-Agents 1.1 专业多步骤 Agent 任务上的榜单快照,不代表通用模型能力;榜单未披露 Hy4 运行成本。
Vals AI:Hy4 在 Vals Index v2.2 的跨领域结果
Vals AI 的 2026-11-15 榜单将腾讯 Hy4(11 月 4 日发布的正式版)列为 59.35%,总榜 17/38。它在编码、金融、财务建模和税务基准之间表现不均;这是 GDP 加权的特定任务集合结果,不代表一般用途的综合能力。
Plotly:混元 Hy4 数据分析任务测评
Plotly 报告 Hy4 在其数据分析测评中答对 42/43 题(98%),按总分与 Grok 4.7、Kimi K3.1 Pro 并列;只有 GPT-6.1 Sol 和 GPT-6 Astra 的 43/43 更高。Hy4 完成整套测评花费 $2.11,是该榜单中所有至少答对 42 题的模型里成本最低者,但每题中位耗时 117 秒,测评总时长接近三小时。
腾讯云开发者社区 Hy4 上手实测:多任务表现与证据边界
这是一份覆盖编码、视觉推理、策划和设计的 WorkBuddy 实测记录,给出了若干任务输入、耗时和具体失误;但缺少模型与客户端配置、完整运行轨迹和统一评分口径,足以了解作者体验,不足以复现测试或证明 Hy4 对其他模型普遍占优。
腾讯云开发者社区:Hy4 正式版图像与 3D 生成体验
作者以图像生成和两类 3D 场景描述 Hy4 正式版的实际体验:工业厂房生成较完整但耗时、细节与审美一般;沙盒游戏的视觉风格鲜明,但机制展示不及 DeepSeek V4.1 Flash 完整。文章没有提供可复现的输入和运行配置,结论只代表作者对这些样例的观察。
社区
6 条已核对来源的资料Arena Agent Arena 真实会话测评:Hy4 净提升 +5.4%,每任务中位成本 $0.57
Arena 于 11 月 6 日称,Hy4 在其真实用户 Agent 会话评测中以超过 12K 个会话取得 +5.4% 净提升,每任务中位成本为 $0.57。该数据反映 Agent Arena 所覆盖的真实任务和运行环境,不等于通用能力分或所有任务的成功率。
Artificial Analysis:Hy4 Intelligence Index v5 与评测成本
Artificial Analysis 于 11 月 5 日报告 Hy4 在 Intelligence Index v5 得分 35,并列举代理编码、知识问答与评测成本结果。该帖没有说明更细的 v5 子版本;截至 11 月 16 日,方法页和模型页显示的版本为 v5.0.1,模型页仍列 35 分,但每项 Index 任务成本显示为 $1.03,与原帖的 $0.78 不同。两者属于不同页面快照,不能合并成同一成本数据。
三模型同题实测:Hy4、DeepSeek V4.1 Flash 与 Qwen4
作者报告了 18 项同题测试:Hy4 在小项目、部分中文写作和精读任务领先;DeepSeek V4.1 Flash 在设计与种草文案评分领先;Qwen4 在迷宫、网格路线规划和研究级数学题正确数领先,报告的输出 token 总量也最低。结果只适用于作者披露的题目和调用环境,不能代表通用排名。
Marcel:Hy4 与 GPT 6.1 Terra 单文件 3D 城堡对比
作者称 Hy4(max)用约 6 分钟、约 0.03 美元完成任务,GPT 6.1 Terra(max)约用 16 分钟、约 0.44 美元;作者认为 Hy4 更快、更便宜,但 3D 编码质量仍不及 Sonnet 5.5 和 DeepSeek Flash 1017。时间和费用均为作者估算,帖子没有公布可复核的完整提示词或计量方法。
Leo:Hy4 与 DeepSeek v4.1 Flash 网页沙盒游戏对比
作者称用同一提示词分别生成网页《我的世界》风格沙盒游戏,Hy4 版本无法识别鼠标且方向操作相反;他认为本次结果明显落后于 DeepSeek v4.1 Flash。原帖视频可见两种游戏画面,但没有公开可复核的运行环境或操作测试记录。
雪瑜:Hy4 正式版与预览版同题鹈鹕动效对比
作者称以相同提示词比较 Hy4 正式版与 8 月 31 日测试的 Hy4 Preview,认为正式版的蹬车动作和脚部位置更准确,但嘴部和墨镜表现不理想。原帖标有 19 秒视频,采集时未能核验画面,也未看到完整提示词。
Hy4
在 Tabbit 中使用并对比模型
汇总 Hy4 的官方基准、媒体分析和社区实测,不把第三方观点包装成 Tabbit 自测。