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。
适合判断的任务:了解 Hy4 在 Artificial Analysis 所选英文为主的综合评测集上的相对表现,以及该平台按其 Index 任务计算的模型成本。
不适合外推的任务:预测中文任务、所有真实工作流的成功率,或把该分数解释为任意产品环境下的综合能力和性价比。
适用的模型版本:原帖称 Hy4,未注明具体服务端构建;当时为专有模型。模型页截至采集日标为 Tencent Hy4、2026 年 11 月发布。
测试环境或客户端:Artificial Analysis 自有评测集与执行流程;Index 含 Agent 式任务和工具调用任务。具体 Hy4 服务提供方及部署构建未在原帖注明。
推理档位和参数:Hy4 的推理档位、采样参数未注明;比较对象仅在原帖特别标出时保留其档位,如 Grok 4.7 (xhigh)、Claude Haiku 5.5 (max)。
Hy4 模型页 提供采集日快照。Intelligence Index 方法说明 解释了综合分的计算口径。
方法页当前写明 Intelligence Index v5.0.1 由九项评测构成,四个类别等权,各占 25%:知识工作、编码、科学、通用。九项评测及总分权重为:AA-Briefcase v1.1(15%)、AutomationBench-AA(5%)、GDP.pdf(5%)、FrontierCode-AA 2.0(15%)、Terminal-Bench 4.0(10%)、Terminal-Bench-Science 0.1(15%)、CritPt v2 Hard Subset(10%)、AA-Omniscience v1.1(15%)、HLE-Diamond(10%)。方法页说明 Index 以英文文本评测为主;部分项目也会给支持图像输入的模型图片题。多语、语音和视觉能力另行评测。
该方法页当前披露的题量和重复次数分别为:AA-Briefcase 91 个任务、1 次;AutomationBench-AA 657 个任务、1 次;GDP.pdf 100 题、5 次;FrontierCode-AA 2.0 132 题、3 次;Terminal-Bench 4.0 66 题、3 次;Terminal-Bench-Science 70 题、3 次;CritPt v2 Hard Subset 40 题、5 次;AA-Omniscience v1.1 3,000 题、1 次;HLE-Diamond 1,000 题、1 次。各项目评分方式不同,包含成对比较、评分规程、自动测试或答案核验。上述是采集时方法页的 v5.0.1 说明;原帖只标 v5,不能确认其精确子版本和每项执行参数完全相同。
综合分与比较:Hy4 得 35,与 Grok 4.7 (xhigh) 持平;比 Claude Haiku 5.5 (max) 的 36 低 1 分。原帖称其为中国 AI 实验室模型第二名,低于 Kimi K3.1 Pro 的 46。
编码:FrontierCode 2.0 得 31%,Claude Fable 5.1 (max) 为 32%,DeepSeek V4.1 Flash 1017 (max) 为 28%,Kimi K3.1 Pro 为 25%。Terminal-Bench 4.0 得 37%,原帖称在中国 AI 实验室模型中排名第四。
知识与通用推理:AA-Omniscience v1.1 准确率 50%,比 Kimi K3.1 Pro 高 1 个百分点;Hy4 幻觉率 89%,Kimi 为 37%。HLE-Diamond 得 33%,Kimi 为 37%。准确率优势不代表回答可靠性占优,幻觉率需一并考虑。
原帖成本:每次 Intelligence Index 任务成本为 $0.78。按原帖比较,Hy4 得分 35,比同为 35 分的 Grok 4.7 (xhigh) 便宜 10 倍;比 34 分的 Qwen3.8 Max (0902) 便宜 13 倍;但成本接近 Claude Haiku 5.5 (max) 的两倍。原帖还报告输入/输出价格为每百万 token $0.834/$2.501,缓存读取为 $0.042。
规格:上下文窗口 1M tokens;文本和图像输入、文本输出。
采集日模型页快照:模型页显示 v5.0.1、Index 得分 35、每项 Index 任务成本 $1.03,并显示输入/输出价格约 $0.83/$2.50 每百万 tokens。该页的当前成本数字高于 11 月 5 日帖子报告值;页面未在所见内容中给出可与原帖对齐的历史成本快照或差异解释。
| 指标 | Hy4 | 对照 | 来源口径 |
|---|---|---|---|
| Intelligence Index | 35(原帖称 v5) | Grok 4.7 (xhigh) 35;Claude Haiku 5.5 (max) 36;Kimi K3.1 Pro 46 | 2026-11-05 X 帖 |
| FrontierCode 2.0 | 31% | Claude Fable 5.1 (max) 32%;DeepSeek V4.1 Flash 1017 (max) 28%;Kimi K3.1 Pro 25% | 2026-11-05 X 帖 |
| Terminal-Bench 4.0 | 37% | 中国 AI 实验室模型中第 4 | 2026-11-05 X 帖 |
| AA-Omniscience v1.1 | 准确率 50%;幻觉率 89% | Kimi K3.1 Pro:准确率 49%;幻觉率 37% | 2026-11-05 X 帖 |
| HLE-Diamond | 33% | Kimi K3.1 Pro 37% | 2026-11-05 X 帖 |
| 每项 Index 任务成本 | $0.78 | Grok 4.7 (xhigh) 同分约为 Hy4 的 10 倍;Qwen3.8 Max (0902) 高 13 倍;Claude Haiku 5.5 (max) 约为 Hy4 的一半 | 2026-11-05 X 帖;为原帖比较表述 |
| 每项 Index 任务成本(后续页面快照) | $1.03 | — | Artificial Analysis 模型页,2026-11-16 采集 |
| API 价格 | 输入 $0.834/M;输出 $2.501/M;缓存读取 $0.042/M | — | 2026-11-05 X 帖;M 为百万 tokens |
X 串文回复分别重申 FrontierCode 2.0 得分、AA-Omniscience 与 HLE-Diamond 数据、每项任务成本,并指向 Hy4 模型页查看各项评测分解。原帖同时提到 100 万上下文和多模态规格。模型页截至采集日列为 Index v5.0.1,得分仍为 35;其成本数字与原帖不同,应按各自日期和页面口径引用。
这组数据适用于描述 Artificial Analysis 的综合评测快照。Index 以英文任务为主、由九项异质评测加权得出;分数无法代表所有语言、应用或 Agent 环境。虽然 Hy4 在 AA-Omniscience 的准确率高于所列 Kimi 对照,其 89% 幻觉率明显更高;不应只引用准确率。成本对比取决于评测任务、实际 token 用量、价格表和页面快照。原帖的 $0.78 与采集日模型页的 $1.03 有差异,公开页面未给出两值之间的变更说明,因此不要据此断言同一条件下成本上涨或任选一个值代表当前通用使用成本。公开内容也未提供逐题输出与完整运行日志,本文记录平台报告,不构成独立复算。
在 Tabbit 打开并展开 Artificial Analysis 2026-11-05 X 原帖,核对原文及串文回复;再查看 Hy4 模型页和 Intelligence Index 方法页,记录 2026-11-16 页面所示的版本、分数、成本与评测结构。模型页及方法页为动态内容,复查时需另记日期。Artificial Analysis 未公开可用于逐题复算 Hy4 总分和成本的完整输出,本记录不声称重跑评测。
Hy4