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
媒体Hy4

Mercor APEX-Agents 专业任务基准:Hy4 High 得分快照

原始来源

Mercor APEX

作者未注明

Tabbit 整理2026-11-16

查看原文

一句话结论

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。

适用场景

  • 适合判断的任务:跨应用完成投资银行分析、管理咨询和公司法务工作流的 Agent 能力。

  • 不适合外推的任务:单轮问答、纯模型能力、其他工具环境下的成功率,以及通用 API 使用成本。

  • 适用的模型版本:榜单仅标为 Hy4、推理档位 High;未注明具体服务端构建或权重版本。

  • 测试环境或客户端:Mercor APEX-Agents 1.1 与 Archipelago 执行环境;参考 Agent 是基于 LiteLLM 的 MCP 工具调用循环。榜单未说明 Hy4 的具体服务提供方。

  • 推理档位和参数:High;Hy4 的采样参数和额外推理设置未注明。

测评方法

APEX-Agents 测试模型驱动的 Agent 能否在多应用环境中完成长时程任务。三个工作领域分别为投资银行分析、管理咨询和公司法务。榜单页称当前基准包含 31 个 world、240 个任务与评分规程;APEX-Agents 1.1 更新说明称每个领域选取并审查了 80 个任务。

每项任务由领域专家设计,包含项目文件、工具和应用环境。输出按专家编写的 rubric 评分,并由语言模型裁判评估。2026-09-08 发布的 1.1 版更新说明介绍了处理含糊任务和“撒网式”多答案作答的任务审查、裁判更新及系统提示调整。更新说明称裁判使用 DeepSeek-v4-Flash-0731(temperature 0.1)作为基线,并用 1,407 条 rubric 标注优化提示词。该配置用于基准裁判。

官方参考 Agent 的 GitHub 说明:工具输出截断至 200 行或 32K 字符,每次运行默认最多 100 步、超时 10,800 秒,并称与榜单运行设置一致。复现可使用 Harbor 和公开数据;完整任务集仍有未公开部分。

指标口径:

  • Pass@1:单次运行中 rubric 全部通过的任务占比。

  • Mean Score:所有任务中通过 rubric 标准的平均比例;榜单主要排序指标。

关键结果

  • Pass@1:Hy4 High 77.6% ±4.5%。

  • Mean Score:Hy4 High 85.1% ±3.6%。

  • 榜单页面没有说明上述 ± 区间的统计定义;本文保留页面原值,不将其解释为置信区间。

  • 榜单没有披露 Hy4 的 token 用量、单任务或成功任务成本、API 价格,无法据此比较性价比。

  • 榜单提供的投资银行分析示例任务要求制作 LBO 敏感性表,找出增长率、获客成本、研发成本、债务成本及 EBITDA 倍数变化到 IRR 低于 20% 的临界点。示例页展示的是 Gemini 4 Carbon 样例,不是 Hy4 的逐题结果。

原始数据

榜单快照榜单名称模型与档位Pass@1Mean Score成本
2026-11-16 采集APEX-AgentsHy4 High77.6% ±4.5%85.1% ±3.6%未披露

榜单为动态页面,未显示该行的独立更新时间;日期表示本文采集时页面所示数值,不表示 Mercor 声明的评测完成日。

结论与边界

该结果适合比较 Hy4 在 Mercor 专业任务 Agent 基准中的表现。分数来自 Agent 与工具、文件及应用环境的协同运行,不是脱离执行框架的模型单测。公开方法可说明任务领域、评分方式和部分运行设置,但完整任务集、Hy4 逐题轨迹、服务端版本、详细采样参数和运行成本均未在所见材料中披露。不能把榜单分数外推为所有真实工作场景的完成率,也不能与使用不同任务集或 Agent harness 的结果直接比较。

复现说明

本记录于 2026-11-16 在 Tabbit 查看 Mercor APEX-Agents 榜单,分别切换 Pass@1 与 Mean Score,记录 Hy4 High 行。方法细节参照 APEX-Agents 1.1 更新说明、官方参考 Agent 与运行说明、Hugging Face 数据集 和 投资银行分析样例页。APEX-Agents 研究论文发表于 2026-01,早于 1.1 更新,本文不以论文初版样本和分数替代当前榜单口径。

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

在 Tabbit 中使用并对比模型

Hy4

相关测评

官方腾讯混元官网「研究」2026-11-04

腾讯混元官方:Hy4 正式版发布与评测数据

媒体Vals AI

Vals AI:Hy4 在 Vals Index v2.2 的跨领域结果

媒体Plotly 官方博客2026-11-04

Plotly:混元 Hy4 数据分析任务测评

媒体腾讯云开发者社区2026-11-07

腾讯云开发者社区 Hy4 上手实测:多任务表现与证据边界

Hy4

相关提示词与案例

官方腾讯云大模型服务平台 TokenHub 文档

腾讯云 TokenHub:Hy4 正式版模型 ID 与推理、多模态参数

官方OpenRouter 模型页及 API 配置面板

OpenRouter:Hy4 正式版模型调用与路由配置

官方OpenClaw 文档

在 OpenClaw 中显式选择腾讯混元 Hy4 正式版

官方腾讯云 TokenHub 文档

在 OpenCode 中接入腾讯云 Hy4