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

Vals AI:Hy4 在 Vals Index v2.2 的跨领域结果

原始来源

Vals AI

作者Vals AI

Tabbit 整理2026-11-16

查看原文

一句话结论

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。

适用场景

  • 适合判断的任务:对照 Vals Index v2.2 中金融、编码、法律和税务工作任务,了解 Hy4 的相对表现、成本与耗时。

  • 不适合外推的任务:预测中文日常使用、未覆盖行业、特定产品配置或所有真实工作流的成功率;也不能与其他评测框架的总分直接横比。

  • 适用的模型版本:腾讯 Hy4 正式版;Vals 模型页列为 2026-11-04 发布、开放权重。结果不是 Hy4 Preview。

  • 测试环境或客户端:Vals AI 的 Vals Index v2.2 agent 评测。Hy4 模型页说明默认供应方为腾讯;发布说明称该次评测通过 OpenRouter 调用,成本按腾讯标价计算。不同子基准可能使用不同供应方和参数。

  • 推理档位和参数:模型页列出 temperature 0.9、top_p 1、top_k 默认、最大输出 65,536 tokens;未给出 Hy4 推理档位。页面提示部分子基准可能采用不同参数。

测评方法

Vals Index 于 2026-11-15 更新,版本为 v2.2。它先分别计算四个行业分数,再按其占美国 GDP 的比例加权:

金融 = 平均值(Finance Agent v2.1,EMB v1.1)
编码 = 平均值(Terminal-Bench 4.0,Vibe Code Bench v1.1,Code Migration v1.1)
法律 = 平均值(Legal Research Bench,HLAB-Vals-1.1)
税务 = Tax Agent Bench
Vals Index = (8.0 × 金融 + 5.6 × 编码 + 1.2 × 法律 + 0.5 × 税务) / 15.3

权重分别对应金融与保险约 8.0%、信息行业约 5.6%、法律服务约 1.2%、会计和报税服务约 0.5% 的美国 GDP 占比。这是 Vals 选择的经济影响代理指标,不是 AI 可替代 GDP 的估计。

Vals 说明,各分项直接沿用对应基准的独立公布分数及原评分方法。例外是 Code Migration v1.1:Index 用 50 项 CLI 迁移任务和全部 10 项 COBOL 任务组成固定子集,按 75%/25% 加权。Vals 称该子集对完整 v1.1 结果的 Spearman 相关系数为 0.99、平均绝对误差为 1.4 个百分点,模型名次变动不超过两位。各子基准的评分方式并不相同;有些使用自动验证或金标准,有些采用固定 LLM 评审,因此 Index 不是单一、完全不依赖评审模型的评分器。

公开方法页给出的测试样本量如下。这里的样本数是基准任务量,不是榜单模型数;Vals Index 页面没有披露 EMB、Vibe Code Bench v1.1 的确切测试题量。Code Migration 数量是 Index 子集,不是完整基准数量。

分项公开测试样本量或运行方式
Finance Agent v2.1测试集 449 题
EMB v1.1测试集 51 题;每题有 Template 与 Scratch 两种模式
Terminal-Bench 4.066 项任务;每个模型运行 3 次,报告三次均值
Vibe Code Bench v1.1页面未注明精确测试集题量;说明评测覆盖数百个应用规格
Code Migration v1.1Index 固定子集:50 项 CLI 迁移 + 10 项 COBOL 迁移;完整版本另含 120 项 CLI 迁移
Legal Research Bench测试集 208 题
HLAB-Vals-1.1120 项任务
Tax Agent Bench测试集 193 题

关键结果

  • 总榜:59.35%(±1.08 个百分点),17/38;单次 Index 测试成本 $1.72,耗时 51 分 31 秒,使用 17.49M tokens。

  • 金融:Vals Finance Index 58.05%(±1.50),17/41。Finance Agent v2.1 为 64.70%(±2.05),15/41;EMB v1.1 为 66.18%(±2.64),33/43。

  • 编码:Terminal-Bench 4.0 为 39.39%(±0.88),19/65;Vibe Code Bench v1.1 为 81.01%(±3.55),34/129。Hy4 模型页未单列其 Code Migration 分数。

  • 法律:Vals Legal Index 为 70.55%(±1.81),18/39;Legal Research Bench 为 41.35%(±3.42),35/95;HLAB-Vals-1.1 为 12.50%(±2.66),19/39。

  • 税务:Tax Agent Bench 为 34.40%(±3.30),20/86。

  • 运行规格:模型页列输入/输出价格为每百万 tokens $0.83/$2.50、上下文窗口 1M、最大输出 66K;榜单成本按腾讯标价。模型页的总体超时回退率为 0%、拒答率为 0.14%。

分项“名次/总模型数”是各基准榜单中模型的相对位置,不是任务样本量。误差项为页面标注的 ±1 标准误;不同基准的误差计算口径不应混为一谈。

原始数据

指标Hy4 结果当前页面口径
Vals Index v2.259.35% ±1.08;17/382026-11-15 榜单快照
Finance Agent v2.164.70% ±2.05;15/41模型页分项
EMB v1.166.18% ±2.64;33/43模型页分项
Terminal-Bench 4.039.39% ±0.88;19/65模型页分项
Vibe Code Bench v1.181.01% ±3.55;34/129模型页分项
Legal Research Bench41.35% ±3.42;35/95模型页分项
HLAB-Vals-1.112.50% ±2.66;19/39模型页分项
Tax Agent Bench34.40% ±3.30;20/86模型页分项
单次 Index 测试$1.72;51 分 31 秒;17.49M tokens2026-11-15 榜单快照;成本按腾讯标价

Vals Index 的更新记录还保留了 11 月 4 日首发时的旧榜单名次。本文使用 11 月 15 日动态榜单和当前 Hy4 模型页的排名,不混用旧更新中的 13/33 等历史名次。

结论与边界

该结果显示 Hy4 在 Vals Index 选定的任务集上得到中游总分,编码子项内部差异明显,法律分项也不能只看法律行业加权指数。四个行业的权重、任务覆盖和各子基准评分机制都会影响总分;GDP 权重只是 Vals 采用的代理口径。

固定规则让同一子基准下的模型结果可以按该基准方法比较,但这不等于各项评分都由确定性程序产生:EMB Scratch、Legal Research、HLAB 和 Tax Agent 的方法页披露了 LLM 评审参与。测试集也多为封闭集,公开榜单未提供 Hy4 的逐题输出。应把总分、分项、误差、成本和测试条件一起读,不能将单项高分或总名次解释为面向任意用户任务的保证。

复现说明

在 Tabbit 打开 Vals Index,记录 2026-11-15、v2.2 榜单中 Hy4 一行;从该行打开 Hy4 模型页,核对发布时间、分项分数、误差、名次、成本和推理参数。方法、任务数和样本划分按 Vals Index 及其链接的官方子基准说明记录。动态榜单可能更新;Vals 未公开全部测试集与逐题运行记录,本记录不声称独立重跑或逐题复算。

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Mercor APEX

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

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