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。
适合判断的任务:初步比较三款模型在该组代码、网页、视觉推理、中文创作、设计和三维作品任务上的表现与用量。
不适合外推的任务:其他模型版本、客户端或工具配置;实际价格、所有用户任务的成功率;未公开题目上的普遍能力排名。
适用的模型版本:混元 Hy4、DeepSeek V4.1 Flash 1017(文中简称 DS)、Qwen4;未注明具体服务端构建或权重版本。
测试环境或客户端:Hy4 通过腾讯混元接口,DS 通过 WorkBuddy,Qwen4 直连接口。作者称题目一致,禁止联网和使用工具。
推理档位和参数:未注明。
作者称测试于 2026 年 11 月 7—9 日进行,共 18 项,覆盖代码、网页、看图、长文、推理、设计、中文创作和三维作品;大部分题目每款模型做 3 次。总计约 1.2 亿 token,包含 Claude 与 Codex 的评判用量。
评分方式包括代码隐藏测试、网页脚本检查、以及打乱编号后的写作和设计盲评。三维作品由 Codex 单独按题目要求、截图和画面打 0—10 分,评委能看到模型归属。通常只计写完后的结果;首轮未完成的允许续写,打不开的作品允许修复一次并单独统计。数学题限时 20 分钟,超时或未完成均算错。作者称 token 用量统计包含思考,按题取中位数,续写合并计算,总量含补跑、续写和修复。
推理:18 道迷宫题,Hy4 为 6、DS 为 1、Qwen4 为 15;18 次双机器人网格路线规划,分别为 15、17、18。34 道研究级数学题各做 3 次,共 102 次、每题限时 20 分钟,正确数分别为 10、8、16。
设计与文案:海报、落地页和应用首页的盲评综合分,Hy4 5.70、DS 8.00、Qwen4 7.07;小红书种草笔记分别为 4.00、8.33、6.00。正文未注明这些分数的量表范围或逐题方差。设计题每款每题 3 次,3 位评委对 9 份作品打分。
代码与网页:3 个小项目的得分分别为 310、306、305(满分 312);4 个网页项目三款均满分。248 行代码重构任务用 401 个隐藏测试;Hy4 3 次均通过,Qwen4 与 Hy4 并列全对,DS 有 1 次改坏免运费逻辑。
输出用量:作者汇总的全部测试输出 token 为 Hy4 1,773 万、DS 3,320 万、Qwen4 857 万。网页任务分别约 4.2 万、6.4 万、1.5 万。作者称这些量包括思考与续写,但不是价格对比。
数学完成情况:102 次作答中,Hy4 在 20 分钟内写完 42 次、答对 10 次,另 59 次超时、1 次被内容过滤;DS 写完 65 次、答对 8 次;Qwen4 写完 94 次、答对 16 次。题目来自 MathArena 整理的 2026 年 9 月新发 arXiv 论文,需给出精确数值或集合,没有过程分。
三维作品:两道大题,每款共 6 件作品。首次可运行数量:Hy4 2 件正常、1 件部分可用,DS 5/6,Qwen4 2/6;可运行作品的平均质量分为 6.0、6.4、7.1。Qwen4 的 4 件不可运行作品经一次修复后均可运行;Hy4 修复后有 1 件仍部分可用。
| 任务 | 分母或评判方式 | Hy4 | DS | Qwen4 |
|---|---|---|---|---|
| 迷宫最短路 | 18 题;数最短路径步数 | 6 | 1 | 15 |
| 双机器人网格规划 | 18 次;程序模拟检查 | 15 | 17 | 18 |
| 论文数学题 | 34 题 × 3 次;20 分钟上限 | 10/102 | 8/102 | 16/102 |
| 小项目 | 3 个项目;隐藏测试;满分 312 | 310 | 306 | 305 |
| 网页 | 4 个网页项目;逐项脚本检查 | 全部满分 | 全部满分 | 全部满分 |
| 三维作品首次可运行 | 6 件;两道题各 3 次 | 2 件正常,1 件部分可用 | 5/6 | 2/6 |
| 全部测试输出 token | 作者汇总;含续写等 | 1,773 万 | 3,320 万 | 857 万 |
表中原始数值来自作者长文。正文虽说明测试和计分规则,但没有公开逐题提示词、全部输出、隐藏测试、完整原始评分表或复算材料;部分总成绩表以图片呈现,无法从可读正文核对全部单元格。
这是一份个人组织的跨平台同题实测,包含明确任务、若干样本分母和多种评分方式,适合作为任务选择的线索。平台与接口不同,具体模型版本、推理参数和完整运行配置未披露;计时明确受平台影响。作者认为 token 数“不受平台影响”,但未提供各接口对思考 token 的计数口径或可复核日志,因此总 token 只能视为作者报告值,不能直接当作跨服务成本。设计样本较少,盲评分数缺少量表和离散度;三维评分只有一位知晓模型身份的评委。数学题正确数以 102 次尝试为分母,且时间限制影响完成率,不应解读为一般数学能力分数。报告没有比较价格。
在 Tabbit 打开作者 X 原帖,核对帖文内嵌长文正文、日期、任务说明和结果。原帖所链接的规范长文地址为 https://x.com/servasyy_ai/article/2120095290728522127,本次直接访问时 X 返回限流;未尝试绕过访问限制。公开正文中提到的部分成绩表为图片,底层提示词和记录未公开,因此仅复核了可见文本,不是独立复测。
Hy4