Hy4 正式版：一句「最强开源模型」，四种口径，和一张写满星号的 Bench 表
2026-11-04 12:43，腾讯混元发出 Hy4 正式版，官方原话是「Hy 首次跻身最强开源模型之列」。但同一篇稿子的倒数第三段写着「我们计划开源模型权重」「计划届时也发布模型系统卡片」——两处都是将来时。
两个多小时后，Arena 在 X 上给出的定性更直接：「Currently proprietary」（目前为专有模型）。
这不是文字游戏。对想自部署、做私有化、或者要对外写能力声明的人来说，「发布了新模型」和「放出了权重」是两件完全不同的事。而 11-04 发生的是前者。
这篇基于 AIHOT 事件线
491d220c…（首次报道 10-29 10:18，8 篇报道 / 6 个信源）、腾讯混元官方发布稿全文及其末尾 Bench 附录图片，逐项核对时间戳、版本号与评测口径。
先说结论
| 判断 | 结论 | 依据时点 |
|---|---|---|
| 11-04 发生了什么 | 发新模型 + 上 API，不是开权重 | 官方稿 11-04 12:43；Arena 11-04 15:15 |
| 权重状态 | ❌ 未放出，官方称「计划开源」「近期」 | 官方稿倒数第三段；IT之家 11-04 12:59 |
| 模型系统卡片 | ❌ 未发布，官方称「届时」发布 | 同上 |
| 许可证 | ❌ 完全未知（权重没放，谈不上许可条款） | 截至 11-05 09:00 无一手信息 |
| 官方定性 | 「首次跻身最强开源模型之列」 | 官方稿开头 |
| 第三方定性 | 「Currently proprietary」 | Arena 11-04 15:15 |
| 正式版规格 | ⚠️ 总参数 / 激活参数未公布；770B / 49B / 1M 是 8-28 preview 的 | IT之家 11-04 12:59 回溯 |
| API 单价 | ⚠️ 只说「维持相同 API 价格」，没给数字 | 官方稿；IT之家 |
| Arena 成本 | $0.55/task（任务成本口径，不是 token 单价） | Arena 11-04 15:15 |
| Agent Arena | 总榜 #14，8.5K+ 会话，净提升 +4.7%，进入 Pareto 前沿 | 同上 |
| 与顶尖闭源差距 | 官方自己承认「仍存在较大差距」 | 官方稿「局限性和未来展望」 |
| 科研场景最该盯的一行 | Hy-FrontierMath T5 仅 13.0（GPT-6.1 Sol 97.5 / Claude Opus 5.5 91.3）——流程型任务强、构造型数学弱 → 见第五节 | 官方 Bench 附录 11-04 |
| 下一个版本 | Hy4 flash「计划近期发布」——同样不是现状 | 官方稿末尾 |
三处最容易踩的坑：把正式版当成已开源、把 preview 的 770B/49B 安到正式版头上、把 Bench 表里的分数当成可跨模型横比的成绩单。
如果是从科研场景点进来的，可以直接跳到第五节：那里单独拆了 Hy-FrontierMath T5 这一行，它比「总榜第几」更能说明模型能替你干什么、不能替你干什么。
一、先分清：11-04 到底发布了什么
AI 领域的「发布」至少有三种，混着看结论会全错：
| 类型 | 含义 | 对既有 API 用户 | 本次是否发生 |
|---|---|---|---|
| 开权重 | 模型早已上线，只放出 checkpoint | 基本无感 | ❌ |
| 发新模型 | 模型首次可用，走 API / 产品 | 直接可用 | ✅ 11-04 |
| 上 API | 已有模型新增接入渠道 | 多一个入口 | ✅ 同时发生 |
把事件线按时间铺开，性质就很清楚：
| 北京时间 | 事件 | 性质 |
|---|---|---|
| 08-28 | 发布 Hy4 preview（770B 总参 / 49B 激活 / 1M 上下文，IT之家口径） | preview |
| 10-29 10:18 | IT之家预告「Hy4、Hy4 flash 即将发布，首次引入视觉理解」 | 预热 |
| 11-04 01:31 | Arena 预告 Hy4 即将上线，引用上月 preview 榜单数据 | 预热 |
| 11-04 12:43 | 腾讯混元官方发布 Hy4 正式版（一手） | 发新模型 |
| 11-04 12:59 | IT之家跟进，标题加了「称」字 | 转述 |
| 11-04 14:10 | WorkBuddy 宣布 Hy4 上线，免费试用但有额度限制 | 上渠道 |
| 11-04 15:15 | Arena 公布 Agent Arena 排名，并注明目前为专有模型 | 第三方评测 |
| 11-05 01:35 | OpenClaw 宣布支持 Hy4（TokenHub / TokenPlan / OpenRouter） | 上渠道 |
| 11-05 03:17 | Latent Space 访谈提及 | 周边 |
渠道侧是齐的：腾讯云、OpenRouter、CodeBuddy / WorkBuddy、元宝、ima、OpenClaw 都能用；官方还称已联合 vLLM / SGLang 社区与 Inferact Inc. 做开源生态支持。
⚠️ 但「联合开源社区做支持」是为未来放权重做的准备，不等于权重已放。这两句话在发布稿里挨得很近，读快了容易并成一句。
二、同一天，四种「开源」口径
这是本次最值得单独拎出来的一段。按信源归类是四类（官方 / 腾讯系产品 / 媒体转述 / 第三方评测），其中官方稿内部还有一句将来时，一并列出：
| 北京时间 | 信源 | 原话 / 标题 | 措辞性质 |
|---|---|---|---|
| 11-04 12:43 | 公众号：腾讯混元（一手） | 「Hy 首次跻身最强开源模型之列」 | 自己定性 |
| 11-04 12:43 | 同一篇官方稿倒数第三段 | 「我们计划开源模型权重」 | 自己承认是将来时 |
| 11-04 12:59 | IT之家·人工智能 | 「腾讯混元 Hy4 正式版发布，称首次跻身最强开源模型之列」 | 转述，加「称」 |
| 11-04 14:10 | WorkBuddy（X） | 「one of the most capable open-weight models, just landed on WorkBuddy」 | 腾讯系，直接用 open-weight |
| 11-04 15:15 | Arena（X） | 「Currently proprietary, but once its weights are released it will tie with Kimi K3.1 Pro for #1 among open models」 | 唯一说破现状的第三方 |
Arena 那句话的信息量最大：它把「现在」和「权重放出之后」明确拆成两个时态，并说明届时才会与 Kimi K3.1 Pro 并列开源模型第一（两者得分相差不到 1 个百分点）。换句话说，「开源模型第一」目前是条件句，不是陈述句。
而且官方自己在「局限性和未来展望」里也写得很实在：
尽管 Hy4 已经是目前最强的开源模型之一，其与顶尖闭源模型仍然存在较大差距，尤其在我们内部构建的前沿数学、长程开发、模型迭代、视觉问答等领域的高难度测试集上。
一句「最强开源模型」和一句「与顶尖闭源差距较大」放在同一篇稿子里，其实是诚实的。 问题出在传播时前一句被摘出来当标题，后一句没人转。
口径提醒：在权重与许可证落地前，「开源」在这里更接近能力定位与市场分类（跟 Kimi K3.1 Pro、GLM-5.3 放同一组比），不是法律意义上的授权状态。本文不构成法律意见。
三、规格与价格：官方没给的三样东西
发布稿通篇在讲能力提升和场景，但三样工程上最需要的数字一个都没给。
| 项目 | 状态 | 已知信息 | 出处与时点 |
|---|---|---|---|
| 正式版总参数 | ❌ 未公布 | — | 官方稿 11-04 12:43 |
| 正式版激活参数 | ❌ 未公布 | — | 同上 |
| 正式版上下文 | ⚠️ 仅第三方转述 | 1M-token | OpenClaw 11-05 01:35 |
| preview 规格（对照） | ✅ 有 | 770B / 49B / 1M | IT之家回溯 8-28，11-04 12:59 |
| API 单价（元或 $/百万 token） | ❌ 未给 | 只说「维持相同 API 价格」 | 官方稿、IT之家 11-04 |
| Arena 任务成本 | ✅ 有 | $0.55/task | Arena 11-04 15:15 |
| preview 任务成本（旧快照） | ✅ 有 | 约 $0.26 per median task | Arena 11-04 01:31 引用 10 月数据 |
「维持相同 API 价格」是一句相对描述：它告诉老用户没涨价，但没给可核算的绝对值。想算账单，得自己去腾讯云定价页取当期数值。
⚠️ $0.55/task 和 $0.26 per median task 都不是 API 单价。 这是 Agent Arena 按「完成一个真实长程任务」统计的成本口径，含 token 用量差异，且来自两次不同的榜单快照。把两者相减说「涨了一倍」、或者拿它跟别家的 $/百万 token 对比，都是错的。按项目惯例，本文不做汇率折算，也不跨平台换算任务成本。
四、Bench 附录：一张写满星号的表该怎么读
官方稿末尾「Bench 附录」是一张图片（无 HTML 表格），共 7 组、约 35 行。表头先把竞品版本钉死：
| 列 | 模型完整版本号 |
|---|---|
| 本家 | Hy4 preview / Hy4 |
| 竞品 1 | GLM-5.3 |
| 竞品 2 | DeepSeek-V4.1-Flash-1017（带日期后缀，不是泛称 V4.1 Flash） |
| 竞品 3 | Kimi K3.1 Pro |
| 竞品 4 | GPT-6.1 Sol |
| 竞品 5 | Claude Opus 5.5 |
版本后缀不能省。DeepSeek 那列是 1017 检查点，Kimi 是 K3.1 Pro 而非 K3 — 差一个检查点，分数可能就变了。
星号、斜杠、†：三个必须先看懂的符号
图片下方 Notes 的原文口径（11-04 抓取）：
| 符号 / 写法 | 官方脚注给出的含义 |
|---|---|
* |
「Benchmarks marked with * were only evaluated for the first time upon release」——该基准是发布时首次评测；另一条脚注又写「with * indicating our own testing」（腾讯自测值）。两处措辞并存，本文按「首次评测 + 腾讯自测」理解 |
† |
「evaluation on the text-only subset of HLE」——只测了 HLE 纯文本子集 |
a / b |
⚠️ 官方脚注未说明双数值含义；大量竞品格是 66.9 / 68.1* 这种写法。本文按原表照录，不猜、不取其中一个 |
- |
未测（多为 Hy4 preview 未覆盖的新基准） |
(internal) |
腾讯自建任务集，任务集未公开 |
还有一条影响最大的脚注：
Certain Hy4-preview benchmark scores may differ from previously reported results following updates to the evaluation harness, judge model, and anti-hacking mechanisms.
翻译过来：表里 Hy4 preview 那一列，可能跟 8-28 发布时公布的数字对不上，因为 harness、裁判模型、反作弊机制都更新过。所以「提升 19.1%」这类差值，得先确认两边的测量是不是同一套。
Notes 还写明了不同模型用不同 harness：
| 基准类别 | 评测框架分配 |
|---|---|
| Hy-CompanyBench 2.0 / Hy-SWE Max Verified 2.0 / Hy-Backend 3.0 / Foundation Model Bench / PostTrainBench | GPT 系列用 Codex，其他模型用 Claude Code（各条脚注里版本号还各不相同） |
| Terminal-Bench 4.0 / Terminal-Bench-Science 0.1 | Claude Code harness，最多 500 turns、单试 13 小时、16 CPU / 32 GB，3 个 GPU 任务另给 1 张 H100 |
| DeepSWE v1.1 | mini-swe-agent，单沙箱 8 CPU / 16 GB |
| HLE-Full | 「highest available reasoning setting」最高推理档 |
| 多个 internal 基准 | 裁判模型为内部 in-house agent / LLM-judge |
结论：这张表的分数不可跨模型直接横比。 harness、推理档位、裁判模型、采样设置都不同，且相当比例的任务集是内部自建。它更适合读「Hy4 相对 Hy4 preview 的变化方向」，不适合读「Hy4 比 Claude 强多少」。
Hy4 相对 preview：提升是真实的，幅度差异很大
抽 12 行（全部来自官方 Bench 附录图，11-04）：
| 分组 | Benchmark | Hy4 preview | Hy4 | 变化 |
|---|---|---|---|---|
| Agentic Coding | DeepSWE v1.1 | 64.3 | 74.9 | +10.6 |
| Agentic Coding | SWE-Marathon v1.1* | 31.9 | 43.8 | +11.9 |
| Agentic Coding | ProgramBench (almost solved)* | 17.5 | 30.0 | +12.5 |
| Agentic Coding | Terminal-Bench 4.0 | 26.3 | 44.4 | +18.1 |
| Agentic Coding | Hy-CompanyBench 2.0 (internal) | 62.4 | 78.8 | +16.4 |
| Agentic Coding | WebCraftBench (internal) | 52.7 | 78.9 | +26.2 |
| Agentic Search | Hy-LifeSearch (internal) | 45.9 | 60.2 | +14.3 |
| Working Agent | APEX-Agents v1.1 (pass@1) | 53.9 | 75.2 | +21.3 |
| Working Agent | Agents' First Exam-IF (internal) | 50.5 | 79.9 | +29.4 |
| Working Agent | E-Bench 2.0 (internal) | 58.8 | 70.0 | +11.2 |
| STEM | Hy-FrontierMath T5 (internal)* | 7.8 | 13.0 | +5.2 |
| AI4Research | Foundation Model Bench (internal)* | 13.6 | 28.1 | +14.5 |
另外有一批行 preview 是 -，即正式版才首次测：FrontierCode 2.0（31.0）、Agents' Last Exam（41.0）、OSWorld 2.1（78.9）、MMMU-Pro（78.6）、ZeroBench-main pass@5（55.4）、BuddyVQA Atlas 带工具（81.0）/ 不带工具（55.6）。这些对应的是「首次引入视觉能力」带来的新评测面，不是能力从 0 涨到 78.9。*
正文里给的两个相对提升数字也是官方口径：GameDev +19.1%、GameLogic +9.8%（相对 preview，11-04 12:43）；这两项在 Bench 附录里没有同名行，属于发布稿正文单独披露，任务集未公开。
差距最大的几行：官方没藏，但转述时常常被略过
| Benchmark | Hy4 | Kimi K3.1 Pro | GPT-6.1 Sol | Claude Opus 5.5 | 怎么读 |
|---|---|---|---|---|---|
| Hy-FrontierMath T5 (internal)* | 13.0 | 14.8* | 97.5* | 91.3* | 内部前沿数学集，全表差距最悬殊 → 下一节单独拆 |
| ProofBench (internal)* | 5.5 | 3.9* | 70.5* | 42.2* | 形式化证明，同样悬殊 |
| Terminal-Bench 4.0 | 44.4 | 65.7 / 66.8* | 55.9 / 55.5* | 66.4 / 66.4* | 公开基准，落后约 11–22 分 |
| MMMU-Pro | 78.6 | 84.1 / 83.4* | 84.9* | 88.2* | 多模态，落后 5–10 分 |
| HLE-Full (with tools) | 59.1（preview 57.3†） | 70.0 / 61.8* | 60.6* | 67.7 / 66.2* | 高难度推理 |
这正好把官方「局限性和未来展望」那段话量化了：差距集中在前沿数学、形式化证明、高难度推理、多模态问答。而 Hy4 占优的行，多数是 (internal) 自建集或 Agent 类任务（例如 APEX-Agents v1.1 的 75.2 高于表内所有竞品、Hy-LifeSearch 60.2 高于全部竞品、Hy-CompanyBench 78.8 高于 GLM/Kimi/GPT/Claude）。
一句话概括这张表：内部工作场景领先，公开高难度基准落后。两件事都成立，不矛盾。
其中第一行值得单独用一节讲——它对做科研的人，比「总榜第几」有用得多。
五、Hy-FrontierMath T5 只有 13.0：科研场景里最该盯的一行
先看完整的这一行。它没出现在发布稿正文里，只躺在末尾 Bench 附录那张图片中；而官方在「局限性和未来展望」里第一个点名的差距领域，恰恰就是「前沿数学」（2026-11-04 12:43）。
| Hy4 preview | Hy4 | GLM-5.3 | DeepSeek-V4.1-Flash-1017 | Kimi K3.1 Pro | GPT-6.1 Sol | Claude Opus 5.5 |
|---|---|---|---|---|---|---|
| 7.8 | 13.0 | 0.1* | 8.0* | 14.8* | 97.5* | 91.3* |
（官方 Bench 附录图，2026-11-04 抓取；* 按脚注为「发布时首次评测」兼「腾讯自测」，(internal) 任务集未公开）
几个直接能读出来的事实：
| 对比 | 差值 | 说明 |
|---|---|---|
| Hy4 13.0 vs GPT-6.1 Sol 97.5* | -84.5 分，约 7.5 倍 | 全表差距最大的一行 |
| Hy4 13.0 vs Claude Opus 5.5 91.3* | -78.3 分，约 7.0 倍 | 同上量级 |
| preview 7.8 → 正式版 13.0 | +5.2 分（约 +67%） | 涨幅不算小，但是第四节那 12 行里绝对增量最小的一行 |
| 同组开源 / 国产模型 | GLM-5.3 0.1*、DeepSeek-V4.1-Flash-1017 8.0*、Kimi K3.1 Pro 14.8* | 开源阵营整体落在 0–15 分区间，不是 Hy4 一家偏低 |
⚠️ 口径先钉死：(internal) 是腾讯自建、任务集未公开；带 * 的竞品分数是腾讯自己跑出来的，Notes 里还写明 GPT 系列与其他模型用不同 harness、各模型取最高推理档。所以 97.5 不能当 GPT-6.1 Sol 的官方成绩引用，13.0 也不能拿去做跨厂商排名。这一行的价值是定性，不是定量。
为什么搞科研的人看到这个数字会点头
把「科研工作」拆成两类，这张表的解释力就出来了：
| 类型 | 特征 | 发布稿里对应的证据（均为官方自述，11-04 12:43） | 实际体感 |
|---|---|---|---|
| 流程型 / 工程型 | 步骤可拆、输入输出明确、能靠工具闭环验证 | 699 万细胞 / 84 张无序二维切片 / 单机 1.5 小时完成三维重建；自主定位预训练瓶颈使吞吐 +20.1%；HyCell（1600 万参数、约 1/14 参数量）、HyPDE（13 个数据集上 9 / 10 / 8 个误差更低）；TenureTrail 7 大学科 123 项任务 | ✅ 确实省时间，能交给它跑 |
| 构造型 / 开放型 | 要提出新数学对象、找反例、判断命题到底对不对——连「怎么算对」本身都没有现成流程 | Hy-FrontierMath T5 13.0、ProofBench 5.5 | ⚠️ 答得像模像样，一验就塌 |
发布稿里最亮眼的科研成果，几乎全在第一类。 唯一看起来像第二类的是「与北大数学团队合作找到 Méndez–Pinto–Villarreal 猜想的反例、提出新条件完善猜想」——但要看清它的闭环方式：构造与命题修正是与人合作完成的，最终可信度由 Lean 形式化验证兜底。顺序很重要：模型负责搜索与流程，形式化工具负责判定，人负责构造与把关。
另外两处同向印证：ProofBench (internal) 只有 5.5（GPT-6.1 Sol 70.5、Claude Opus 5.5 42.2），形式化证明同样断层；TenureTrail 正文写「开源模型第一」，但表里 Hy4 53.6，低于 GPT-6.1 Sol 57.6* 与 Claude Opus 5.5 59.0**——限定语「开源」一丢，意思就变了。
所以科研场景里该怎么摆它的位置
| 可以放心交给它 | 别让它单独拍板 |
|---|---|
| 数据预处理、切片对齐、批量脚本与工具链 | 独立提出数学构造或新定义 |
| 文献 / 多源信息整合、事实一致性校验 | 判定新命题真伪、无验证器的长链证明 |
| 跑完之后的形式化校验（Lean 等）与结果复核 | 把「看起来通顺的推导」直接当成结论 |
| 训练基础设施排查、实验流程编排 | 替代同行评议或实验复现 |
| 报告 / Word / Excel / PPT 等文档产出 | 未经验证就写进对外材料 |
⚠️ 这张边界表是从分数与官方用例反推的判断，不是腾讯给的结论；官方自己只说了「与顶尖闭源模型仍然存在较大差距，尤其在我们内部构建的前沿数学、长程开发、模型迭代、视觉问答等领域的高难度测试集上」。
13.0 不是在说「模型不行」。 同一张表里 Hy4 的 APEX-Agents v1.1 是 75.2、Hy-CompanyBench 78.8、WebCraftBench 78.9、OSWorld 2.1 78.9，都很能打。它画出的是一条线：流程型任务可以大幅交给 Agent，构造型数学推理仍然不行。这跟实际用模型做研究时的体感是对得上的——省下的是跑流程的时间，不是思考的时间。
六、金融与办公：自建任务的数字要怎么读
发布稿里数据最密的一段，也最需要标口径：
| 项目 | 数字 | 口径 |
|---|---|---|
| 金融工作空间 / 任务 | 数千个 / 上万个（构建时） | 训练数据规模，官方自述 |
| 金融众测专家 | 213 位，其中 153 位来自外部头部机构，七成有 5 年以上经验 | 腾讯金融科技 FiT 组织，11-04 |
| 有效任务数 | 579 个真实金融任务 | 自建任务集，未公开 |
| 众测得分 | Hy4 3.04 / DeepSeek-V4.1-Flash-1017 2.97 / Kimi K3.1 Pro 2.68 / GLM-5.3 2.68 | 官方众测，任务集未公开 |
| IRAB 内部评测 | 较 preview +12.03 个百分点 | 讯兔科技内部评测，未独立核实 |
| 幻觉率（自建测试） | 15.76% → 5.45% | 官方自建，测试方法未公开 |
| 猜测导致错误率 | 23.1% → 5.6% | 同上 |
| 办公 | 人机双写 Word / Excel / PPT；盲评称美观度、稳定性、可用性提升 | 官方盲评，无分数 |
⚠️ 三个提醒：
- 3.04 vs 2.97 只差 0.07（约 2.4%），且量表、评分人、任务抽样都没公开。写「金融场景第一」时最好把「腾讯自建 579 任务众测」这个前缀带上。
- 竞品版本号与 Bench 表一致（GLM-5.3 / Kimi K3.1 Pro / DeepSeek-V4.1-Flash-1017），这点做得规整，但仍是腾讯自己组织的对比，不是第三方横评。
- 幻觉率下降幅度很漂亮，但「幻觉率」的定义、判定模型、样本集均未披露，不能与其他厂商公布的幻觉率直接比大小。
七、科研与 RSI：数字漂亮，但全是内部评测
这一节在发布稿里占篇幅不小，也是「真实生产力」叙事的主力：
| 成果 | 数字 | 口径 |
|---|---|---|
| 小鼠胚胎三维重建 | 699 万个细胞 / 84 张无序二维切片 / 含镜像翻转 / 1.5 小时 / 离线、无专用配准工具、无细胞类型标注、全程无人干预 | 官方自述，称效果优于常用配准工具默认流程 |
| 数学猜想 | 与北大数学团队合作，找到 Méndez–Pinto–Villarreal 猜想反例，提出新条件完善猜想，并完成 Lean 形式化验证 | 官方自述，未见论文链接 |
| 预训练性能优化 | 内部缩小规模 Hy4 上自主定位瓶颈，端到端训练吞吐 +20.1% | 内部实验 |
| Hyra-Jev | 配合 Hyra 2.0 自动训练，8 项基准中 6 项优于官方 Jev | 内部评测 |
| HyCell | 1600 万参数，约 1/14 参数量达到 SOTA 模型 Stack 相当综合性能；7 个未参与训练的细胞图谱；平均生物学保真度参评最高 | 官方称已开源 |
| HyPDE | 对比 SOTA 模型 Walrus，13 个物理仿真数据集上单步 / 短期(1–20 步) / 长期(21–60 步) 分别有 9 / 10 / 8 个数据集误差更低 | 官方自述 |
| TenureTrail | 7 大学科、123 项可执行研究任务，称「开源模型第一」 | 内部评测；但 Bench 表里该行 Hy4 53.6 < GPT-6.1 Sol 57.6* < Claude Opus 5.5 59.0* |
⚠️ 最后一行是个有意思的对照：正文说「开源模型第一」，Bench 表显示它低于两款闭源模型。两句不冲突（限定语不同），但摘取时别把「开源」二字丢掉。
顺带一个产品侧信息：官方称 Hy4 借 WorkBuddy 企业微信套件可连通聊天记录、邮件、文档、日程与会议，做多项目跟进；团队协作功能「将随新版『项目』在 WorkBuddy 上线」——又一处将来时。
八、安全：训练阶段就削能力，系统卡片还要等
这段跟「开源」直接相关，值得单独看：
| 做法 | 官方表述 | 时点 |
|---|---|---|
| 网络安全训练数据 | 仅纳入 PoC 生成、漏洞修复相关防守性数据；剔除漏洞利用、逆向、渗透等攻击性内容 | 11-04 12:43 |
| 内部安全审计 | 腾讯玄武 + 科恩实验室，围绕密码分析、逆向工程、漏洞利用审计；结论是「未展现出突出风险」 | 同上，官方自述 |
| 生物能力 | Hy-BioExperimentBench 30.4/100；称开放式实验设计能力与前沿模型有明显差距，内部专家审计轨迹后认为「尚未发现显著降低实施生物化学危害行为的门槛」 | 同上，官方自述 |
| 模型系统卡片 | 计划届时发布，含更全面的安全评估细节 | ⚠️ 未发布 |
「先在训练阶段削攻击能力，再谈开源」这个顺序是对的——权重一旦放出去就收不回来，官方模型还能靠 API 策略补救。此前 Kimi K3.1 Pro 在开放权重前也采取过同类做法（见本目录《MiniMax开权重与Kimi发新模型-两种发布的不同含义-技术博客.md》，10-25），此处不重复引用其具体数字。
不过要留意：审计结论和系统卡片都还没变成可查的文档。发布稿里的「未展现出突出风险」是腾讯自述，「更全面的安全评估」还在「计划」里。对要做安全合规评估的人，现阶段能拿到的一手材料只有这篇稿子。
时间上还有个巧合：同一天（11-04 16:00）OpenAI 公布了用 cyber 模型挖掘 948 个 Linux 内核本地提权漏洞的流水线。一边在扩自动化攻防能力，一边在训练阶段主动收缩攻击面——两条路线摆在同一天看，比单独看任何一条都清楚。
九、Arena 榜单是滚动快照：#10 和 #25 不矛盾
这一节是本次核对里最容易误判的地方。Arena 在 11-04 发了两条内容，对 同一个 Hy4 preview 给出了两组看似冲突的数字：
| 指标 | 10 月数据（Arena 11-04 01:31 引用） | 11-04 15:15 推文里的 preview 基线 |
|---|---|---|
| preview 排名 | 开源模型 #2 / 总榜 #10 | #25 |
| preview 净提升 | +5.4% | +1.1% |
| 会话样本 | 14.5K+ | 未单独给出（该次正式版统计为 8.5K+） |
| 对比对象 | Kimi K3 (Max) +6.6% / $0.80 | Kimi K3.1 Pro (Max) $1.46/task |
| 成本 | 约 $0.26 per median task | — |
⚠️ 右侧 8.5K+ 是 11-04 15:15 那条推文里正式版的样本量，不是 preview 基线的样本量，两者不能横比。
不能据此说「Hy4 从 #10 掉到 #25 退步了」。 Agent Arena 是基于真实用户长程会话的滚动统计，样本量、时间窗、参评模型集合都在变；Arena 自己在 11-04 15:15 明确写的是「This release is a +3.6 percentage pt improvement from Hy4 preview at #25 with +1.1%」——它用的是同一次快照内部的对比，这才是有效比较。
正式版那条推文的完整数据：
| 指标 | 数值 |
|---|---|
| Agent Arena 总榜 | #14 |
| 样本 | 8.5K+ 真实长程智能体会话（全球用户） |
| 净提升 | +4.7%（相对同期 preview 基线 +1.1%，即 +3.6 个百分点） |
| 位置 | 进入 Pareto frontier |
| 成本 | $0.55/task，比 Kimi K3.1 Pro (Max) 的 $1.46/task 低约 62% |
| 与 Kimi 得分差 | 不到 1 个百分点 |
| 权重状态 | Currently proprietary；权重放出后才与 Kimi K3.1 Pro 并列开源模型 #1 |
四项细分信号（11-04 15:15，Arena 口径）：
| 信号 | 正式版 | 原 preview |
|---|---|---|
| Confirmed Success（用户明确说「成了」） | #11，+8.7% | #16，+4.9% |
| Praise vs Complaint | #18，+3.8% | #24，+1% |
| Steerability（响应用户纠正） | #14，+5.7% | #27，+0.21% |
| Bash Reliability（shell 命令成功） | #20，+6.2% | #41，-3.1% |
Bash Reliability 从 -3.1% 到 +6.2% 是四项里变化最猛的，跟官方「首次支持电脑操作、结合命令行与图形界面」的说法方向一致。
十、落到你这儿：现在能做什么，不能做什么
| 需求 | 现状 | 建议 |
|---|---|---|
| 立刻试用 Hy4 | ✅ 腾讯云、OpenRouter、CodeBuddy / WorkBuddy、元宝、ima、OpenClaw | WorkBuddy 免费试用有额度限制（11-04 14:10） |
| 在 OpenClaw 里用 | ✅ 走 Tencent TokenHub / TokenPlan / OpenRouter | 11-05 01:35 起 |
| 走 vLLM / SGLang 自部署 | ❌ 权重未放 | 官方称已联合社区准备，等权重 |
| 核算 API 账单 | ⚠️ 官方只说「维持原价」 | 去腾讯云定价页取当期数值，别用 $0.55/task 代 |
| 选 1M 上下文 | ⚠️ 仅 OpenClaw 第三方转述 | 以官方 API 文档为准 |
| 本地部署 / 私有化评估 | ❌ 参数量、权重体积、最低硬件全未知 | 等权重 + 系统卡片；「开放权重」不等于「能本地跑」 |
| 等产品线下一档 | ⚠️ Hy4 flash「计划近期发布」 | 不是现状，别写进排期承诺 |
| 对外写能力声明 | ⚠️ 建议写「Hy4 正式版 API」，别写「开源模型」 | 见第二节 |
三个「计划」请一起记：计划开源权重、计划届时发布系统卡片、计划近期发布 Hy4 flash。11-04 交付的是一个能用的新模型，不是这三样。
十一、可复现的核对命令
想自己复核上面的数据，这几条是本次实际用过的（Windows / Git Bash）：
# 1) 拉 AIHOT 事件综述 + 全部报道时间线
curl -sSL --compressed --max-time 30 \
-A "aihot-skill/2.0.0 (+https://aihot.news/aihot-skill/)" \
"https://aihot.news/api/v1/agent/stories/491d220c-9d57-4295-af9f-e4382561b3f7"
# 2) 抓公众号原文（--max-time 给足，45 秒会静默截断）
curl.exe -sSL --compressed --max-time 150 \
-A "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36" \
"https://mp.weixin.qq.com/s/JrQeiqx3PXBDSGish2IzwA" -o hy4_wx.html
# 判完整：文件以 </html> 结尾，且 js_content 出现多次
# 3) Bench 附录是图片，放大分块才能读准版本号与星号
from PIL import Image
im = Image.open('bench.png').convert('RGB') # 原图 1080x2064
for name, y0, y1 in [('top', 0, 560), ('mid', 500, 1120),
('notes1', 1050, 1600), ('notes2', 1550, im.height)]:
c = im.crop((0, y0, im.width, y1))
c = c.resize((int(c.width * 1.8), int(c.height * 1.8)), Image.LANCZOS)
c.save(f'bench_{name}.png')
⚠️ 官方研究页 https://hy.tencent.ai/research/hy4?langVersion=en 是 SPA 骨架，直接 GET 只能拿到 6.5KB 的 skeleton HTML，正文未一手证实。本文所有正式版数字来自公众号原文与 AIHOT 收录的条目正文。
十二、几处必须打问号的地方
| # | 问题 | 影响 |
|---|---|---|
| 1 | 权重与许可证均未落地 | 一切「开源模型第一」都是条件句；不能据此做自部署或合规判断 |
| 2 | 正式版规格未公布 | 770B / 49B / 1M 属于 8-28 preview；1M 的正式版说法仅 OpenClaw 转述 |
| 3 | API 单价没给数字 | 「维持相同价格」不可核算；$0.55/task 是 Arena 任务成本口径 |
| 4 | Bench 表跨模型不可横比 | harness（Codex / Claude Code）、推理档位、judge 模型、采样均不同；多数 (internal) 任务集未公开 |
| 5 | a / b 双数值官方未解释 |
本文按原表照录，不做取舍；任何「取高值 / 取低值」都是自行发挥 |
| 6 | * 号两条脚注措辞并存 |
既说「首次评测」又说「腾讯自测」，未逐项区分 |
| 7 | preview 分数可能已重测 | 官方脚注明说 harness / judge / 反作弊更新会让 preview 旧值变化，跨篇引用旧数字必须重测 |
| 8 | Arena 是滚动快照 | 10 月 #10 / +5.4% 与 11-04 的 #25 / +1.1% 不是同一口径，不能说涨跌 |
| 9 | 金融众测、幻觉率、科研成果全为自建或内部评测 | 未见第三方复现；「第一」「优于」均带腾讯限定语 |
| 10 | Hy-FrontierMath T5 的 13.0 / 97.5 只作定性，不作定量 | (internal) 任务集未公开、竞品分数为腾讯自测且 harness 分层；不能拿去排跨厂商名次，也不宜写成「模型数学能力只有 13 分」 |
| 11 | 三个「计划」未兑现 | 权重、系统卡片、Hy4 flash 都是将来时 |
数据来源
| 数据项 | 来源 | 时点 / 备注 |
|---|---|---|
| Hy4 正式版全部官方表述（视觉与电脑操作、GameDev +19.1% / GameLogic +9.8%、213 位专家 / 579 任务众测及四个得分、幻觉率 15.76%→5.45%、猜测错误率 23.1%→5.6%、699 万细胞 / 84 张切片 / 1.5 小时、吞吐 +20.1%、HyCell 1600 万参数、HyPDE 13 数据集 9/10/8、安全审计、Hy-BioExperimentBench 30.4、「计划开源权重」、Hy4 flash 计划、「与顶尖闭源差距较大」） | 公众号：腾讯混元《Hy4 正式发布，为真实生产力而生》 mp.weixin.qq.com/s/JrQeiqx3PXBDSGish2IzwA |
一手，2026-11-04 12:43；2026-11-05 09:00 抓取，正文完整（</html> 结尾） |
| Bench 附录 7 组约 35 行分数、表头版本号、Notes 全部脚注 | 同上，发布稿末尾「Bench 附录」图片 | 图片，2026-11-05 抓取并放大逐行核对 |
| 第五节 Hy-FrontierMath T5 整行（7.8 / 13.0 / 0.1 / 8.0 / 14.8 / 97.5 / 91.3）、ProofBench 5.5、TenureTrail 53.6 vs 57.6 / 59.0*、HLE-Full 59.1、以及「局限性和未来展望」原引文 | 同上：Bench 附录图 + 发布稿正文 | 2026-11-05 放大逐行核对；(internal) 任务集未公开，竞品分数为腾讯自测 |
| 事件线（8 篇报道 / 6 信源，首次报道 10-29 10:18） | AIHOT 事件 491d220c-9d57-4295-af9f-e4382561b3f7，入口 aihot.news/items/z6j7q1gcuwsjjpx3qbtnvl2b3 |
用户指定链接；2026-11-05 抓取 |
| preview 规格 770B / 49B / 1M；「称首次跻身最强开源模型之列」；「维持相同 API 价格」；三个「计划」 | IT之家·人工智能 aihot.news/items/l2rqbuukynxny9026apag2cpd |
2026-11-04 12:59，转述 8-28 preview |
| Agent Arena 总榜 #14、8.5K+ 会话、+4.7%、Pareto、$0.55/task vs $1.46/task、低 62%、得分差 <1pp、四项细分信号、"Currently proprietary"、+3.6pt vs preview #25/+1.1% | Arena.ai aihot.news/items/w8wo5grevjwdhfetomcgyp19c |
2026-11-04 15:15，第三方一手推文 |
| 10 月 preview 榜单：开源 #2 / 总榜 #10、14.5K+ 会话、+5.4%、$0.26 per median task、Kimi K3 (Max) +6.6% / $0.80、Confirmed Success 12% / Bash Recovery 7.5% | Arena.ai aihot.news/items/tdqw8omc0eao2xnhv3wojyipt |
2026-11-04 01:31，引用上月数据 |
| WorkBuddy 上线、免费试用有额度限制、"open-weight models" 措辞 | WorkBuddy aihot.news/items/s6mo1gds5y5qwtzoehdx8isdr |
2026-11-04 14:10 |
| OpenClaw 支持、1M-token 上下文、TokenHub / TokenPlan / OpenRouter | OpenClaw aihot.news/items/o9ls8b5otqv36vynok884y2ay |
2026-11-05 01:35，第三方转述 |
| Kimi K3.1 Pro 权重 11-05 03:16 开放（对照用） | AIHOT 日报 2026-11-05 / aihot.news/items/se9yjzn1asv817vcahsxd5zpw |
仅用于说明同期竞品状态 |
官方研究页 hy.tencent.ai/research/hy4?langVersion=en |
SPA 骨架 HTML 6.5KB | ⚠️ 正文未一手证实，未作为数据来源 |
免责声明：本文数据来自腾讯混元官方发布稿、Bench 附录图片与 AIHOT 聚合的第三方报道，未经独立实测。官方自测、内部
(internal)基准、腾讯自建众测与第三方榜单（Arena）的分数口径不同，不可直接横比；跨厂商对比前请回各基准原始 harness 与采样设置核对。第五节中 Hy-FrontierMath T5 的 13.0 / 97.5 等数字仅用于定性说明能力边界，不构成跨厂商能力排名；该节「流程型 / 构造型」两分法与任务分配边界表是从分数和官方用例反推的作者判断，不是腾讯的结论。发布稿中的「开源」在权重与许可证落地前仅为能力定位描述，不代表法律意义上的授权状态，本文不构成法律意见。文中「计划」「近期」「届时」均为官方原文措辞，不代表已兑现；人民币与美元价格未做汇率折算，任务成本与 token 单价未做跨平台换算。官方脚注未解释的a / b双数值按原表照录，未做取舍。本文不构成对任一模型的选型结论。
整理时间：2026-11-05 09:07 · 修订：2026-11-05 09:42（北京时间） · 数据截止：2026-11-05 08:00
posted on 2026-11-05 11:19 fox_charon 阅读(121) 评论(0) 收藏 举报
浙公网安备 33010602011771号