35 分对 31 分，一家把训练配方全摊开、一家连参数量都没写：Inkling 2 Small 与腾讯混元 Hy4 的正面对照
2026-11-04 12:43，腾讯混元发 Hy4 正式版，官方稿称「Hy 首次跻身最强开源模型之列」。
2026-11-05 15:00，Thinking Machines Lab 发 Inkling 2 Small，594B 总参 / 17B 激活，承诺下周 Apache 2.0 开权重。
相隔 26 小时、两个都自称「开放权重」的模型，在第三方榜首差 4 分。真正值得比的不只是分数——是同样一句「开源」，兑现的确定性差了一个数量级。
先说结论
- 同口径分数：Hy4 领先 4 分。Artificial Analysis Intelligence Index v5.0.1 上 Hy4 35 分、Inkling 2 Small 31 分，两项都是 AA 自己跑的评测，可以横比。
- 但「知道得多」和「不乱说」是两回事。Hy4 在 AA-Omniscience 准确率 50%（比 Kimi K3.1 Pro 高 1 分，但幻觉率 89%）；Inkling 2 Small 准确率只有 16.1%，非幻觉率却是 73.3%。前者敢答、后者会认怂。
- 成本几乎打平，速度各占一头。每任务成本 Inkling $1.18、Hy4 $1.03；但 Inkling 出字 151 tok/s、首字 29 秒，Hy4 出字 94 tok/s、首字 103 秒——总时长反而是 Hy4 更短（13.9 分钟 vs 16.5 分钟）。
- 透明度不在一个层级。Inkling 把四个预训练阶段 token 数、68 小时 GB300 NVL72、RL 1075 步 / 1700 万 rollout / 4×10²³ FLOPs 全部写出来；Hy4 官方稿一个参数都没给（只有 preview 版的 770B/49B 可参考）。
- 选型看场景不看分数：要立刻接中文办公与金融、要 GUI 操作 → Hy4；要可微调基座、要视觉与前端/游戏原型、能等一周 → Inkling 2 Small。两者都别指望本地跑。
一、先各自看清楚是什么
Inkling 2 Small
| 项 | 内容 | 出处 |
|---|---|---|
| 发布 | 2026-11-05 15:00（北京时间） | Thinking Machines Lab 官方博客 |
| 架构 | MoE，594B 总参 / 17B 激活 | 同上 |
| 上下文 | 1M token | 同上 |
| 输入 | 文本 + 图像（不支持音频） | 同上 / AA 官网 |
| 视觉编码器 | 292M，基于 Perception Encoder，20×20 像素块 + 2×2 空间池化 | 官方博客 |
| 权重状态 | 初期闭源，经 Tinker 提供推理与微调 | 同上 |
| 开放计划 | 计划下周以 Apache 2.0 开放完整权重，前提是完成外部安全测试与红队评估 | 同上 |
| 定价（Tinker） | $0.30 / $1.00 每百万输入/输出 token，缓存读 $0.03 | 官方 / AA |
| 特色 | variable effort；自主编排微调；长时程"视觉自检" | 官方博客 |
腾讯混元 Hy4
| 项 | 内容 | 出处 |
|---|---|---|
| 发布 | 2026-11-04 12:43（北京时间，公众号） | 腾讯混元官方公众号 |
| 架构 | 未公开（preview 版为 770B 总参 / 49B 激活，不可直接套用） | 官方稿未披露；IT之家 8-28 报道 |
| 上下文 | 1M token | 官方 / OpenRouter |
| 输入 | 文本 + 图像（首次引入视觉）+ 电脑操作（命令行与 GUI） | 官方 |
| 权重状态 | 未开放，官方称「计划开源模型权重」，未给日期与许可证名 | 官方 |
| 开放配套 | 已联合 vLLM/SGLang 社区、Inferact Inc. 做生态支持；计划发布系统卡片 | 官方 |
| 定价 | $0.834 / $2.501 每百万输入/输出，缓存 $0.042；OpenRouter 现挂 5 折（$0.417/$1.251） | AA / OpenRouter |
| 对照版本 | Hy4 preview：8-28 发布，770B/49B，1M 上下文，已开源 | IT之家 |
| 后续 | 计划近期发布 Hy4 flash（冲性价比与推理速度） | 官方 |
第一个不对劲的地方：两家都用了「开源」这个词，但一家给了许可证名和大概日期，另一家只有「计划」二字。选型阶段这不是修辞差异——能不能排期、能不能做许可证合规审查，结果完全不同。
二、同口径横比：分数、成本、速度
下表默认"AA 官网实测"口径；凡来自厂商自述或第三方转述的，单独标注。
| 指标 | Inkling 2 Small | 腾讯 Hy4 | 来源与时点 |
|---|---|---|---|
| AA Intelligence Index v5.0.1 | 31 | 35 | AA 官网（各家模型页） |
| AA 页标注的同类中位数 | 23 | 37 | AA 官网 ⚠️ 两页分桶不同，中位数不可横比 |
| 每任务成本 | $1.18 | $1.03 | AA 官网加权成本 |
| 每任务耗时 | 16.5 分钟 | 13.9 分钟 | AA 官网 |
| 输出速度 | 151 tok/s | 94 tok/s | AA 官网 |
| 首字时间（TTFT） | 29.45 秒 | 103.27 秒 | AA 官网 |
| 上下文窗口 | 1M | 1M | 官方 |
| 输入模态 | 文本 + 图像 | 文本 + 图像 | 官方 / OpenRouter |
| 输入价 / 百万 token | $0.30 | $0.834（5 折 $0.417） | Tinker / AA |
| 输出价 / 百万 token | $1.00 | $2.501（5 折 $1.251） | Tinker / AA |
| 缓存命中价 | $0.03 | $0.042（5 折 $0.021） | 同上 |
⚠️ 表内所有美元均为页面标注原价，未做汇率折算；Hy4 的 5 折是 OpenRouter 当前挂牌，会变，实际结算以账单为准。
单看分数会踩的三个坑
坑一：4 分差并不等于 4 分能力差。 AA 指数把 9 项评测折算成一个数，Hy4 的 35 分里 50% 的准确率贡献很大；Inkling 的 31 分则是被"诚实"这一项压住的（见第四节）。更要注意 AA 把两家放在不同的对比分桶里——Inkling 页标「#4 / 29」，Hy4 页标「#40 / 69」，分母都不一样，不能按名次推断强弱，只能按同口径的分数比。
坑二：AIHOT 模型榜的 Hy4 评分更高，但不能横比。 榜上 Inkling 2 Small 62.6 分排第 21（25 项评测、覆盖 55%）；Tencent Hy4 65.8 分、hy4 65.3 分，但因为只有 9 / 11 项评测被列入"暂不排名"。AIHOT 的算法是"没测的评测不补分也不扣分"——覆盖度不够时高分只说明"被测的那几项很强"。65.8 > 62.6 这个不等式不成立。
坑三：中位数参照集不同。 AA 给 Hy4 标的同类中位数是 37（说明它「低于平均」），给 Inkling 标的是 23（「明显高于平均」）。看着像 Hy4 更差，其实两边分桶规则不同（是否开放权重、尺寸、价位），这个数只能各自看自己的页面。
反直觉的那一格：Hy4 首字慢一倍，总时长反而更短
Hy4 首字要 103 秒，Inkling 只要 29 秒；但 Hy4 每任务 13.9 分钟，Inkling 要 16.5。原因是出字量与出字速度的组合不同：Inkling 出字快但话更多（AA 记 154M 输出 token、每任务 0.855% 输出/输入比），Hy4 出字慢但话相对少（160M、2.623%）。
⚠️ 对交互式场景（聊天、边写边看），首字 103 秒是实打实的体验问题；对批处理场景（夜间跑批、离线生成），总时长才决定吞吐。这两个指标不能互相替代。
三、能力画像：一个是"造东西的"，一个是"办事的"
Inkling 2 Small 的强项（厂商表，分数由第三方机构提供）
| 评测 | 分数 | 表内位置 | 机构 |
|---|---|---|---|
| Code Arena: WebDev | 1653 | 表内第二 | Arena |
| DesignArena Website | 1340 | 表内最高 | DesignArena |
| DesignArena 游戏开发 | 1428 | 表内最高 | DesignArena |
| DesignArena 3D 设计 | 1401 | 表内最高 | DesignArena |
| AA-Briefcase v1.1 | 1527 Elo | 表内第二 | Artificial Analysis |
| JobBench | 70.5% | 表内最高 | — |
| Vals 法律指数 | 73.9% | 表内第二 | Vals |
| SWEBench Pro v2（Hard） | 86.3% | 表内第二 | Scale AI |
| DeepSWE v1.1 | 72.1% | 表内第二 | Datacurve |
| FrontierCode v2.0 | 25.4% | 表内第二 | Artificial Analysis |
| PMPP-Hard 内核优化 AUC | 494.27 | 表内第二（GPT-6 Astra 616.39 最高） | 官方自建 |
| AA-3D | 1021 | 表内最高 | Artificial Analysis |
| ScreenSpot Pro 原始 / 配 Python | 83.8 / 91.5% | 表内最高 | — |
| BabyVision 原始 / 配 Python | 68.6 / 93.7% | 表内最高 | — |
一句话：它是"造东西"的模型。DesignArena 四个子榜全表第一，Code Arena 1653，还能用 Three.js 从零生成一整座城市模拟器、在 Blender 里出图、给一张生物课本图生成 3D 讲解网页。
Hy4 的强项（官方自述，多数为内部或众测口径）
| 场景 | 结果 | 口径 |
|---|---|---|
| 游戏开发 GameDev / GameLogic | 相对 preview +19.1% / +9.8% | 官方自评，与 IEG 共建数据 |
| 金融众测（579 个真实任务、213 位专家） | Hy4 3.04 > DeepSeek-V4.1-Flash-1017 2.97 > Kimi K3.1 Pro 2.68 = GLM-5.3 2.68 | 联合腾讯 FiT，153 位外部专家、七成 5 年以上经验 |
| 金融智能体 IRAB（讯兔科技内部） | 相对 preview +12.03 个百分点 | 第三方公司内部评测 |
| 自建幻觉测试 | 幻觉率 15.76% → 5.45%；猜测型错误 23.1% → 5.6% | 官方自建测试 |
| TenureTrail（7 学科 123 项研究任务） | 开源模型第一 | 官方内部评测 |
| 小鼠胚胎三维重建 | 699 万细胞 / 84 张无序切片，1.5 小时完成对齐与重建，全程无人干预 | 官方案例 |
| Méndez–Pinto–Villarreal 猜想 | 找到反例、提出新增条件、Lean 形式化验证 | 与北大数学团队合作 |
| 预训练基础设施调优 | 端到端训练吞吐 +20.1% | 官方自述 |
| HyCell（1600 万参数） | 约 1/14 参数量达到 SOTA「Stack」相当综合性能 | 官方自述 |
| HyPDE vs Walrus | 13 个物理仿真数据集，单步/短期/长期分别 9、10、8 个更优 | 官方自述 |
一句话：它是"办事的"模型。中文办公双写（Word/Excel/PPT 实时协作）、Blender/CAD 专项、跨软件长程任务，还有一串能拿出来的科研落地案例。
两边各自承认的短板
| 模型 | 官方自己写的局限 |
|---|---|
| Inkling 2 Small | 表达不够简洁；技能库庞大时选不准工具；聊天体验偏弱（"斜杠过多"、对心理健康类提问过度反应）；不支持音频 |
| 腾讯 Hy4 | 与顶尖闭源模型差距仍大，尤其内部自建的高难度前沿数学、长程开发、模型迭代、视觉问答测试集 |
四、真正拉开距离的是"幻觉率"，不是总分
这是本次对照里最值得单独拎出来的一节。
| 模型 | AA-Omniscience v1.1 准确率 | 非幻觉率（即 1 − 幻觉率） | 读法 |
|---|---|---|---|
| 腾讯 Hy4 | 50.0%（比 Kimi K3.1 Pro 高 1 分） | 10.9%（幻觉率 89%） | 敢答，答错的概率也高 |
| Inkling 2 Small | 16.1% | 73.3% | 知道得少，但不知道时会说不知道 |
| Kimi K3.1 Pro（参照） | 49% | 63%（幻觉率 37%） | 两头都居中 |
这两行数字放在一起看很有意思：
- Hy4 的 50% 准确率在这组对照里比 Kimi K3.1 Pro 高 1 分，说明它的知识覆盖确实广。代价是 89% 的幻觉率——剩下那一半它倾向于猜，而不是说"不知道"。
- Inkling 2 Small 反过来：16.1% 的准确率在表里排倒数，但 73.3% 的非幻觉率是表内最高。它把"我不确定"这条路走通了。
⚠️ 注意 Hy4 官方稿里另有一组自建幻觉数据（幻觉率从 15.76% 降到 5.45%），与 AA 的 89% 差了近 16 倍。两个数字测的不是一回事：官方那组测的是自家场景的检索类问答，AA 测的是开放式知识问答并在答错时直接判幻觉。别把 5.45% 当成"Hy4 幻觉率 5%"来用。
对使用者意味着什么：要一个能替你下判断的模型（金融口径、法条引用、医疗信息）→ 89% 幻觉率是硬伤，必须外挂校验；要一个能老实说"这段我不知道、你给原文"的模型 → Inkling 的属性更安全。
五、"开放权重"的两种承诺
| 维度 | Inkling 2 Small | 腾讯 Hy4 |
|---|---|---|
| 是否已开放 | 否（初期闭源，走 Tinker） | 否（计划开源） |
| 许可证 | 已明确：Apache 2.0 | 未给名称 |
| 时间 | 已明确：下周（前置条件：外部安全测试与红队评估） | 「计划」，无日期 |
| 配套 | 检查点可下载、Tinker 微调、Cookbook 抽象、异步 RL 实现 | vLLM/SGLang 社区 + Inferact Inc. 生态支持；计划发系统卡片 |
| 可核查的承诺 | 有前置条件、有验收标准（安全测试完成） | 只有方向性表述 |
这块的实务价值很高：Apache 2.0 意味着你能立刻做商业分发、二次许可、私有化部署的合规审查；「计划开源」意味着这些事一件都还不能做。所以下面这段自查脚本值得在选型时先跑一遍。
# 查 OpenRouter 上两个模型的真实定价 / 模态 / 上下文（无需 key）
curl -s "https://openrouter.ai/api/v1/models" \
| python -c "
import json,sys
d=json.load(sys.stdin)['data']
for m in d:
if m['id'] in ('tencent/hy4','tencent/hy4-preview'):
p=m['pricing']
print(m['id'], m['architecture']['modality'], m['context_length'])
print(' in/out/cache =', p.get('prompt'), p.get('completion'), p.get('input_cache_read'))
"
# 2026-11-07 实测输出：
# tencent/hy4 text+image->text 1048576
# in/out/cache = 0.000000417 0.0000012505 0.000000021 ← 5 折后的实际挂牌
六、能不能本地跑？两个都别想
"Inkling 2 Small" 里的 Small 是相对自家 975B 的 Inkling 而言，不是"小模型"。按参数量粗估显存：
| 精度 | Inkling 2 Small（594B） | Hy4（参数未公开，按 preview 770B 作下限参考） |
|---|---|---|
| BF16 | ≈ 1106 GB（1.08 TB） | ≈ 1434 GB（1.40 TB） |
| FP8 | ≈ 553 GB | ≈ 717 GB |
| 4-bit（NVFP4 一类） | ≈ 277 GB | ≈ 359 GB |
# 粗估权重体积：只算参数，不含 KV cache 与激活峰值
for name, total_b in [("Inkling 2 Small", 594), ("Hy4 preview(下限参考)", 770)]:
for bits, label in [(16, "BF16"), (8, "FP8"), (4, "4-bit")]:
gb = total_b * 1e9 * bits / 8 / (1024 ** 3)
print(f"{name:24s} {label:6s} ≈ {gb:7.1f} GB")
# Inkling 2 Small BF16 ≈ 1106.5 GB
# Inkling 2 Small FP8 ≈ 553.3 GB
# Inkling 2 Small 4-bit ≈ 276.6 GB
再补一个"每任务成本换成等效混合价"的换算脚本，方便和厂商的中文报价对照：
# 用 AA 公布的"输出/输入 token 比"反推每百万 token 的等效混合价
# 注意：这只是量级参考，不是任何一家的官方计价方式
ratio = {"inkling": 0.855, "hy4": 2.623} # AA 页给出的 输出/输入 token 百分比
price = {"inkling": (0.30, 1.00), "hy4": (0.834, 2.501)}
for name, (pi, po) in price.items():
r = ratio[name] / 100
blended = (1 * pi + r * po) / (1 + r)
print(f"{name:8s} r={r:.3f} blended ≈ ${blended:.4f}/百万 token")
# inkling r=0.009 blended ≈ $0.3059
# hy4 r=0.026 blended ≈ $0.8766
作为对照，如果按 Artificial Analysis 自己惯用的 3:1 输入输出配比折算，结果会是 Inkling $0.475、Hy4 $1.251。这三个数都不等于厂商报价，也不是 AA 的每任务成本，只是把两种计价口径摊平到同一张纸上。
⚠️ 这里有个容易读反的地方：Hy4 的挂牌价看着贵，其实在同档模型里算便宜。AA 标注的同类中位数是输入 $2.00、输出 $10.00，而 Hy4 是 $0.834 / $2.501——不到中位数的一半。所以它在 AA 的成本项排第 16 / 68（越靠前越便宜），而非性价比差。真正的差距在绝对值上：Inkling $0.30/$1.00 依然只有 Hy4 的 1/3 到 1/2.5。
⚠️ 三条必须说清：
- Inkling 的训练原生用 NVFP4（Blackwell 才有的 4 位浮点格式），官方也提到有"NVFP4 KV 缓存变体"能降部署成本——所以 4-bit 路线不是空想，但至少要一张或多张 Blackwell 级别的卡。
- 1M 上下文的 KV cache 是额外开销，上表没算。真要跑满上下文，显存还要往上加。
- Hy4 的正式版参数量至今没有公开数字。上面那行 770B 是 preview 的，只能当"下限参考"，不能写成"Hy4 是 770B"。这条红线不能踩。
结论很直白：两家的"开放权重"都是给托管服务和集群部署用的，不是给个人开发者本地跑的。 想自建，得先算清卡。
七、选型：按场景选，别按分数选
| 你的处境 | 选谁 | 理由 |
|---|---|---|
| 今天就要接 API 上线，跑中文办公 / 金融分析 | Hy4 | 已在腾讯云与 OpenRouter 上线；金融众测 3.04 第一；办公双写 |
| 要 GUI 自动化、跨软件长程任务（Blender/CAD） | Hy4 | 首次支持电脑操作，命令行与图形界面混合 |
| 要做视觉创作、前端原型、游戏/3D 生成 | Inkling 2 Small | DesignArena 四子榜全表第一，Code Arena 1653 |
| 要拿基座做领域微调、要能审训练配方 | Inkling 2 Small | Apache 2.0（下周）+ 全流程配方披露 + Tinker 微调路径 |
| 要低延迟交互（聊天、边打边看） | Inkling 2 Small | TTFT 29s vs 103s |
| 要夜间批处理吞吐、卡时长 | Hy4 | 每任务 13.9 分钟 vs 16.5 分钟；成本 $1.03 vs $1.18 |
| 不能容忍"编造"（法条、财报、医疗） | Inkling 2 Small | 非幻觉率 73.3% vs 10.9% |
| 需要立刻做许可证合规审查 | 都还不能 | 两家权重均未开放 |
| 想本地私有化部署 | 都别想 | 594B / ≥770B，最低也得几百 GB 显存 |
如果只能给一句话：Hy4 是"能用"的模型，Inkling 2 Small 是"能改"的模型。 前者卖的是场景与交付，后者卖的是配方与可塑性。
一个补充观察：两者的目标用户根本不重叠。Hy4 的发布稿里出现最多的词是"真实生产力""办公""金融""科研落地"，配套动作是腾讯云上线、CodeBuddy/WorkBuddy/元宝/ima 全产品矩阵接入；Inkling 2 Small 的发布稿里出现最多的是"训练配方""RL 规模""可定制性""基准测试方法"，配套动作是 Tinker 微调平台 + Cookbook。一个在卖交付，一个在卖可塑性——这不是同一场比赛。
八、还没证实、或者说需要打折的部分
- Hy4 的参数、训练 token 数、算力规模全部未披露。官方稿只给评测与应用案例，无法判断其规模效率。
- Hy4 的所有分数几乎都是官方或内部口径：金融 3.04、TenureTrail 第一、GameDev +19.1%、吞吐 +20.1%、HyCell/HyPDE 对比——均无第三方复现。AA 那份 35 分是唯一可横比的第三方数据。
- Inkling 2 Small 的分数多为"厂商表 + 第三方机构提供"的混合：表中注明分数取自 ARC Prize、Arena、AA、Datacurve、DesignArena、Scale AI、Surge、Mercor、Thoughtful、Vals 十家机构，但选哪几项、和谁比是厂商自己定的。ARC-AGI-2 的 81.7% 是 ARC Prize 口径，AA 指数里的 9 项不含 ARC。
- Inkling 权重尚未真正开放。"下周 Apache 2.0"是计划，前置条件写明是外部安全测试与红队评估——存在延期可能。
- 两家的 AA 分数快照日期不同（Inkling 表 11-05、Hy4 推文 11-05 18:23），FrontierCode 这类榜单每天都在动，隔一天数字就变。
- AIHOT 模型榜的 Hy4 65.8 分覆盖度只有 9 项，官方明确"暂不排名"，不能拿来和 Inkling 的 62.6（25 项）比大小。
数据来源
| 内容 | 来源 | 时点（北京时间） |
|---|---|---|
| Inkling 2 Small 全文（架构、配方、全部评测表、局限） | AIHOT 条目页 → Thinking Machines Lab 官方博客 | 2026-11-05 15:00 |
| Hy4 正式版全文（场景、众测、科研案例、安全审计） | AIHOT 条目页 → 腾讯混元公众号 | 2026-11-04 12:43 |
| Hy4 的 AA 评测（35 分、FrontierCode 31%、幻觉率 89%） | AIHOT 条目页 → Artificial Analysis 推文 | 2026-11-05 18:23 |
| 两家 AA 指数 / 成本 / 速度 / TTFT / 模态 | Artificial Analysis 模型页（inkling-2-small、tencent-hy4） | 2026-11-07 抓取 |
| Hy4 定价与 5 折、模态、上下文核对 | OpenRouter 模型 API 与模型页 | 2026-11-07 实测 |
| Hy4 preview 为 770B/49B、1M 上下文 | IT之家 2026-08-28 报道 | 2026-08-28 14:15 |
| AIHOT 评分与名次（62.6 / 65.8 / 覆盖度） | AIHOT 模型榜 | 2026-11-07 14:05 更新 |
免责声明：本文所有评测分数均为第三方机构或厂商自述口径，未经独立复现；跨厂商分数仅在 Artificial Analysis Intelligence Index 这一同口径下作横比，其余数字不可互换。价格按页面标注的美元原价列出，未做汇率折算，实际结算以账单为准。显存体积为按参数量粗估，未计入 KV 缓存与激活峰值，不构成部署建议。本文不构成任何采购或投资建议。
posted on 2026-11-07 15:43 fox_charon 阅读(5) 评论(0) 收藏 举报
浙公网安备 33010602011771号