腾讯在 2026 年 11 月 4 日端出了完整版大模型 Hy4。相比两个月前的预览版（此前已按 Apache 2.0 协议开源权重），正式版补齐了视觉理解和自主操作电脑两项硬技能，目前已上线腾讯云、OpenRouter 和元宝 App，API 定价维持在输入 0.834 美元/百万 tokens、输出 2.501 美元/百万 tokens，完整版权重承诺稍后放出。腾讯把这代模型包装成中国大模型第二、金融实测第一的全能选手，但如果扒开第三方独立评测的底裤，你会看到一个基座智力掉队、性价比卡在夹心层，却在工程干活上极其务实的偏科生。

先用最快速度过一遍 Hy4 这次真正立住的工程长板與业务数据：

  • 视觉与电脑操作（Computer Use）：首次支持看图和跨软件操作。它能在 62500×45000 像素（28 亿像素）的航拍图里，通过写代码裁剪画面的方式找出一块约 2 米的屋顶组件；还能自己操作 Blender、CAD 以及 Unreal、Unity、Godot 游戏引擎。在操作电脑的 OSWorld 2.1 基准测试中，Hy4 拿到 78.9 分，压过 GPT-6.1 Sol 的 75.2 分，仅次于 Claude Opus 5.5 的 81.8 分。
  • 内部生态落地.在腾讯自家的《王者荣耀》开发团队里，Hy4 接管了配置任务和 Bug 溯源；在内部 WorkBuddy 评测里拿到 83.18 的平均分和 96.15% 的通过率，还能实时协同处理 Word、Excel 和 PPT。
  • AI 训练 AI.配合腾讯的 Hyra 2.0 智能体系统，Hy4 经过 6 步迭代把腾讯内部小模型训练基础设施的吞吐量拉高了约 20%（达到 120.1%），甚至独立训练出了美国创业公司 TypeSafe AI 决策模型 Jev 的自有变体，在 8 项测试里有 6 项反超原版，并顺手产出了两个准备开源的生物与物理专项模型。
Hy4 工程化的三条实干路径与量化产出 OSWorld 2.1 电脑操作 78.9 分 超 GPT-6.1 Sol (75.2) 操控 CAD / Blender / 游戏引擎 超大航拍图代码检索 28 亿像素 62500×45000 分辨率 写代码裁剪定位 2 米屋顶件 Hyra 2.0 管线自优化 +20.1% 6 步拉升内部训练吞吐量 独立训出 Jev 变体 8 测 6 胜

撕开中国第二与金融第一的榜单滤镜

看完了腾讯想让你看的肌肉，我们得把账本翻到背面。我不太买账的是这次围绕排名和垂直评测造出来的声势。

前有高分对手后有低价追兵，新模型卡在性价比夹心层(示意图)
前有高分对手后有低价追兵，新模型卡在性价比夹心层(示意图)

独立测评机构 Artificial Analysis（Index v5.0.1，2026 年 11 月 5 日数据）确实把 Hy4 排在了中国模型第二名，综合智能指数拿到 35 分（高于中位数 30 分，与 Grok 4.7 持平）。但这个第二名含金量极其尴尬：排在第一的 Kimi K3.1 Pro 拿到了 46 分的断层高分，而排在后面的 DeepSeek V4.1 Flash 1017（33 分）和 GLM-5.3（32 分）紧贴在腾讯脚后跟上。放眼全球榜单，Hy4 在英文榜排第 40/69 名，中文榜排第 43/106 名，综合智力只跟 Anthropic 最小的模型 Claude Haiku 5.5 打个平手，而 Haiku 5.5 跑完单任务的成本几乎只有它的一半。

模型名称AA 智能指数输入价格 ($/1M)输出价格 ($/1M)单任务成本 ($)
Kimi K3.1 Pro46 分$2.00$10.00$3.68
腾讯 Hy435 分$0.834$2.501暂未公布
DeepSeek V4.1 Flash33 分$0.30$1.20$0.60
GLM-5.332 分$1.40$4.40$5.01

看一眼这张价格对照表，就能明白什么叫性价比夹心层。Hy4 在综合智力上只比 DeepSeek V4.1 Flash 高出微弱的 2 分，但输入和输出 Token 价格却贵了一倍不止。比聪明，它够不着 Kimi 的尾灯；比便宜，它又被 DeepSeek 按在地上摩擦。至于腾讯自己承认的高等数学、长线编程和复杂图像分析短板，在 Hy-FrontierMath T5 测试里更是露了底：GPT-6.1 Sol 拿 97.5 分，Claude Opus 5.5 拿 91.3 分，而 Hy4 只有惨淡的 13.0 分。

再看腾讯大书特书的金融评测第一。这场测试由腾讯 Hy 团队与腾讯金融科技自己攒局，找来 213 名金融专业人士（其中 153 人来自外部机构）评估 579 项真实任务。结果是 Hy4 得 3.04 分，DeepSeek-V4.1-Flash-1017 得 2.97 分，Kimi K3.1 Pro 和 GLM-5.3 同为 2.68 分。

这里藏着两个猫腻。第一，3.04 分对 2.97 分的领先幅度极小，且官方根本没有公布评分方法论与统计误差范围；第二，在腾讯自己的通用基准图里，Claude Opus 5.5 原本在全部 12 项测试中碾压 Hy4，GPT-6.1 Sol 也在 8 项里胜出，偏偏到了这场自家主场办的金融赛里，这两个国际顶尖对手直接被踢出了参赛名单。金融平台 Comein 吹捧 Hy4 追平 Claude Opus 5.5、智能体平台 Manus 夸它文档任务全过，拿的也全是无法交叉验证的内部测试。

断网后的诚实度危机与大厂的务实转向

比跑分造势更值得企业客户警惕的，是 Hy4 对联网搜索这根拐杖的重度依赖。

一旦脱离公网搜索的拐杖，离线状态下盲猜率高达89%
一旦脱离公网搜索的拐杖，离线状态下盲猜率高达89%

腾讯在宣传材料里把低幻觉率当成核心卖点，但自家的数字都没对齐：部分研究页面宣称联网搜索幻觉率从 15.76% 降到了 5.45%，而腾讯官方新闻稿写的却是内部评测幻觉率从 12.95% 降至 7.2%（另将无根据假设错误从 23.1% 降至 5.6%）。

不管信哪套数字，这都只是接上网线、靠检索增强（RAG）喂饭之后的表现。一旦拔掉网线，在 Artificial Analysis 的 AA-Omniscience 事实准确性测试中，Hy4 仅凭自身训练数据只能答对约一半的问题。更要命的是，当遇到不知道答案的盲区时，它有 89% 的概率选择瞎编，而不是老老实实承认自己不知道。

联网检索拐杖 vs 断网基座原形：Hy4 的诚实度反差 联网状态（腾讯内部测试） 5.45% ~ 7.2% 重构搜索后的对外宣称幻觉率 注：研究页(5.45%)与新闻稿(7.2%)口径不一 无网状态（AA-Omniscience 独立测评） 89% 概率瞎编 面对未知问题时拒绝承认知识盲区 无网凭训练数据仅答对约 50% 事实题
检索能替模型找米下锅，却治不好基座模型不懂装懂的毛病。

《论语》里讲，知之为知之，不知为不知，是知也。大模型在工业界落地，最怕的不是笨，而是嘴硬。89% 的无网盲猜率说明 Hy4 基座模型本身的事实校准（Calibration）依然非常脆弱。对于那些出于数据合规要求、必须在内网环境或私有化部署下跑模型的金融与政企客户来说，一旦离开公网搜索的拐杖，这个高达九成的强行挽尊率就是埋在业务流里的雷。

  • 风险.计划在内网离线调用 Hy4 或等待其开源权重做本地部署的企业，必须自己加一层严格的外部知识库校验，绝不能裸跑它的内置知识。

不过，把这些短板和长板拼在一起，我反而看懂了腾讯现在的真实算盘。

今年 10 月下旬，Artificial Analysis 更新了评测标准，把私有测试集权重提到了 60%，开源模型与国际顶尖闭源模型的差距瞬间从 3 分拉大到了 12 分。既然在纯基座智力和高难度数学上短时间内追不上 Claude Opus 5.5 和 GPT-6.1 Sol，在国内刷榜又拼不过 Kimi，腾讯干脆放弃了做温室里的奥数冠军，转头去当自家庞大产业帝国的车间工人。

你看它这次发力的地方，全都长在腾讯自己的肉上：用 28 亿像素代码裁图和操控 CAD/Unity 去喂养自家的游戏工作室（《王者荣耀》查 Bug），用办公套件协同去绑紧企业微信与文档生态，用 Hyra 2.0 管线提升 20% 吞吐量来给内部训小模型省算力钱，再把价格更低的 Hy4 flash 排上日程。这套打法不性感，甚至在独立智力榜上有些狼狈，但对腾讯自己来说，每一分算力都砸在了能立刻省钱或交差的业务闭环里。

至于开发者和开源社区接下来该盯紧什么？别看宣传稿里的榜单名次，盯紧三件事就够了：第一，在中国商务部与科技部今年 10 月刚刚发布开源模型出口管制草案（覆盖全球前十或超 2 万亿参数模型，但为开源留了自动审批快车道）的背景下，腾讯承诺的完整版权重到底哪天能兑现；第二，那个惊艳的 OSWorld 78.9 分电脑操作能力，在离开腾讯官方 Demo 后能不能经得起第三方开发者的独立复现；第三，Artificial Analysis 最终测出来的 Hy4 单任务真实总成本到底是多少。