11 月 4 日，WorkBuddy 的模型列表里多了个 Hy4，标签是「限时免费」，倍率 0.00x。右侧详情一行小字：11 月 4 日到 15 日，每日赠送免费额度，订阅用户享更高配额。
这篇想弄清楚三件事：这次到底升了什么；官方那套分数能信几分；跟国内几家摆一起，它排第几。
结论先摆出来。升的不是规模，是感官和后训练。官方分数大体对得上，只是幻觉率给了两套口径，四项基准还标着 internal。第三方榜上的名次还空着——四张榜，它一格都没有。
同一天腾讯发稿，稿子里写「Hy4 的综合表现已跻身最强开源模型之列」。这话不算过分，但升级的位置跟以前不一样。
底座没换，加的是感官
770B 总参数、49B 激活，MoE。和 8 月 28 日开源的那版 Hy4 preview 一模一样。
官方说法是在预训练和后训练上「显著扩展了数据和训练规模」。扩的是喂进去的数据和练的轮次，不是模型的身板。今年 2 月重建基础设施之后，参数一路往上爬——Hy3 系列不到 300B，Hy4 系列到了 770B，这一版没接着爬。
官方对外报的是三条能力：1M 超大上下文、视觉理解、CUA 计算机操作。例子举得也实在：整仓代码、几十万字文档一次性载入。
三条里两条是新加的，第一条不是。preview 的模型卡上，上下文一栏写的就是 1M，括号里注着「API 最大输入 960K、最大输出 64K」——这版一个数都没动。
先说感官。preview 没有视觉理解，图片丢进去它读不了。Hy4 第一次接上，截图、图表、界面、报错信息都能直接读，带图的数学题也能算。官方举的例子是在 28 亿像素的航拍图里找一个两米宽的屋顶构件——这个例子我信一半。像素量大不等于难，难的是在密集纹理里锁定小目标，稿子里没给召回率。
视觉进来之后，另一件事跟着通了：它能自己动电脑了。官方叫 CUA，Computer Use Agent——自己开浏览器、点按钮、敲命令，把一整条流程走完。命令行和图形界面混着用，Blender、CAD 这类专业软件做了专项训练。训练场是混元跟腾讯云 Agent Runtime 团队一起搭的沙箱，里面部署了数百款应用软件，让模型反复执行任务、验证结果。这个 Agent Runtime 也对外开放。
视觉和 Computer Use 是一件事的两面：模型终于能从界面里拿信息，不再只从 prompt 里拿。这两样此前都没有，从零到一，没人给它垫底。
后训练那头，改动集中在指令遵循、长文理解、长程 Agent 和深度研究。preview 的模型卡里自己写着两个已知毛病：复杂任务上想太久，以及「过度自我验证」——反复检查同一个结论，白烧 token。10 月 29 日生态大会预告正式版时，思维链效率被列进三项核心升级——想太久这条，官方自己承认了。
增量有多少，只挑能核对的几个数
发布稿里的漂亮话可以略过，能核对的就这几组。先把 preview 到正式版的账摆出来。
幻觉率有个小麻烦：官方两处给了两套数。混元官网研究页写「15.76% 降到 5.45%」，腾讯技术工程公众号写「12.95% 降到 7.2%」，媒体转载也分成两拨。两个数出自不同的自建测试集，口径都没写全，没法互相换算。这种情况我不去猜哪个对，看两边一致的那个：因猜测导致的错误率，23.1% 降到 5.6%，一字不差。
砍掉四分之三。它管的是信息不足时硬编答案——比幻觉率那两套数更接近日常踩到的坑。
其余几组都是具体涨幅。GameDev 涨 19.1%，GameLogic 涨 9.8%，讯兔科技那个 IRAB 金融评测涨 12.03 个百分点。官方还说 WorkBuddy 办公场景 83.18 分、通过率 96.15%、12 个场景里 9 个国内第一——这组是腾讯自己测的，还跟自家产品深度 Co-Design，参考价值要打折。
官方那套分数，能信几分
官方随稿放了张十二格的评测看板。蓝柱是 Hy4，周围五家对手，上一代 preview 只以柱内那条虚线出现，不参与排位——十二项里，那条虚线都在蓝柱下方。
八次第三，一次第二，三次第四，一次第一都没有。
这张板子上的数能互相验算。对 Claude Opus 5.5 十二项全负，所以它必然零次第一；对 GLM-5.3 和 DeepSeek 全胜（GLM 的 OSWorld 没给数），那八次第三里就没有这两家；Kimi K3.1 Pro 赢它六次——三次落在它排第四的那三项，三次散在排第三的八项里。十二项，八加一加三，对得上。
单项上最亮的是 E-Bench 2.0，70.0 分，压过 GPT-6.1 Sol 的 66.8 和 DeepSeek 的 65.3，只输给 Opus 的 80.0。这是整张板里唯一挤进前二的一格。
也得说句公道话。49B 激活扛 770B 的盘子做到这个位次，效率是实打实的。视觉和 Computer Use 一版接上就拿了 OSWorld 2.1 的 78.9 分，前面只剩 Kimi 和 Opus 两家。
至于分数本身可不可信，能做的交叉验证只有一处。官方给 Terminal Bench 4.0 的 GLM-5.3 是 42.9、DeepSeek 1017 是 40.0；第三方 LLMBoard 11 月 3 日那期给的是 GLM 41.8、DeepSeek 42.3。量级对得上，个别差 2 分上下。至少在公开测试集这一格，官方没乱标。那些标了 internal 的、或者带星号的格子横向比就得打折——星号的意思是发布时才第一次评估，此前没有参照成绩。
和国内几家摆一起，别把两堆数混着算
这两堆数不能横着加。腾讯给的是自建评测和专家众测，第三方给的是通用和专项榜，量程、任务集、评测日期全不一样。把 3.04 分和 72.62 分放一起算加权平均，那是编出来的数。所以下面分两堆放。
腾讯自己选的场景里，金融众测最硬：混元联合腾讯金融科技 FiT 做了 213 位专家的众测，其中 153 位来自外部头部金融机构，七成有五年以上经验，盲测 579 个真实任务，4 分制。Hy4 拿 3.04，DeepSeek-V4.1-Flash-1017 是 2.97，Kimi K3.1 Pro 和 GLM-5.3 都是 2.68。官方口径是「位居开源模型第一」。题是真实业务，打分的人过半来自腾讯之外。
第三方那边另算。SuperCLUE 智能指数是 Jul 2026 那期中文评测，507 个任务、六个维度，9 月补测：Qwen3.8-Max-0902 拿 72.62 排最前，DeepSeek-V4.1-Flash 71.81、Qwen3.8-Max 71.48、GLM-5.3 71.29、Kimi-K3 70.68 紧随，前五名挤在 2 分以内；腾讯在榜上的只有 Hy3，62.13 分。
酥悠沫 11 月国产榜按对局得分率排（11 月 3 日快照），Kimi K3.1 Pro 94.2 居首，DeepSeek-V4.1-Flash-1017 88.4、Qwen3.8-Max-0902 86.8、GLM-5.3 80.0，Hunyuan 4 Preview 是 73.2，国产第 14、全球 #39。Vals AI 的 Tax Agent Bench 上，Hy4 preview 32.6% 排第 16，同榜 Qwen3.8 Max 49.7%、DeepSeek 1017 44.4%、GLM 39.7%。
Hy4 正式版在这四张榜上一格都没有，今天刚发布，谁都还没来得及测。「它排第几」得先说清问的是哪张榜：腾讯自己那张给了它相对五家的位置，独立第三方的今天还没有。眼下能说的只有两条：在腾讯选的场景里，它赢了同场三家；在第三方通用榜上，上一代 preview 落在国产十名开外。中间差多少，等 SuperCLUE、Artificial Analysis 收录再说。
几处别急着高兴的地方
短板最明显的是终端。Terminal Bench Science 0.1 上 Hy4 拿 19.8，Kimi K3.1 Pro 41.7，不到对面一半；GPT-6.1 Sol 60.9，Opus 5.5 56.2，差得更远；Terminal Bench 4.0 是 44.4，对面 Kimi 66.8。落到具体的活上：改既有代码、让它跑通，它行；在命令行里一步步试错、读报错、改环境，它不行。想拿它做运维自动化或者科研辅助，先自己跑一遍，别照着通稿定。
混元自己在文末也认了这一点：尽管 Hy4 已经是目前最强的开源模型之一，但与顶尖闭源模型仍然存在较大差距，接下来要继续扩大预训练和后训练规模去缩这段距离。
对要私有化部署的人，还有一条更要紧：权重没放出来。preview 8 月 28 日就是 Apache 2.0 直接开源的，Hugging Face、ModelScope、GitCode 都能下；正式版到今天只说了一句「近期开源」，没给日子。想本地跑，得等。
价格和免费的口径也说清。API 价格没涨：输入 6 元、输出 18 元、缓存命中 0.3 元，每百万 tokens。腾讯云那篇稿写「输入最低 0.3 元」，那是缓存价，别看错。限时三档：TokenHub 按量调用 5 折到 12 月 31 日，Token Plan 订阅积分 2.5 折到 11 月 18 日，WorkBuddy / CodeBuddy 在 11 月 4 日到 15 日之间每日赠送额度。Hy4 flash 还在路上，定位是压成本。
我会怎么试
这十来天免费，我打算拿两类活去试它。一类是带图的多源材料，截图、表格、文档混着丢进去，看它是不是真能读，尤其碰到看不清的地方会不会硬编。官方那个冰箱照片的演示里，模型把四处认不出的食材标成「待确认」，这一条我要自己复现一遍。另一类是跨应用的长活，让它连着改 Word、Excel、PPT，看中途断不断、状态丢不丢。
纯算法题和终端排错我不打算拿来判它，看板上那两格已经写明白了。
最后插一句闲话。免费额度是真的不多，我这边刚用顺手就撞了墙，提示写得很客气：请求频率超过保护阈值，属于正常限流，解禁时间是当天 18:37——四个钟头。
不过我倒不觉得亏。免费最怕的是挤，模型一火，排队能排到你以为界面卡死了；限了量反倒不挤，随时点随时有反应。
