混元Hy4登第三方榜单，评分仅次于Kimi K3

腾讯混元Hy4拿到一个可比较的坐标。11月7日，腾讯混元转发Artificial Analysis对Hy4的评测结果，按其Intelligence Index v5，Hy4得分为35，在中国实验室模型中仅次于Kimi K3。这条消息本身并不长，但它标志着一件事：国内大模型正在从各自发布会上的描述，走到可以并排比较的公开基准面前。对开发者来说，选型时少一点凭感觉，多一点可复核的数据，这正是第三方榜单的价值所在。

先看Hy4这款模型。11月4日，腾讯正式发布混元Hy4，总参数7700亿、每次推理仅激活490亿参数，是混元系列中首次具备图像识别能力、甚至能通过点击屏幕直接操作计算机的模型。发布之后，Hy4已在腾讯云和OpenRouter上线，开发者可以直接调用。Artificial Analysis的Intelligence Index是一套综合评测指数，覆盖多个任务维度的模型表现，v5是其最新版本。Hy4拿到35分，放在中国实验室模型的横向比较里，仅次于Kimi K3，这个位置说明Hy4的综合能力已经进入了国内第一梯队，至少在第三方评测的口径下是这样。

但榜单的意义也要放在正确的位置上理解。单个榜单当然不能替代完整的能力判断，尤其不同团队会针对不同任务取舍。有的模型擅长推理，有的擅长代码，有的擅长长文本，有的擅长多模态，一张榜单的综合分很难把这些差异完全摊开。更何况，不同榜单的测试集、权重与评分方法各不相同，同一个模型在不同榜单上的名次可能相差甚远。Hy4的35分，首先是一个可比较的坐标，而不是一句“谁强谁弱”的终审判决。对开发者而言，榜单的价值在于提供一把统一的尺子，而不是替你做决定。

把Hy4的榜单成绩放到最近一周的国产模型发布潮里看，画面会更完整。11月4日，月之暗面开放了Kimi K3.1 Pro的权重，总参数2.8万亿的模型登顶Agent Arena开放模型榜；11月5日，百度公开了ERNIE 5.5 Flash Base的权重，总参数280B，自评在30个基准测试中的24项领先同规模中国模型；11月7日，蚂蚁百灵发布Ling-3.2-flash，总参数560B，主打1M原生长上下文与自检恢复。短短几天，头部厂商接连把大模型推向开源社区，竞争的焦点已经从“参数多大”转向了“能力如何被第三方验证”。谁的分数经得起独立复核，谁的模型才真正站得住脚。

值得注意的是，这波榜单热背后，还有一个正在形成的共识：厂商自评与第三方评测正在分工。厂商发布时给出的基准成绩，往往是自己选的测试集、自己跑的分，难免有“报喜”的倾向。百度在ERNIE 5.5 Flash Base的发布中就坦言，自评对比的是同规模的开源基础模型，且尚未经过独立验证。第三方机构的价值，恰恰在于用同一套尺子量所有模型，让不同厂商的成绩可以并排比较。Hy4这次被Artificial Analysis测出35分，相当于接受了一次公开的“体检”，体检报告好不好是一回事，敢不敢公开体检是另一回事。

对腾讯来说，Hy4的榜单成绩还有一层商业含义。混元系列此前一直被认为在开源模型的第一梯队里稍显低调，这次拿到第三方榜单的中国第二，至少在传播层面补上了一块短板。而对整个行业来说，越来越多的模型愿意接受第三方评测，本身就是一个积极信号：当榜单成为常态，厂商的注意力会从发布会上的措辞，转向评测集上的真实表现。接下来值得观察的，是Hy4在更多榜单上的成绩，以及Kimi、百度、蚂蚁等厂商的模型是否会在同一套尺子下接受比较。当所有人都在同一张榜单上，竞争才真正开始。

来源：Artificial Analysis（晨启Tech 2026年11月7日科技简报整理）

本文为作者原创，未经授权禁止转载。转载请保留原文链接并注明出处。