一个不太敢瞎说的模型

2026-11-04 · 人工智能

我们组评模型，最怕的不是它答不上来。

答不上来好办。它会说「没有找到相关信息」，我换个问法，或者自己去查。麻烦的是它答得特别顺。数字、年份、文件编号、一份不存在的报告的第 3.2 节，全都排得整整齐齐，末尾还给你挂两个来源。你照着念出去，第二天被人问住。

所以今天看到一行数字，我把那段话读了两遍。

11 月 4 日，腾讯混元发 Hy4 正式版。在一篇大半在讲跑分和场景的博客里，官方写了两句像自我批评的成绩：在自建测试中，幻觉率从 preview 的 15.76% 降到 5.45%，猜测导致的错误率从 23.1% 降到 5.6%。

15.76% 差不多六分之一。5.45% 差不多十八分之一。

以前问六次，有一次是编的。现在问十八次，有一次是编的。它没说变聪明了多少，它说的是自己少猜了多少。

这个数得打个折听。自建测试，题目自己出的，跟第三方评测不是一回事。但即便如此，一家公司愿意在发布稿里写「我们以前有六分之一的时候在瞎猜」，这件事本身比数字新鲜。行业里更常见的写法是把「幻觉率下降」画成一条平滑下行的曲线，不标起点。

它现在会看，也会动手

按混元对媒体的说法，Hy4 系列做到 770B，上一代 Hy3 系列不到 300B。架构还是 MoE。8 月 28 日那个 preview 是 770B 总参、49B 激活、1M 上下文。

两个「第一次」。第一次能看图：细粒度的图像处理、复杂图表分析、带图的数学题。第一次能操作电脑——Computer Use，命令行和图形界面都能用。

第二个更像那么回事。官方举的例子是让它在卫星图上找某座仓库，屋顶光伏板区里最东侧那块白色构件；另一类是 Blender、CAD 这类专业软件，还有跨应用的长程任务。游戏那边跟腾讯 IEG 的人一起干，适配了 UE、Unity、Godot，GameDev 和 GameLogic 两项比 preview 提升 19.1% 和 9.8%。

我对「能用鼠标」这个能力一直半信半疑。不是不信它点得准，是不信它知道什么时候该停。一个会自己动手的东西，出错的成本比一个只会说话的东西高一个量级——说话错了你还能看出来，动手错了得等它做完。

213 个人，579 道题

金融这一段是整篇里最有画面感的。

混元联合腾讯金融科技 FiT，请了 213 位专家给模型打分。153 位来自外部的头部金融机构，七成有五年以上工作经验。579 个真实金融任务，盲测，满分 4 分。

结果是 Hy4 拿 3.04。DeepSeek-V4.1-Flash-1017 拿 2.97，Kimi K3.1 Pro 和 GLM-5.3 都是 2.68。

我想了一会儿这个场景。两百多个分析师，坐在会议室里或者各自家里，一份一份看一个东西交上来的活，判断它做得对不对，然后打勾。

这些人里有一部分，日常工作就是干这个。他们打的分，将来会变成采购决策的一部分。这大概是今年最客气的一次「你来评估一下你的替代品」。

他们没有集体拒绝，也没有给零分。挺体面的。

而且分数之间差距不大。3.04 和 2.97 之间是 0.07，换成人话，是同一批题里多做对几道。真正拉开距离的是「敢不敢用在正经事上」那条线，这跟分数没关系，跟错的时候错得多离谱有关系。所以我才觉得幻觉率那行数字比跑分更值钱。

价格没动

API 价格维持原样：输入命中缓存 0.3 元、输入 6 元、输出 18 元，每百万 tokens。

模型从不到 300B 涨到 770B，第一次长了眼睛，第一次能按键，价格一分没涨。这行业今年降价降得比菜市场还勤，不涨价本身就是一种表态——它的对手不是隔壁的闭源旗舰，是另外几家也在这么干的国产模型。

已经能用的地方：腾讯云、OpenRouter，还有 WorkBuddy / CodeBuddy、元宝、ima、企业微信那个叫「大圆」的智能助理。Hy4 flash 说「近期」。

「计划」两个字

有一处我读得比较慢。

官方原话是「我们计划开源模型权重」，系统卡片「届时」发布。preview 那次是真的把权重放了出来；正式版这次，是计划。

770B 的权重就算明天挂在 Hugging Face 上，也不是谁能跑得动。它更像一份可以审计的证明，而不是一个能装进你服务器的东西。这话不是挑刺——把这个体量开源，本来就是件重活。

同一个时间轴上还有一件事：月之暗面 10 月 24 日发 Kimi K3.1 Pro 的时候说，完整权重「11 月 4 日前」发布。今天正好是 11 月 4 日。

所以「开源」这个词，在国产模型这儿已经分成两种时态。一种是过去完成时，权重在那儿，你去下；一种是将来时，写在发布稿里，等着兑现。

博客里还有一段，我给它划了线。官方承认 Hy4 跟顶尖闭源模型「仍然存在较大差距」，尤其在他们内部建的前沿数学、长程开发、模型迭代、视觉问答这些高难度测试集上。

这段对自己没好处。写出来等于主动给对照组递刀。但它让前面那些数字变得可信——一家肯说自己哪儿不行的公司，说行的地方大概也能听。

十一点

晚上十一点，我把官方博客从头到尾又过了一遍，想起我们做系统验收时的一条土规矩。

测试用例里本来只有「答错扣分」。后来加了一条：不知道却硬答，扣双倍。

这条是人写的，写的时候大家笑了半天，因为太像在说人。今天有一台机器，自己往那个方向挪了一小步——不是因为它懂了诚实，是因为它被训练成少猜一点更划算。

这两件事不一样。但结果差不多：你终于可以少核一遍。