混元Hy4拿下Agent Arena中国模型第一，12K场真实任务比名次更值得看

Arena.ai 11月6日更新：腾讯混元 Hy4 在 Agent Arena 的中国模型里排到第一，总榜第14；12K+ 真实、长程 Agent 会话，净提升 +5.4%，每任务中位成本 $0.57。它也是前五名里唯一来自中国实验室的模型。

Agent Arena 收集的是用户交给 agent 的多步任务，包含工具调用、纠错、命令行执行等真实操作。单轮问答不在这个口径里。样本来自全球用户，不是实验室自己出的题。

两天前那版数据要放一起看。11月4日，Hy4 总榜第14，8.5K+ 会话，净提升 +4.7%，每任务成本 $0.55。Arena.ai 当时写明：Hy4 目前仍是 proprietary，权重发布后才会与 Kimi K3.1 Pro 并列开放模型第一。这个限定很关键。榜单说的是“一旦权重发布”，权重现在还没发。

$0.55/task 对 Kimi K3.1 Pro Max 的 $1.46/task，便宜约62%；两边分数差在1个百分点内。Pareto 前沿的位置也来自这个成本与分数的组合。

从 preview 到正式版，Hy4 从第25、+1.1% 升到第14、+4.7%，提升 +3.6 个百分点。分项也一起动了：

• Confirmed Success：第11，+8.7%，此前第16，+4.9%
• Praise vs Complaint：第18，+3.8%，此前第24，+1%
• Steerability：第14，+5.7%，此前第27，+0.21%
• Bash Reliability：第20，+6.2%，此前第41，-3.1%

Confirmed Success 是用户明确点“yes, that worked”的比例；Steerability 看模型对用户纠正的响应；Bash Reliability 看 shell 命令成功率。

样本从8.5K涨到12K，净提升从+4.7%到+5.4%，成本中位数从$0.55到$0.57。回复里 geekzard 说，样本变大后还能撑住，才是让他信服的部分。Adrian Castellar 则指出，Hy4 的 +5.4% 和 Kimi K3.1 Pro 的 +5.3% 误差棒重叠，基本是中国模型头名并列。这个判断比一句“第一”更接近图表。

腾讯混元官方发布里提到 Hy4 新增视觉能力，覆盖金融、前端、游戏、办公、研究等场景，也提到 cyber/biosecurity 方面的考虑。研究页在这里：https://hy.tencent.ai/research/hy4?langVersion=en

有网友提到腾讯自己的金融评测里 Hy4 对 Kimi K3.1 Pro 是 3.04 对 2.68，但 Arena 用户侧结果几乎持平。AI Quanting 的回复是，更愿意信用户，且在这个价格上持平已经不错。厂商评测和用户侧评测出现分歧，不稀奇，任务分布不同。

还有两个口径要记住。$0.57 指每任务中位成本，模型调用单价另说。@lin_builds 在回复里问，这12K会话里 coding 和 browser work 各占多少，公开信息没给分布。对准备上生产的人，这两项比名次更影响决策。

回复里还出现一句提醒：Kimi K3.1 Pro 会继续保留开放模型王冠，直到腾讯把 safetensors 放到 Hugging Face。这个说法把“开放模型第一”的时间点说清楚了。权重没落地前，Hy4 的中国模型第一和总榜第14是现成事实；开放模型第一要等下一件事发生。榜单入口：https://arena.ai/leaderboard/agent

总结一下，Hy4 这次有三个点值得看：12K+ 真实 Agent 会话下净提升 +5.4%，样本增长后没掉；每任务中位成本 $0.57，和 Kimi K3.1 Pro 的差距在误差范围内；中国模型第一、总榜第14，前五里唯一中国实验室。需要保留的限定也清楚：权重尚未开放，开放模型第一要等权重；头名之争在误差棒里更像并列。接下来看权重发布、任务分布和独立复现。