Hy 4 Preview
Tencent · 发布日期待核实 · 10/31 23:28 更新
AIHOT 评分 · 综合61.5分暂不排名：科研评测还不到 2 类评分不是正确率 · 评测覆盖 33%
可比较分类0/ 4 项分类
已有成绩13项评测
上下文窗口104.9万Token
API 输入 / 输出 · 每百万 Token待核验尚未核到厂商官网价格
各有所长，看得更清楚。
每个领域单独评分，和综合评分用同一种分数，可以直接比。具体能力请看下面每项成绩。
编程AIHOT 评分59.6分暂不排名5 项评测 · 覆盖 46%科研AIHOT 评分—分这个领域测得还不够1 项评测 · 覆盖 13%专业办公AIHOT 评分62.6分暂不排名6 项评测 · 覆盖 50%知识问答AIHOT 评分—分这个领域测得还不够0 项评测 · 覆盖 0%
覆盖比例是这个领域里已有成绩的评测类别占比，不代表能力高低；没测的不补分，也不扣分。
每一项成绩，都有来处。
按领域列出每项公开成绩，以及它折算成的统一分数。展开可查看运行配置与采用方式。
编程59.65 项
科研63.01 项
专业办公62.66 项
真人盲选63.31 项
测过，但按规则不计入
这些公开成绩没有计入，原因如下：例如评测方公布超过一半题目被转给了旧型号，或者无法确认测的是哪个版本。
- Terminal-Bench Science · Vals：该次运行不是评测方这项评测的主流程，不作代表配置。
尚无成绩的评测
这些评测尚无可采用的公开成绩，缺测不补分。
Terminal-Bench 4.0 · AATerminal-Bench 4.0 · 官方LiveBench · 编程综合SciCode · AAMirrorCodeVibe Code Bench 1–100FrontierCode 2.0 · AAAPEX-SWEFrontierCode 2.0 · CognitionWeirdML v3FrontierSWE v2HLE · AAFrontierMath v2 · Tiers 1–3LiveBench · 推理与数学致知 · 逻辑月榜CritPt · AACritPt v2 Hard · AAChess PuzzlesMystery Game PuzzlesMysteryMechanismTerminal-Bench Science · AAGDPval-AAAA-BriefcaseAutomationBench · AAAPEX-Agents 1.1Harvey LAB 1.1 · AAτ³-Banking · MercorLiveBench · 数据分析AA-Analyst AgentAA-Omniscience v1.1SimpleQA VerifiedAA-LCRMLCR-AALiveBench · 语言与指令NYT Connections 扩展版BullshitBench · 错误前提Arena Text
怎么看这些折算分
每项成绩按这项评测的难度折算成同一种分数：难的评测考得一般也能折算出高分，快被刷满的评测再高也折算不出更多。领域分是这些折算分的平均，再向模型的整体水平收一点；同类评测只算一票。相差不到 1 分的两个模型，先后接近抛硬币。
还没有成绩的领域：知识问答，暂按整体水平计算。
了解计算方法 →