11月4日，腾讯混元正式发布新一代大语言模型Hy4，770B参数、首次加入视觉理解和电脑操作，官方发布要点里被热榜盯上的两句话挨在一起：幻觉率大幅下降，金融分析做到开源第一。 先说结论：下降是真的——信息不足时硬编答案的“猜测错误率”从23.1%压到5.6%；但“靠谱”更准确的读法是“能当投研助手，还不能当免核验的决策依据”。微博
幻觉率确实降了，只是官方给了两套数
先看这组数：官网研究页写的是从15.76%降到5.45%，技术公众号写的是从12.95%降到7.2%，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。 两套口径完全一致的反而是另一个指标：因猜测导致的错误率，从23.1%降到5.6%。 它管的是信息不足时硬编答案，这恰恰是金融业务里最要命的失误。官方给出的路径，是针对时效检索与事实一致性校验做搜索优化。 也要把另一半说清楚：降了不等于归零，在错一个数字就是真金白银的场景里，剩余风险仍然要由人来付。知乎微博知乎
金融“开源第一”是真的，但要带着限定读
这个第一，来自混元联合腾讯金融科技 FiT 组织的专家盲测：213位专家里153位来自外部头部金融机构，七成有五年以上经验，579个真实金融任务按4分制打分，Hy4得3.04分，DeepSeek-V4.1-Flash-1017得2.97分，Kimi K3.1 Pro和GLM-5.3均为2.68分。 打分人过半来自腾讯体系之外，题目是真实业务，这是官方材料里最硬的一组证据。但它终究是厂商组织的评测，独立性不能外推，Hy4与第二名只差0.07分，这个“第一”只能在这次众测、表中四款模型的范围内成立。 合作机构给出的专项数字口径同样无法互相对齐：讯兔科技基于101道真实投研任务的IRAB评测给Hy4打出61.63分，较preview提升12.03分——改善属实，绝对水平谈不上高。知乎知乎
第三方验证还没跟上
“第一”目前只是腾讯自己的口径：截至发布当天，SuperCLUE、Vals AI等主流第三方评测还没有Hy4正式版的入榜记录，发布太新，谁都还没来得及测。 上一代preview在第三方综合榜上仍排在国产第一梯队之外，不构成背书。官方也没有回避差距：Hy4已是开源最强之一，但和顶尖闭源模型仍有差距，要继续追。 另外，发布看板上部分自测项标注了“internal”、部分带星号，意味着这些数字缺少公开复现材料，横向比较时要单独打折。知乎微博
实测有亮点，但一个案例不算数
雷科技实测了一个特意埋坑的任务：给一张清晰度一般的苹果Q4财报截图，要求计算iPhone平均售价。Hy4准确提取出营收金额，并联网检索到IDC提供的当季iPhone出货量，算出了iPhone的ASP为1005美元。 更值得注意的不是这个数，而是它主动指出了算法本身的口径缺陷——统计周期错位、iPhone类目营收包含配件。“有几分材料说几分话”，正是金融场景最需要的行为特征。但一次演示代表不了任务分布：换成真实杂乱的表格、被遮挡的图片，成功率需要自己重测。知乎
金融用户现在该怎么判断
综合所有能核实的证据，Hy4现阶段在金融分析里是“能减少核对工作、不能替代核对”：读财报、整理多源材料、写投研初稿值得一试，而进入决策的数字、它引用的来源和支撑结论的推导链条，仍要人工抽查。眼下有三个可操作的观察点。第一，趁免费期做自己的验收：11月4日到15日WorkBuddy、CodeBuddy每日赠送额度，API价格与上一代一致，输入6元、输出18元、缓存命中0.3元每百万tokens。 拿自己的真实材料跑一遍，重点记录它看不清时会不会标注待确认，而不是硬编。第二，打算私有化部署的还要再等：正式版权重截至发布日并未开放下载，官方开源列表里与Hy4对应的仍是preview。 等权重、许可证和系统卡片齐了再做评估。第三，看接下来几周独立评测的收录结果——“第一”能否变成“靠谱”，最终由第三方榜单和你自己的业务复测说了算。微博知乎
从“幻觉率下降”到“做金融分析靠谱”，Hy4走出了一段能被核验的进步，但剩下的路要靠独立评测和人工核验来填：它值得进入试用和选型名单，别急着把结论签字权交给它。
