AREX Feed Article
Arena 官方确认腾讯 Hy4 首次上榜即居 Agent Arena 中国模型第一，开放权重仍未发布
腾讯 11 月 4 日发布新一代大语言模型 Hy4 正式版。图为腾讯标志资料照（联合早报援引路透社图片）。
评测平台 Arena 的官方账号于 11 月 6 日 22:43（UTC，北京时间 11 月 7 日清晨 6 时 43 分）发布每周排行榜更新，其中确认：腾讯混元 Hy4 首次上榜即成为 Agent Arena 排名第一的中国模型，净提升 +5.4%，单任务中位成本 0.57 美元，并且「重塑了 Pareto 前沿」（性能/成本权衡边界）；帖文同时称其开放权重「即将发布」（）。
这已是 Arena 当天第二次点名 Hy4。当天凌晨 0:30，其官方账号先宣布 Hy4「现已正式成为 Agent Arena 第一的中国模型」，附上 12,000 多场真实会话、腾讯混元是唯一进入前五的中国实验室等细节；腾讯混元官方账号约三个半小时后发帖致谢，未附任何数字。
Hy4 是腾讯混元 11 月 4 日（周三）发布的正式版模型。发布时腾讯称其已跻身全球最强开源模型之列，模型权重「将于近期开源」；混元团队同时承认，Hy4 与顶尖闭源模型仍有较大差距（）。
一天两次：从凌晨官宣到晚间周报
凌晨 0:30（UTC），发帖称，Hy4「现已正式成为 Agent Arena 第一的中国模型」。帖文说明排名依据全球用户社区的「超过 12,000 场真实、长程 Agent 会话」，称 Hy4 以 +5.4% 的净提升、0.57 美元的单任务中位成本「稳居 Agent Arena 的 Pareto 前沿」，并称腾讯混元因此成为「唯一进入前五的中国实验室」。帖文附带一张配图，页面数据显示获 460 次点赞、90,215 次浏览（截至 11 月 7 日发稿）。
约三个半小时后，发帖回应：「感谢 @arena！很高兴看到 Hy4 成为 Agent Arena 上排名第一的中国模型。」这条帖文没有名次、得分或对比对象。
当晚 22:43，Arena 的每周更新「This Week in the Arena」把这一名次写进周报，与凌晨帖文相比补了两处：表述从「稳居前沿」改成「重塑了 Pareto 前沿」，并给出权重的时间口径——「其开放权重即将发布」。周报同时把 Hy4 与同一份榜单上的其他变动并列：月之暗面 Kimi K3.1 Pro 的开放权重已经发布，在 Agent Arena 开源模型中排第一，净提升 +5.3%；Thinking Machines 的 Inkling 2 Small 以 1,648 分进入 Code Arena 的 WebDev 榜，Arena 注明其权重发布后将成为美国开源模型第一；Google DeepMind 的 Gemini Omni 1.2 Flash 在文生视频（1,541 分）与图生视频（1,502 分）两个榜单登顶；OpenAI 的 GPT Image 2.6 以约两倍于前代 GPT Image 2.5 的速度进入 Arena，其中 Sunburst（Medium）列文生图像第二（1,409 分）、图像编辑第三（1,476 分）。
净提升与单任务成本是怎么测出来的
Agent Arena 不是静态跑分。Arena 的说明，排名来自用户在其 Agent Mode 里做真实工作（写软件、做金融分析等）的会话流，方法称为「因果追踪」（causal tracing）：把 Agent 当作多组件系统，随机化组件选择，相当于做多干预的随机对照试验，某一组件选择（例如换成 Hy4 作编排模型）带来的表现变化被估计为因果效应，这就是「净提升」（net improvement）。目前的榜单评的是编排模型（orchestrator），即决定调用哪些工具的主模型。主榜单聚合五个信号：用户在界面上确认的任务成败、口头表扬与抱怨、对纠偏指令的执行、bash（命令行）报错后的恢复、调用不存在的工具（工具幻觉）。博客文首注明，10 月 1 日对信号与定义有过一次更新。
0.57 美元的「单任务中位成本」不是牌价折算。Arena 在 中解释：成本单位是「任务」，例如请 Agent 把一段乐谱改编成小提琴版本、来回四轮完成；为避免长会话的上下文累积把成本推高，只统计每场会话最多前三个任务的开销；成本与 Pareto 视图可按 p25/p50/p95（第 25、50、95 百分位）三档口径查看。博客强调，这些数字「是模型在 Agent Arena 中做真实工作的原位测量，不是受控静态基准」。
至于「重塑 Pareto 前沿」：在该博客的定义里，Pareto 视图把净提升分数（纵轴）对单任务成本（横轴）作图，前沿由每个价位上净提升最高的模型连成，也就是「不花更多钱就买不到更好表现」的边界。按此定义，Arena 对 Hy4 的说法是：它在 0.57 美元的中位成本上改写了这条边界。
Arena 8 月博客中展示的 Pareto 前沿视图。Hy4 于 11 月发布，不含在图中。
两个「第一」的口径需要分开读：周报里 Kimi K3.1 Pro 排「开源模型」第一（+5.3%），Hy4 排「中国模型」第一（+5.4%）；月之暗面同为中国公司，两条榜单口径不同，帖文没有说明两者在总榜上的相对位置。另一家独立评测方 在 11 月 5 日给出的则是另一套口径：Hy4 的智能指数（Intelligence Index）v5 为 35 分，居中国实验室第二（仅次于 Kimi K3.1 Pro 的 46 分），AA-Omniscience 准确率 50% 的同时幻觉率高达 89%（Kimi 为 37%），按其智能指数任务口径记录的单任务成本为 0.78 美元。两套测量不可互换：AA 测的是自有基准上的准确率与幻觉率，Arena 测的是真实会话中替换编排模型带来的表现变化；Arena 的确认也只证明评测方给出了这一排名，不能延伸为 Hy4 综合能力第一。
同日另发两帖：宣传没有数据支撑
腾讯混元账号 11 月 6 日在致谢之外还发了两条宣传帖。9:18（UTC），账号发帖称「在 APEX-Agents 上排名第一的开源权重模型」——未点名具体模型，也没有得分、对比对象或基准细节，所指是否为 Hy4 无法从帖文本身确认；而截至当天晚间的 Arena 周报，Hy4 的开放权重只有「即将发布」的时间表。12:35，账号再发一条 帖，正文只有基准名和一个向下箭头表情，未点名模型、得分或该基准由谁推出。
这两条帖子与 Arena 的确认性质不同：Arena 的周报给出名次、净提升、成本和口径说明；APEX-Agents 一帖只有排名结论，Design Benchmark 一帖连涉及哪个模型都未说明。
尚未兑现的开放权重
权重是这轮「第一」里还没兑现的部分。11 月 4 日发布时，腾讯说 Hy4 的权重「将于近期开源」；两天多之后，Arena 在 11 月 6 日 22:43 的最新周报里仍把 Hy4 的开放权重写作「即将发布」。同榜的 Kimi K3.1 Pro 权重已经发布，其「开源模型第一」的排名建立在可下载的权重之上；而在 Hy4 的权重发布之前，外界可测的形态是已上线的 API 服务，Arena 的排名与 AA 的成绩都基于此。
下一个可以核对的事实，是开放权重何时真正可下载。