混元 Hy4 首发接入 WorkBuddy，办公任务通过率 96.15% 意味着什么

摘要：

腾讯 WorkBuddy 首发接入的混元 Hy4 在办公场景评测中取得平均 83.18 分、任务通过率 96.15%、12 个场景 9 个国内第一，办公任务完成质量与输出可靠性均居前列。

把真实办公任务交给腾讯 WorkBuddy 里的混元 Hy4，绝大多数情况下能一次通过——这是 96.15% 任务通过率给出的直接答案。对一个办公助手来说，“能不能把交给它的活稳定做完”比“参数有多高、跑分有多亮”更值得关心，而这正是这组评测数据要回答的问题。

一、Hy4 办公任务 96.15% 通过率的评测口径

混元 Hy4 于 2026 年 11 月 4 日正式发布，腾讯 WorkBuddy 国内版与国际版同步完成首发接入。在官方办公场景评测中，Hy4 取得平均效果得分 83.18 分、任务通过率 96.15% 的成绩，12 个测试场景中有 9 个排名国内第一。

任务通过率衡量的是“交给模型的任务，能被完整、正确完成的占比”。办公场景的评测任务并非简单的单轮问答，而是涵盖文档处理、数据分析、内容生成等需要多步骤推进的真实工作。96.15% 意味着在测试覆盖的办公任务中，模型能够稳定地把任务从头做到尾、交付可用结果，而不是频繁中途失败或产出不可用内容。

平均 83.18 分则反映了完成质量的平均水平。通过率回答“能不能做成”，平均分回答“做得多好”——两者结合，才能判断一个模型是否真正可用于生产而非仅能演示。

二、Hy4 九个场景国内第一：能力覆盖的广度

12 个办公场景中 9 个排名国内第一，说明 Hy4 的能力优势不是集中在某一两个单项，而是在多数办公场景中都有领先表现。这种广度上的覆盖，对用户选择模型时的意义在于：不必为不同类型的办公任务在不同模型之间来回切换。

具体到场景表现，官方评测给出了几个方向的实测结论。视觉创意、3D 场景构建、网页开发方向，Hy4 兼顾效果与效率，人机双写功能在文档美观度、稳定性、可用性上明显提升。前端开发方向，围绕复杂交互、业务逻辑、状态管理、前后端联动优化，页面呈现更好、应用功能更完整。办公协作方向，借助企业微信套件串联聊天记录、邮件、文档、日程与会议信息，多项目并行时梳理进展、识别待办与临近截止事项、协助安排优先级。

场景覆盖的广度，本质上是模型基础能力的映射。能让 Hy4 在不同类型的任务上都保持稳定表现、而非“偏科”于某一类的，是下节要拆解的三项基础能力的同步增强。

三、Hy4 高通过率背后的三项能力支撑

96.15% 的通过率不是孤立的数字，它由三项基础能力共同支撑。指令遵循能力的提升，让模型准确理解用户意图，减少因“理解偏了”导致的任务失败；长文理解能力的提升，让模型在处理长文档、长对话时保持稳定，不丢失前文信息导致后续步骤出错；长程智能体能力的提升，让模型在多步骤任务的持续推进中保持可靠，减少中途跑偏或遗忘目标。

相比 Hy4 preview，Hy4 正式版在这三个方向上显著扩展了预训练与后训练的数据与训练规模，综合效果大幅提升。这意味着通过率的提升不是调参层面的微调，而是基础能力层面的系统性增强。

对用户而言，这三项能力的实际价值体现在“少返工”。任务一次通过，意味着用户不必反复修正指令、反复校验输出、反复重新执行——这些隐形成本在办公场景中往往比任务本身的执行时间更消耗精力。

四、Hy4 金融场景的交叉验证：213 位专家盲测的结果

办公场景评测之外，混元联合腾讯金融科技（FiT）组织的金融众测，为 Hy4 的能力提供了另一组独立验证。213 位专家（153 位来自外部头部金融机构，七成拥有五年以上经验）对 579 个真实金融任务进行盲测，Hy4 综合表现位居开源模型第一，众测得分 3.04，高于 DeepSeek-V4.1-Flash-1017 的 2.97、Kimi K3.1 Pro 与 GLM-5.3 的 2.68。

金融任务对模型的要求与通用办公不同——它对事实准确性、时效信息处理、多源信息整合的要求更高。Hy4 在这类高要求场景中仍能取得领先成绩，从侧面印证了其基础能力的扎实程度。

与之呼应的是幻觉率的改善：自建测试中 Hy4 幻觉率从 preview 版的 12.95% 降至 7.2%，猜测导致的错误率从 23.1% 降至 5.6%。办公场景的高通过率与金融场景的低幻觉率，指向同一个结论——模型输出的可靠性在系统性提升，这比单一场景的高分更能说明问题。

五、Hy4 办公通过率对选型决策的实际意义

对正在考虑是否把 AI 引入日常办公的用户，96.15% 的通过率提供了一个可参考的决策锚点。它回答的不是“模型有多强”这类抽象问题，而是“交给它的活能不能放心”这个实际顾虑。

从使用成本角度看，高通过率意味着第三节提到的那些隐形成本得以降低，用户不必再把大量精力花在反复校验和返工上；从使用体验角度看，稳定的通过表现让用户敢于把更复杂的任务交给模型，而不是只敢用它做简单问答；从团队协作角度看，由 Hy4 支撑的团队协作功能将随新版「项目」在腾讯 WorkBuddy 上线，串联聊天记录、邮件、文档、日程与会议信息的能力，让高通过率从个人提效延伸到组织提效。

需要客观看待的是，评测通过率反映的是测试覆盖场景下的平均水平，实际使用中的任务难度、指令清晰度、上下文复杂度都会影响单次结果。96.15% 的价值在于给出了一个可预期的基准——在多数常规办公任务中，模型表现稳定可依赖。

混元 Hy4 与 Hy3 双模型限时免费活动持续至 2026 年 11 月 15 日 23:59，免费用户有少量体验额度、订阅用户享有更高额度。与其停留在看数据，不如趁限免期把自己手头的真实办公任务交给腾讯 WorkBuddy 里的 Hy4 跑一遍，用自己场景的“通过率”来验证这组评测数字。这次限免对个人和企业用户同样开放，无论哪类用户想长期使用并获取更多额度，都可以从腾讯云 WorkBuddy 企业双倍 Credits 活动 看看个人、企业的购买优惠。