腾讯混元转发了一条第三方评测，说了声谢谢。被感谢的是 Artificial Analysis，被评测的是腾讯混元 Hy4，综合智能指数 v5 拿到 35 分。这个分数放在今天的榜单上不算炸裂，但它旁边站着的那几个名字，值得多看两眼。
35分，一张排位表上的四个坐标
前面只剩一个Kimi
在中国实验室的队列里，Hy4 的 35 分只输给 Kimi K3.1 Pro 的 46 分。十一分的差距不算小，但也不至于让人绝望——毕竟这只是第二名的位置，而不是第五第六。更值得注意的是它和谁站在同一格：Grok 4.7 的 xhigh 档，同样是 35 分。
这意味着什么？意味着在综合能力这个笼统的维度上，混元已经摸到了国际一线模型的中段。这不是"接近"，是实打实的并列。过去两年我们习惯了国产模型在榜单上落后半代到一代，现在这个身位正在被压缩。
那一分差在哪
Claude Haiku 5.5 的 max 档是 36 分，比 Hy4 高 1 分。1 分在统计上可能就是一道题的波动，但放在产品语境里，它说明混元目前还卡在"轻量级国际模型"这条线上，没能跨过去。
不过话说回来，Haiku 是 Anthropic 的小尺寸型号，混元 Hy4 拿自家的主力去打别人的轻量款，打成平手偏下，这个结果谈不上体面，也谈不上难堪。真正的问题是：这条线之上，还有 Opus、还有 GPT 系列的满血版，那才是硬仗。
评测机构的尺子本身也在变
Artificial Analysis 的 Intelligence Index 已经迭代到 v5，每一版的权重和题型都在调。今天 35 分的含金量，和半年前 35 分的含金量不是一回事。看榜的人容易忘掉这一点，把分数当成绝对刻度。它不是。它更像是一把每年都在重新校准的尺子，横向比可以，纵向比要小心。
编码这块，混元答得比同门漂亮
FrontierCode 2.0的31%是什么水平
在所有中国实验室的模型里，Hy4 在 FrontierCode 2.0 上拿到了最高分：31%。这个基准考的是真实工程场景下的代码能力，不是 LeetCode 那种有标准答案的题。31% 的通过率单看数字不好看，但对国内模型来说，这已经是当下的天花板。
代码能力之所以被单拎出来说，是因为它几乎是最难"背"出来的一项。知识可以靠语料堆，代码得靠推理和执行的闭环。一个模型能不能在陌生的代码库里定位 bug、能不能理解一段没人写注释的遗留系统，这类能力没有捷径。
为什么编码分数对中国实验室格外重要
国内大模型商业化落地最密集的两个方向，一是客服与内容，二是研发提效。前者拼的是成本和响应速度，后者拼的就是编码。谁能在编码基准上占住位置，谁就更有机会切进企业内部的开发工具链——那是一块黏性极高、付费意愿极强的市场。
混元在这个维度上拿到国内第一，战略意义大于数字意义。它至少证明了一件事：这条路没走歪。
知道50%，说错89%
AA-Omniscience在测什么
Omniscience 这个词本身就带着点野心，翻译过来大概是"无所不知"。这个基准 v1.1 上，Hy4 拿到 50%。它考的是模型的 factual knowledge 覆盖面——历史、地理、科学、人物、冷门常识，什么都问一点。
50% 意味着对一半，错一半，或者干脆不知道。这个成绩放在中等偏上的区间，说明混元的语料储备够宽，但离"博闻强识"还有距离。
89%的幻觉率怎么读
真正扎眼的是后面那个数字：幻觉率 89%。乍一看像灾难。但拆开看，这个指标统计的是模型在回答中生成未经证实或错误内容的频率，而不是"89% 的回答全错"。
问题在于，50% 的准确率配上 89% 的幻觉率，组合出来的画像很微妙：它知道的有限，但在不知道的时候，倾向于编一个听起来合理的答案，而不是老老实实说不知道。这在闲聊里无伤大雅，在医疗、法律、金融场景里就是硬伤。
这也是当前几乎所有大模型的通病，只是严重程度不同。混元这个数字说明它的"拒答倾向"还很弱，校准（calibration）做得不够。工程上这不是无解的难题——加拒答训练、加不确定性估计、加检索兜底，都能压下来。但压下来会牺牲"有问必答"的体验，这是个产品取舍，不是纯技术题。
0.834美元，这才是混元真正的发言
定价表上的两个数字
输入 0.834 美元每百万 token，输出 2.501 美元每百万 token。这个价位在国际主流模型里属于中低档，配上 1M token 的上下文窗口和文本加图像的双模态输入，性价比的账面上是好看的。
1M 上下文不是新鲜事，但把它和这个价格绑在一起，意义就变了。长文档分析、整库代码审查、多轮长对话，这些场景的成本曲线会被彻底改写。以前企业用不起的用法，现在可以试着跑起来了。
便宜不是卖点，是筹码
把价格当卖点，是二线模型的典型话术。混元不需要走这条路——35 分的综合成绩摆在那，它不是靠低价换市场的那一档。0.834 美元更像是一个入场筹码：用足够低的单位成本，换取开发者在真实场景里做压力测试的机会。
模型能力的提升有一条铁律：benchmark 上的分数只是起点，真正的进化来自海量真实调用暴露出的长尾问题。价格低，调用量才上得去；调用量上去，反馈闭环才转得动。这笔账，算的不是单 token 利润，是数据飞轮的转速。
混元在打的其实不是排名战
把四个数字摆在一起看：35 分、31%、50%/89%、0.834 美元。前三个说的是能力和短板，最后一个说的是身段。混元 Hy4 的定位其实很清楚——一个能力够用、价格够低、上下文够长的通用底座，先占住开发者的工作流，再谈别的。
这条路 Kimi 走过，DeepSeek 走过，现在轮到混元。榜单上的名次每个月都会变，但开发者一旦把某个模型接进自己的管线，迁移成本就成了最厚的护城河。真正的竞争不在 Artificial Analysis 的服务器上，在每一个工程师的 API 配置文件里。
35 分不值得开香槟，89% 的幻觉率也不值得急着唱衰。真正该盯的，是下一个版本里这两组数字往哪个方向挪。
