腾讯 Hy4 的独立评测成绩：35 分，但"不知

腾讯 Hy4 正式版一发布，成绩就摆在那儿：AA 智能指数 35 分，国内实验室第二；单任务成本 0.78 美元，比 Grok 4.7 便宜十倍。

可同一套评测里，它准确率 50%，幻觉率却飙到 89%。不是每答十题错八道——而是它真不知道答案时，十次里有八九次会编一个出来。

这俩数字分母根本不一样。准确率看全部题目，幻觉率只看它不会的那些题。所以它能"知道不少"，也能"瞎编很自信"。

放到业务里，问题就出来了。写代码错了测试会红，知识问答错了却像真的。尤其输出直接进生产、当事实引用、进合规材料时，一次编造的代价远超省下的 token 费。

想测清楚，光看排行榜不够。抽真实问题人工核，建标准答案库自动比对，再故意塞不存在的订单号和产品型号，看它是说查不到还是张口就来。

验收线也得提前画死，比如"本该不知道的题，编造率低于 2%"。最扎心的是：模型能力在涨，可它"知道自己不知道"这件事，还没跟上。