一张生成的主视觉卡片,对比 Hy4 flash 与 Claude Haiku 5.5,配有醒目的大号数字“2.79 vs 2.81”,并标注为“腾讯自有的 85 名用户盲测中,满意度满分 4 分”;页脚写着“两项满意度评分均为腾讯的测量结果。Hy4 flash 权重于 2026 年 11 月 17 日公布。”
Guides & Insights

Hy4 flash 对比 Claude Haiku 5.5:这场对比腾讯自己做的,还公开了败绩

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

腾讯有人认定,Hy4 flash 的合适对手是 Claude Haiku 5.5,于是把这两个模型放到公司自家 85 名 WorkBuddy 用户面前,覆盖 259 项任务,而且即便结果是输了,也照样公布了。Hy4 flash 在用户满意度上拿到 4 分制中的 2.79 分。Claude Haiku 5.5 拿到 2.81 分。在 4 分制上,这是 0.02 分的差距,由挑战者测量,而且用的是挑战者自己的任务——而这是 Hy4 flash 这次发布中最有意思的一个数字,因为它告诉你腾讯真正相信自己卖的是什么。不是更好的模型,而是一个足够接近、以至于差距一经满意度调查就不复存在的更便宜模型。

该发布内容的其余部分支持这一解读。Hy4 flash 于 2026 年 11 月 17 日以开放权重形式发布,而在此前两天,它已于 11 月 16 日上线腾讯 API:总参数 220B,每 token 激活参数 12B,上下文长度 100 万 token,支持图像输入和文本输出。Claude Haiku 5.5 自 2026 年 10 月 7 日起正式可用,价格为每百万 token 0.10 美元和 0.50 美元。这两款模型都不在 OrcaRouter 目录中,本文也不会假装它们在;可路由的内容将在接近结尾处讨论,而那是另外一对模型。

盲测,正确解读

腾讯对此次评测的说明只有三句话和一张图表,而这张图表有其明确用意:它将满意度与端到端完成时间中位数、每任务成本对照绘制,让在两个维度上胜出的模型一目了然。数据是:Hy4 flash 为 2.79/4,Claude Haiku 5.5 为 2.81/4;Hy4 flash 的完成时间中位数为 6.7 分钟,每任务成本为人民币 0.26 元。腾讯的说法是,在所有受评模型中,Hy4 flash 的每任务成本最低,完成时间中位数也最短。

这篇报告没有提供的是受评估模型的完整集合、按类别划分的细分结果,以及评分标准。它确实说明了总体情况:85 名内部用户、27 个类别、259 项任务,全部来自 WorkBuddy,即腾讯自家的生产力助手。这是一次连贯的评估,但并不是一次中立的评估。当员工评估自己雇主的模型时,他们知道哪个模型是自己的;即便是在盲测界面中,任务也是腾讯挑选的,因为它们类似腾讯的产品。

0.02 这个差距的有用之处,在于它无论偏向哪一方,都会影响论证。如果你倾向于相信这项测试,那么你就有 Tencent 的说法作依据:在办公场景下,它相对于 Claude Haiku 5.5 的能力差距微不足道;而这是一种违背自身利益的说法。如果你倾向于不信任这项测试,同一项测试也没有给你任何理由相信 Hy4 flash 更好,于是你就只剩下成本这一列可看,而这恰恰是 Tencent 无论如何都想让你关注的地方。

两个模型实际上的差异所在

规格表在满意度评分无法体现的方面存在差异。下文中的每个数据均为厂商自行发布的规格,除非标注为 Artificial Analysis 的测量结果。

• 总参数与激活参数——Hy4 flash 总参数为 220B,其中 64B 位于 Engram 表中,每个 token 激活 12B;Claude Haiku 5.5 的参数数量未披露,这对 Anthropic 来说是正常的。

• 上下文窗口 — Hy4 flash 为 1,048,576 个 token;Claude Haiku 5.5 为 1,000,000 个。

• 最大输出 —— 按服务配置,Hy4 flash 上为 64,000 个 token;Claude Haiku 5.5 上为 128,000 个 token,是前者的两倍。

• 输入模态——Hy4 flash 通过源自 SigLIP2 的 27 层编码器接收文本和图像;Claude Haiku 5.5 的发布材料以文本和工具使用为核心,其在视觉方面的公开能力范围也更窄。

• 许可 — Hy4 flash 以 Tencent Hy License 发布,其 Section 10.2 要求:当 MaaS 收入超过 5000 万美元或 MAU 达到 1 亿时,需另行达成协议;Claude Haiku 5.5 为专有模型,完全没有权重。

• 独立评分——Hy4 flash 没有独立评分,其 Artificial Analysis URL 返回 404;Claude Haiku 5.5 在 Max effort 下于 Intelligence Index v5.0.1 上得分 36。

• 每个 Index 任务的实测成本——根据 Artificial Analysis,Claude Haiku 5.5 为 $0.41;Hy4 flash 未进行实测,因为它不在榜单上。

输出上限是最可能在实际使用中带来麻烦的那一行。一个具备 1M 上下文和 64k 输出的模型,其配置适合大量阅读和适度写作;如果一个文档起草工作流期望在单次响应中输出超过 64,000 个 token,就无法使用它。Tencent 自身推荐的用途——深度搜索、文档处理、幻灯片创建、简单前端演示、计算机使用——与这一上限是一致的。长文生成不在其中。

价格比较并不是拿一个数字去和另一个数字相比

腾讯 Hy4 flash 的中国大陆费率为每百万输入 token ¥0.5、每百万输出 ¥2、每缓存输入 token ¥0.02——约合 $0.070、$0.281 和 $0.003。Claude Haiku 5.5 公布的价目表起价为每百万输入 $0.10、每百万输出 $0.50,五小时缓存和一小时缓存的缓存写入费用分别为 $0.125 和 $0.625,缓存读取费用为 $0.01。

按这些标称费率,Hy4 flash 的输入费用大约便宜 30%,输出费用便宜 44%,缓存命中时便宜 70%。两者对前十万个 token 都采用统一费率。差别在于之后会发生什么:Anthropic 的价目表规定,一旦请求的输入 token 超过 100,000 个,Claude Haiku 5.5 的输入价格就从每百万 token 0.10 美元上调到 0.50 美元,输出价格从 0.50 美元上调到 2.50 美元。对于一份 200,000 token 的文档,Claude Haiku 5.5 的计费是其标称输入费率的五倍,这使得该对比变成 0.50 美元对腾讯的 0.070 美元——差距是 7 倍,而不是 30%。

这是一种设计选择,而不是什么花招,而且有其站得住脚的逻辑:长输入需要更高的预填充成本,所以供应商会对它们收取更多费用。但这意味着,对于这两个模型都声称擅长的恰恰是这类工作负载而言,那个宣传数字并不是正确的数字。按定义,100 万上下文下的文档处理就是一项超过 100,000 个 token 的工作负载。如果你的用例是长文档工作,那就按适用于你提示词长度的那些行来给这两个模型定价,而不是看价目表顶部。

延迟:腾讯测量的指标并非 Anthropic 发布的指标

腾讯报告称,Hy4 flash 在 WorkBuddy 任务上的端到端完成时间中位数为 6.7 分钟。Artificial Analysis 报告称,Claude Haiku 5.5 在 Max effort 下每个 Intelligence Index 任务耗时 14.7 分钟,首个答案 token 的时间为 192 秒——而且榜单将该模型标记为“每个任务明显偏慢且非常冗长”,该指数运行共产生 298M 个输出 token。

这两个数字不可比较,也不应相减。任务不同、测试框架不同、对“完成”的定义也不同。它们所能确立的是:Claude Haiku 5.5 的 effort 设置是一个量程极宽的延迟旋钮,而它的最高档在实际耗时上非常昂贵:

• Max — 指数 36,每项任务 14.7 分钟,首个 token 耗时 192 秒,输出 token 数为 2.98 亿。

• Xhigh — Index 35,9.6 分钟,首个 token 耗时 44 秒,151M tokens。

• 高 — 指数 30,6.4 分钟,首个 token 用时 21 秒,8980 万 token。

• 中等 — 索引 25,3.9 分钟,首个 token 用时 10 秒,5270 万 tokens。

• 低 — 指数 19,2.2 分钟,首 token 耗时 5.8 秒,29.9M tokens。

A generated reference card headed 'The effort ladder Artificial Analysis measured', with five horizontal bars for Claude Haiku 5.5 at Max, Xhigh, High, Medium and Low effort, each carrying its Intelligence Index score, minutes per task and seconds to first token, and a vertical marker at the High row labelled 'the setting most products would ship'.

所有五行都是基于 v5.0.1 的 Artificial Analysis 测量结果。列出这些结果的意义在于,“Claude Haiku 5.5 得分 36”这一说法针对的是 Anthropic 提供的最昂贵配置。在其高设置下,它得分为 30,并且完成时间不到一半。任何将延迟敏感型产品与 Max 数字进行比较的人,都是在与一个他们不会交付的设置进行比较。

Hy4 flash 有同样的调节旋钮,只是形式更粗糙:reasoning_effort 可设为 high(这是默认值),或 no_think。两个档位对五个档位。如果你的工作负载需要中间档位——开启思考,但不是最大化——Claude Haiku 5.5 提供了这个旋钮,而 Hy4 flash 大多没有。

Screenshot of the Artificial Analysis model page for Claude Haiku 5.5, showing the five effort rows from Max down to Low with their Intelligence Index scores, time per task and output token counts.

决定这一点的三件事,而这两份规格表上都没有。

API 接口层面。Claude Haiku 5.5 的请求格式比其前代更严格,某些方面会破坏代码。Anthropic 的文档会拒绝任何非默认值的 temperature、top_p 和 top_k,不再支持 assistant 预填充,移除了手动 budget_tokens,并要求特定版本的 computer-use 工具集。Hy4 flash 接受完整的采样参数集,推荐 temperature 0.9 与 top_p 1.0,并为 vLLM 提供 hy_v4 工具调用和推理解析器。如果你有一个通过 temperature 扫描调优的提示词库,其中一个模型可以原样运行它,而另一个会返回 400。

部署形态。Claude Haiku 5.5 只是一个 API,仅此而已。Hy4 flash 则是一个 API、一个 Hugging Face 仓库、一个 FP8 构建、一个基础检查点、一种 GGUF 量化,外加一份微调指南。这本身并不自动构成优势——你自托管的模型,就是你需要运维、打补丁并做容量规划的模型——但它是“供应商关系”与“资产”之间的区别;而对于有数据驻留要求或微调需求的团队来说,在任何基准测试被拿来参考之前,它就已经一锤定音地决定了这场比较。

测量空白。 Claude Haiku 5.5 自十月起就出现在 Artificial Analysis 上,被互联网上每一篇对比博客翻来覆去地拆解,包括这一篇。而 Hy4 flash 本该显示分数的地方却是一个 404。不是因为模型差,而是因为它才发布两天,还没有任何独立方跑过它。上方的满意度评分是对一个真实人群的测量,同时也是除其制造商之外,任何人对这个模型所做的唯一一次测量。

说实话,给他们中的任何一个打电话

截至本文写作时,Hy4 flash 和 Claude Haiku 5.5 均未出现在 OrcaRouter 目录中,因此本节不存在任何让你在这里调用它们的版本。目录中实际提供的是双方各自的前代模型:tencent/hy4-preview,即 Hy4 flash 蒸馏自的 770B/49B 模型,每百万 token 输入 $0.834、输出 $2.501,缓存读取费率为 $0.042;以及 anthropic/claude-haiku-4.5,每百万 token 输入 $1.00、输出 $5.00,缓存读取费率为 $0.10——这是上一代模型,而非本次对比中的 5.5。

这种组合比听起来更有用。如果你正在判断 Hy4 flash 的成本情况是否值得为此重构流水线,那么这个预览模型能让你以较低的成本进行实验,从而了解该系列模型的表现;它使用与目录中其他所有模型相同的密钥和相同的端点,同时提供商的标价按 0% 加价透传,因此腾讯一旦调价,你当天就能收到通知。一旦你有两个候选模型,路由 DSL 才是关键所在:把长文档层级交给在你自己的评测中胜出的模型,并把另一个保留为回退,而不是因为切换供应商要签合同就为所有场景只选一家供应商。

当 Hy4 flash 出现在任何目录中——包括我们的目录——时,要检验的不是满意度评分,而是你自己任务上的输出 token 数量。Tencent 的后训练声称,平均端到端输出 token 数减少了 50%;如果这一点在你的工作负载上成立,那它比每 token 30% 的折扣更有价值,因为输出 token 是这两个模型每笔账单中昂贵的那一半。

Screenshot of the anthropic/claude-haiku-4.5 model page, showing the per-million-token input, output and cache-read prices the previous generation is listed at.

怎样才能了结此事?

在共享测试框架上进行的一次独立运行。让 Hy4 flash 和 Claude Haiku 5.5 通过同一个包含九项评估的 Intelligence Index,并查看两行:得分,以及每个已完成任务的成本。腾讯已经告诉过你它期望这两行显示什么——Hy4 flash 在能力上接近 Claude Haiku 5.5,而在成本上远低于它。在腾讯以外的某个人公布这一对数据之前,这个预期只是一个有公司营销预算撑腰的假设,而不是结果。

今天能采取的行动范围更窄,也更有用。如果你的工作负载是长文档,那就先核算 >100,000-token 那一行的价格,因为两张卡在这里差异最大。如果对延迟敏感,就比较处于高努力模式的 Claude Haiku 5.5,而不是 Max。如果需要微调或本地部署推理,决定早已做出,任何基准测试都不会改变它。0.02 分的满意度差距不足以成为转向任一方向的理由,而 Tencent 公布这一点是此次发布中最可信的部分。