一句话总结
在腾讯混元团队与腾讯金融科技联合开展的金融任务盲评中（213 名从业者、579 个真实任务），混元 Hy4 以 3.04 分排名第一，DeepSeek-V4.1-Flash-1017 以 2.97 分紧随其后，Kimi K3.1 Pro 与 GLM-5.3 均为 2.68 分；Hy4 领先第三名 0.36 分，但领先 DeepSeek 仅 0.07 分，头部两名处于同一梯队。
对比背景与数据口径
本次对比的数据来自腾讯 2026 年 11 月 4 日发布混元 Hy4 时公布的金融任务盲评结果。评测由腾讯混元团队与腾讯金融科技联合开展，参与者为 213 名金融从业者，其中 153 人来自外部领先机构，约 70% 拥有五年以上行业经验；评测任务为 579 个真实金融场景任务。
需要先明确口径：这是一次由模型厂商委托并组织的盲评，评分细则、任务清单与误差区间未在新闻稿中完整披露。因此，下表的分差只能用于理解腾讯口径下的相对排序，不能等同于四家模型在所有金融任务上的绝对能力差异。
腾讯在新闻稿中同时给出了 Hy4 相对自身前代 Hy4 Preview 的两项改进：内部投资研究智能体基准 iRaB 提升 12.03 个百分点；幻觉率由 12.95% 降至 7.2%，无依据假设导致的错误由 23.1% 降至 5.6%。这两项是 Hy4 的纵向对比，不是与其他三款模型的横向对比。
对比对象简介
混元 Hy4（Tencent Hy4）。 腾讯 2026 年 11 月 4 日发布的正式版大语言模型，参数规模 770B，首次加入视觉理解与电脑操作能力，已接入腾讯云 TokenHub、WorkBuddy、CodeBuddy、元宝等产品，并计划近日开放模型权重与系统卡。
DeepSeek-V4.1-Flash-1017。 本次盲评中排名第二的模型，得分 2.97。新闻稿未披露其参数规模、上下文长度与训练数据口径，也未说明其是否为开源权重版本。
Kimi K3.1 Pro。 月之暗面（Moonshot AI）的 Kimi 系列模型，本次盲评得分 2.68。新闻稿未披露参数规模与版本细节。
GLM-5.3。 智谱 GLM 系列模型，本次盲评得分 2.68，与 Kimi K3.1 Pro 并列。新闻稿未披露参数规模与版本细节。
四款模型在本次对比中唯一口径一致的指标，是同一套金融任务盲评的得分。参数规模、推理成本、上下文长度、工具调用能力等维度，腾讯仅披露了 Hy4 的数值，其余三款缺少同口径数据，因此不做跨维度比较。
核心参数对比
| 模型 | 金融任务盲评得分 | 与 Hy4 差值 | iRaB 较前代 | 参数规模 | 开源权重 |
|---|---|---|---|---|---|
| 混元 Hy4 | 3.04 | 基准 | +12.03 个百分点 | 770B | 计划近日开放 |
| DeepSeek-V4.1-Flash-1017 | 2.97 | -0.07 | 公告未披露 | 公告未披露 | 公告未说明 |
| Kimi K3.1 Pro | 2.68 | -0.36 | 公告未披露 | 公告未披露 | 公告未说明 |
| GLM-5.3 | 2.68 | -0.36 | 公告未披露 | 公告未披露 | 公告未说明 |
评测设计要素
| 要素 | 内容 |
|---|---|
| 评测组织方 | 腾讯混元团队、腾讯金融科技 |
| 评测方式 | 盲评 |
| 参与人数 | 213 名金融从业者 |
| 外部专家 | 153 人，来自领先外部机构 |
| 从业年限 | 约 70% 参与者拥有五年以上行业经验 |
| 任务规模 | 579 个真实金融任务 |
| 任务类型 | 基金研究、证券分析、量化投资策略等 |
| 评分公开程度 | 新闻稿仅披露综合得分，未披露分项与误差区间 |
关键差异
第一梯队与第二梯队的分界在 0.36 分。 Hy4 的 3.04 分与 DeepSeek-V4.1-Flash-1017 的 2.97 分相差 0.07 分；两款模型与 Kimi K3.1 Pro、GLM-5.3 的 2.68 分相差 0.36 分。按腾讯公布的排序，Hy4 与 DeepSeek 构成第一梯队，Kimi 与 GLM 并列其后。
Hy4 的领先幅度小于其相对前代的改进幅度。 Hy4 相对 Hy4 Preview 在 iRaB 上提升 12.03 个百分点，幻觉率下降 5.75 个百分点，无依据假设错误下降 17.5 个百分点；但在跨模型盲评中，Hy4 对 DeepSeek 的领先只有 0.07 分。这说明纵向迭代的进步明显，横向领先优势有限，两个结论不能互相替代。
金融场景的评测重点与通用 benchmark 不同。 腾讯披露的任务集中在基金研究、证券分析与量化投资策略，评分由金融从业者参与。此类评测更贴近真实工作流，但参与者构成、任务难度分布与评分一致性都会影响结果；新闻稿未给出评分者间一致性指标。
Kimi K3.1 Pro 与 GLM-5.3 并列，但二者能力结构未展开。 两款模型同得 2.68 分，腾讯未披露分项得分，因此无法判断它们在研报生成、数据核验、量化策略等子任务上的相对强弱。
开源与部署条件不在同一口径内。 Hy4 明确计划开放权重，参数规模 770B；其余三款模型在本次公告中未说明权重开放状态与参数规模。对需要私有化部署的机构，权重是否开放、显存门槛与推理框架适配，往往比 0.07 分的差距更能决定选型。
结论与适用建议
在腾讯公布的这次金融盲评口径下，Hy4 排名第一，DeepSeek-V4.1-Flash-1017 紧随其后，Kimi K3.1 Pro 与 GLM-5.3 并列第三。 这一排序适用于该套任务与评分体系，不能外推为四款模型在所有金融场景的普遍排名。
若以金融任务为主、且需要接入腾讯生态，Hy4 是当前口径下的优先选项。 它已接入腾讯云 TokenHub、WorkBuddy、CodeBuddy 与元宝，支持视觉理解与电脑操作，适合需要读取图表、跨应用执行长程任务的场景。770B 参数意味着本地部署门槛高，短期更适合通过 API 调用。
若更看重成本与开源生态，DeepSeek-V4.1-Flash-1017 是同一梯队的替代选项。 0.07 分的差距不足以单独构成选型依据，实际决策应比较单位 token 成本、响应延迟、上下文长度、工具调用稳定性与合规要求。
若任务集中在长文本研报或中文知识问答，Kimi K3.1 Pro 与 GLM-5.3 仍具备竞争力。 两者在本次金融盲评中并列 2.68 分，但与头部相差 0.36 分；是否适用取决于具体子任务与私有化条件，不能仅凭综合分判断。
第三方复现前，应把本次结果视为厂商口径。 评测由腾讯混元团队与腾讯金融科技组织，任务清单、评分细则与误差区间未完整公开；机构在采购或上线前，应以自有业务数据做小规模对照测试，并记录任务集、评分标准与模型版本。