Harbor-Index 1.0
82 个任务的高信号 agent 元基准：从 54 个已接入 Harbor 适配器的基准共 6,627 个候选中经难度/AI 审计/人工审计三轮漏斗筛出，横跨 29 个源基准
基本信息
30 秒看懂
『从基准里再选基准』的压缩思路：用一次 2,260 亿 token、30 万美元级的大规模试跑找出对前沿模型仍然难且稳定的任务子集，从而用 82 题替代全量评测。混元 Hy4 preview 附录列 39.6。
采用格局：混元 Hy4 preview 附录出现（39.6）；Harbor 为 Terminal-Bench 团队的评测框架，官方站 harbor-index.org
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-08-28
Tencent / 腾讯混元·国内
参数770B-A49B MoE上下文1M模态文本
发布文将 Hy4 preview 定位为 770B 总参/49B 激活、1M 上下文、Apache 2.0 开源的旗舰预览版（各模型均按最高推理档评测）。46 项评测集中于智能体编码与搜索、工作智能体及 STEM 推理，亮点为 Terminal-Bench 2.1 85.4 与 SWE-bench Multilingual 82.9。
开源权重长上下文智能体
查看模型变体与证据
Harbor-Index 1.0 39.6
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。