截至 11 月 5 日的公开信息，腾讯混元发布 Hy4 正式版，相比预览版扩大预训练与后训练规模，首次引入视觉与电脑操作能力，自建测试中幻觉率由 15.76% 降至 5.45%，金融场景 579 个真实任务众测得 3.04 分居开源第一，并完成搜索专项优化腾讯研究院AI速递：腾讯发布Hy4正式版 幻觉率降至5.45个百分点。对做 AI 搜索可见度监测的团队来说， hallucination 率下降这件事的意义不在跑分，而在引用来源的权重：当模型更少编造，回答里“引用了谁”就更容易决定用户相信什么。
幻觉率从十五降到五，回答的可信结构变了
幻觉率是衡量回答可信度的底层指标。模型的幻觉率高时，用户会习惯性二次核实，回答里的链接反而变得不那么重要；幻觉率降下来之后，用户更可能直接采信，这时候“引用了谁”就成了唯一的判断依据。对品牌来说，这意味着内容能否被引用，从加分项变成了必要条件。
搜索专项优化改的是信源调用方式
公开信息提到 Hy4 完成了搜索专项优化，但未披露具体机制。可以确定的逻辑是：模型在需要实时信息时会更依赖检索结果，而不是凭记忆生成。检索结果的排序与筛选规则，决定了哪些页面有机会被引用。品牌官网、权威媒体与电商详情页在检索里的可见性不同，被引用的概率也随之不同。
幻觉率低不等于描述准确
幻觉率衡量的是“编造不存在的信息”，不衡量“描述是否完整”。一个模型可以完全不编造，却只引用竞品的评测页面来描述你的产品。这类偏差不会出现在幻觉率指标里，只能通过逐条比对回答文本发现。做可见度监测时，描述偏差应该作为独立维度记录，而不是并入准确性。
| 指标 | 公开数值 | 对可见度监测的含义 |
|---|---|---|
| 自建测试幻觉率 | 由 15.76 降至 5.45 个百分点 | 引用权重上升 |
| 金融任务众测 | 3.04 分，开源第一 | 专业场景可信度提升 |
| 上下文长度 | 百万级 | 长文档信源可被整体引用 |
这张表的三个数字指向同一个结论：模型在长文本与专业场景里的可靠性提高之后，品牌内容如果仍然只写短句与口号，很难在长上下文里被完整引用。结构化、可核验、信息密度高的内容，会更容易成为被引用的那一段。
当模型更少编造，引用来源就成了硬通货
过去两年，AI 搜索优化的讨论集中在“如何让模型提到我”。当幻觉率大幅下降，问题会变成“模型提到我时，依据的是哪一页”。这两件事的优化路径完全不同：前者靠覆盖更多问句，后者靠让具体页面具备可引用性——有明确数据、有出处、有适用条件。
引用来源的类型决定可信度分层
把引用来源按类型分开统计，通常能看到明显的分层：官方文档与权威媒体的引用带来更高的信任，第三方测评带来更强的说服力，电商详情页带来更直接的转化。品牌如果只有一类信源，回答的可信结构就是单薄的。监测时要记录的不只是“被引用了几次”，还包括“被引用的都是哪一类页面”。
竞品占位会在长尾问句里显现
头部问句里，各品牌的差距通常不大；真正的差距出现在长尾场景，例如“适合敏感肌的通勤防晒”“预算三百以内的降噪耳机”。这类问句数量多、竞争少，谁的内容覆盖了具体场景，谁就更容易被推荐。竞品占位的监测应该以长尾问句为主，而不是只盯几个大词。
监测口径该怎么跟着调
模型能力提升会带来整体漂移，昨天的基线今天可能已经不准。比较务实的做法是把监测做成固定节奏的例行工作，并在模型版本更新后主动重跑一次基线。
常见问题
模型幻觉率下降，对品牌是利好还是压力？
两面都有。回答更可信意味着用户更少二次核实，被引用就更重要；如果品牌内容没有被引用，失去的曝光也更难补回来。
引用来源怎么统计才有意义？
按类型分层统计，而不是只数次数。官网、媒体、报告、电商页与测评各自代表不同的可信度与转化路径。
为什么长尾问句更值得监测？
头部问句竞争充分、差距小；长尾问句数量多、竞争少，谁覆盖了具体场景，谁就更容易被推荐。
模型更新后基线要重跑吗？
建议重跑。版本变化会带来整体漂移，沿用旧基线会把模型差异误判为品牌表现变化。
