Hy4 preview 办公实测：72 份文件能否完成财务费用稽核？
用腾讯混元 Hy4 preview 的官方财务稽核案例，拆解跨文件检索、规则生效判断与企业交付的验收方法。
企业真正需要的办公模型，不是把一段话润色得更像人，而是能从一堆文件里找出当前有效的规则，并把判断过程交付给别人复核。腾讯混元在 Hy4 preview 发布稿中给出的案例很具体：模型从 72 份文件中判断发票是否合规，再从 3 份规章制度里找出仍在生效的规则。
先说结论
- 发票稽核是带日期的证据任务，不是普通的文档摘要。
- 每个结论都应给出文件 ID、页码、生效规则版本、缺失证据和下一步动作。
- 通过冲突规则和生效边界日期测试误批、误拒，而不是只看平均准确率。
- 模型可以加速复核，但最终财务决策仍由人工负责。
为什么这个案例比普通摘要更难
普通摘要只需要找主题和重点。费用稽核却至少包含四个隐含步骤：识别每份文件的类型和时间，判断制度是否被新版本替代，把发票字段映射到规则条款，最后输出有证据链的合规结论。任何一步出错，最终答案都可能“看起来合理”却无法用于审批。
Hy4 preview 的 1M 上下文在这里有潜在价值：企业可以减少手工切片，把一组相关文件交给同一个任务处理。但窗口更大不代表模型自然不会漏读。评测时必须要求它列出使用过的文件、页码、规则版本和不确定项。
我会怎样复现
先把 72 份文件放入只读目录，为每份文件生成稳定 ID，并单独标记制度发布日期、生效日期和废止日期。提示词不应直接告诉模型答案，而应要求它先建立“规则时间线”，再对每张发票输出：结论、引用条款、涉及字段、缺失材料和建议动作。
第二步加入冲突样本：同一费用在旧制度和新制度中的额度不同；发票日期跨过制度生效日；附件缺少审批人签字。观察模型是否会把最新文件无条件当成适用规则，还是能根据业务发生日期选择正确版本。
第三步做人工抽样复核。随机抽取通过、拒绝和“不确定”三类结果，核对模型引用的页码和原文。不要只看总体准确率，因为企业风险往往集中在少数高金额或边界案例。
交付物应该长什么样
一份可用的结果不应只有“合规/不合规”两列。至少需要包含发票 ID、规则版本、判断理由、证据链接、缺失字段、置信度和下一步建议。对不确定项，模型应该明确请求人工补充，而不是用猜测填空。
如果要接入企业流程，还需要把原始输入、提示词、模型版本、工具调用和最终输出保存下来。SandBase 这类网关可以帮助团队把 provider key 放在服务端，并记录 request ID、token 和耗时；但财务系统是否允许外部处理，仍要由企业自己的合规团队决定。
Hy4 preview 在这里的边界
腾讯把办公分析列为 Hy4 preview 的重点能力，并强调跨文件协作和从信息处理到文档、表格、演示文稿的完整流程。官方案例值得测试，但没有公开全部文件、提示词和逐条评分，因此不能把它当作已经完成的第三方审计。
模型也可能在长任务中反复自我验证，增加成本和等待时间。实践中应设置最大运行时长和人工接管条件：超过预算仍未形成带引用的结果，就停止自动循环，转交审核人员。
决策记录比自信答案更重要
每张发票都应生成结构化记录：供应商、金额、日期、币种、审批状态、适用制度版本和证据页码。为拒绝结果使用明确原因码，并保留“证据不足”状态，不能自动变成通过。这样更容易抽样、申诉和事后复盘。
隐私与人工复核
财务文件常含个人和银行信息。发送到托管接口前先最小化语料并脱敏，提前定义留存期限；访问日志与提示词日志分开保存，并允许撤销或删除一次运行。金额边界、缺签字、制度冲突和低置信度抽取必须进入人工队列，验收指标应是减少人工时间而不是隐藏不确定性。
一套实际的抽样方案
不要一开始就把所有历史发票交给模型，先建立有代表性的样本：普通通过、高金额例外、附件缺失、重复发票，以及制度在期间内发生变化的案例。模型读取文件前，先由两名审核人员标注预期结论和对应条款。两人的分歧本身就是证据，说明制度可能需要澄清，而不是让模型替人裁决模糊规则。
同一批样本可以跑两种模式。第一种只允许模型检索并引用证据；第二种允许它给审核人员起草建议。比较审核时间、引用完整度，以及人工接受或纠正建议的比例。评测期间不要让模型提交付款、修改财务系统或通知供应商；这些副作用需要单独的审批路径和回滚演练。
遇到错误时，保留完整轨迹：输入文件 ID、规则时间线、抽取字段、引用页码和提示词版本。把失败归类为检索、日期选择、字段抽取、推理或制度歧义。这个分类比单一错误率更有用，因为每一类对应不同修复方式。OCR 变好不能修复同时生效的两套规则，扩大上下文也不能补上缺失的审批签字。
最终交接文档要写清模型可以直接决定什么、只能建议什么、哪些情况必须进入人工队列，并指定制度更新负责人和下一次模型升级后的复测日期。这样一次 Demo 才会变成可以审计的运营控制。
结论
Hy4 preview 的办公价值，最终取决于它能否把“读过很多文件”转化成“每个结论都能被复核”。72 份文件的案例很适合作为企业评测起点，但上线前必须补齐权限隔离、引用检查、抽样复核和审计留痕。对财务场景来说，可解释的失败比自信的错误更有价值。
证据截图
图 1：官方说明将 Hy4 定位为跨文件生产力任务的模型。
图 2：WorkBuddy 是测试文档工作流的托管入口。
图 3：研究页面提供厂商背景，但不能替代独立审计。
