混元3正式版拿了高分，騰訊全家桶可以放心用了

千呼萬喚始出來，姚順雨加入騰訊后，第一個(gè)重量級(jí)產(chǎn)品Hy3正式版，今天公布了。

為了這個(gè)產(chǎn)品，騰訊可以說是準(zhǔn)備了大半年。

2025年12月，騰訊對(duì)企業(yè)內(nèi)部的大模型研發(fā)架構(gòu)動(dòng)了大手術(shù)，新設(shè)AI Infra部、AI Data部和數(shù)據(jù)計(jì)算平臺(tái)部，同時(shí)請(qǐng)來清華姚班出身的姚順雨出任首席AI科學(xué)家，雙線向劉熾平和盧山匯報(bào)。

姚順雨到任后第一件事，就是推翻舊有訓(xùn)練框架，一個(gè)月內(nèi)重建整套預(yù)訓(xùn)練和強(qiáng)化學(xué)習(xí)基礎(chǔ)設(shè)施，定下“不偏科、不刷榜、不燒錢”三大原則。

重建后的首個(gè)產(chǎn)物，便是4月23日上線的Hy3 preview。這個(gè)模型從啟動(dòng)訓(xùn)練到發(fā)布僅三個(gè)月。

但Hy3 preview畢竟只是個(gè)預(yù)覽版，各方面能力只能說尚可，沒做到國內(nèi) SOTA 的程度。

但這次的 Hy3 正式版不一樣，它是真支棱起來了。

01

Hy3正式版升級(jí)了哪些

Hy3正式版沿用了preview的底層架構(gòu)，總參數(shù)量295B，每次推理激活21B參數(shù)，另外有3.8B參數(shù)用于MTP（Multi-token Prediction）層。模型共80層（不含MTP層），采用GQA分組注意力機(jī)制，64個(gè)注意力頭中8個(gè)為KV頭，隱藏層維度4096，中間層維度13312。專家系統(tǒng)配置為192個(gè)專家、每次激活top-8。上下文窗口256K，詞匯表120832，精度BF16。

也就是說，有效參數(shù)量約為GLM 5.2的一半。其實(shí)Hy3的整套架構(gòu)設(shè)計(jì)早在preview階段已經(jīng)定型，正式版沒有做結(jié)構(gòu)層面的變動(dòng)。

那正式版到底改了什么？

官方的說法，是“進(jìn)一步提升了后訓(xùn)練數(shù)據(jù)的質(zhì)量和多樣性，擴(kuò)大了RL算力規(guī)模”。

翻譯成大白話，架構(gòu)沒動(dòng)，但喂給它的訓(xùn)練數(shù)據(jù)更好了、更多樣了，也給強(qiáng)化學(xué)習(xí)更多的計(jì)算資源。

從benchmark數(shù)據(jù)來看，Hy3這次在官方博客和HuggingFace上放出了相當(dāng)詳細(xì)的得分表，覆蓋代碼、搜索、工作智能體、STEM、推理和上下文學(xué)習(xí)六大方向，并和GLM-5.2、GLM-5.1、DeepSeek V4 Pro、Seed-2.1 Pro、Qwen-3.7 Max、Gemini-3.1-pro-preview、Claude Opus 4.8、GPT-5.5等主流模型做了橫向?qū)Ρ取?/p>

以下數(shù)字均來自混元官方發(fā)布的附錄表格。

先看代碼智能體方向。Hy3正式版在SWE-Bench Verified上拿到78.0分，SWE-Bench Pro 57.9分，SWE-Bench Multilingual 75.8分，Terminal-Bench 2.1 71.7分，DeepSWE 28.0分。

作為對(duì)比，GPT-5.5在SWE-Bench Verified上是84.4分、SWE-Bench Pro 58.6分；GLM-5.2在SWE-Bench Pro上是62.1分；DeepSeek V4 Pro 在 SWE-Bench Pro 上是55.4分。

Hy3和開源模型相比不相上下，但和頂級(jí)閉源模型之間還有一些差別。

搜索智能體方向是Hy3表現(xiàn)最強(qiáng)的地方。BrowseComp 84.2分，在所有對(duì)比模型中排第一，甚至追平了GPT-5.5。WideSearch 76.4分，DeepSearchQA 91.0分。

工作智能體方向，Hy3在MCP Atlas（公開版）拿到79.1分，ClawEval（pass3）68.5分，Toolathlon 48.5分，WildClawBench（35輪，純文本）53.6分。

混元還跑了內(nèi)部評(píng)測(cè)集Hy-FinModelBench（金融建模），拿到69.0分，基本和GLM-5.2持平。

STEM和推理方向，Hy3在GPQA Diamond上拿到90.4分（GPT-5.5為93.6）, HLE（帶工具，純文本）53.2分（GLM-5.2為54.7, DeepSeek V4 Pro 為48.2）, USAMO 2026 72.0分，IMOAnswerBench 90.0分，MathArena Apex 38.7分，SuperChem 54.9分。GPQA Diamond的90.4分已經(jīng)相當(dāng)接近GPT-5.5的93.6分，HLE帶工具的53.2分低于 GLM-5.2（54.7）但高于DeepSeek V4 Pro（48.2）。

上下文學(xué)習(xí)方向我得多說兩句，跑的是CL-bench和CL-bench Life這兩個(gè)騰訊自建的評(píng)測(cè)集以及AA-LCR。Hy3在CL-bench上拿到23.8分，CL-bench Life 17.0分，AA-LCR 73.4分。

這三個(gè)數(shù)字看著很低，但這不是Hy3的問題，而是這個(gè)評(píng)測(cè)方向本身的特性。

CL-bench是姚順雨加入騰訊后署名發(fā)表的第一篇論文（2026年2月發(fā)布，arXiv 2602.03587，騰訊混元與復(fù)旦大學(xué)聯(lián)合研究），專門用來測(cè)試語言模型的“上下文學(xué)習(xí)能力”，評(píng)分越高，代表模型越能從上下文中學(xué)習(xí)全新知識(shí)并正確應(yīng)用。

同時(shí)，這篇論文中也提到，當(dāng)前幾乎所有SOTA模型在這方面都很差。論文發(fā)布時(shí)，表現(xiàn)最好的 GPT-5.1 (High) 在 CL-bench 上的任務(wù)解決率只有23.7%。如果不提供上下文，GPT-5.1只能解決不到1%的任務(wù)。

也正因?yàn)槿绱耍樣瓴虐阉?dāng)作“下半場(chǎng)”要攻克的核心問題之一。

別看hy3沒拿多少分，要知道，在CL-bench面前，哪怕是Claude Opus 4.8，也就才拿了24.8分。Hy3的23.8在國產(chǎn)模型里是最高的。

評(píng)分終歸是評(píng)分，騰訊自己也承認(rèn)，公開榜單并不能完全反映模型的“真實(shí)戰(zhàn)斗力”。

Hy3正式版發(fā)布前，騰訊做了一個(gè)特別的測(cè)試，在內(nèi)部組織了270位來自不同學(xué)科的專家，基于真實(shí)工作場(chǎng)景做模型盲測(cè)，收集了312份有效對(duì)比。

結(jié)果是Hy3均分2.67/4，優(yōu)于絕大多數(shù)模型，優(yōu)勢(shì)集中在前端開發(fā)、數(shù)據(jù)與存儲(chǔ)、CI/CD等類別。這個(gè)測(cè)試的樣本量不算大，但由于采用的測(cè)試方式是真實(shí)工作場(chǎng)景的專家盲測(cè)，所以比純跑benchmark更能反映模型在生產(chǎn)力任務(wù)中的實(shí)際表現(xiàn)。

相較于Hy3 Preview，正式版的幻覺率從12.5%降至5.4%，降幅超過一半。常識(shí)錯(cuò)誤率從25.4%降至12.7%。多輪問題率從17.4%降至7.9%。長(zhǎng)對(duì)話理解基準(zhǔn)MRCR從42.9%升至75.1%。工具調(diào)用的錯(cuò)誤恢復(fù)能力和效率大幅提升，觸發(fā)無限循環(huán)的無效調(diào)用減少了。跨腳手架泛化性也得到增強(qiáng)。

這意味著不管你用哪個(gè)編程工具框架來調(diào)用Hy3，效果差異不會(huì)太大，并且效果要比Hy3 Preview更好。

定價(jià)方面，Hy3延續(xù)了preview的性價(jià)比路線：API輸入1元/百萬tokens，輸出4元/百萬tokens，輸入命中緩存0.25元/百萬tokens。模型權(quán)重以Apache 2.0協(xié)議在GitHub、HuggingFace、ModelScope、GitCode等平臺(tái)開源，全球開發(fā)者可免費(fèi)商用。海外平臺(tái)方面，OpenRouter、Cline、OpenClaw、OpenCode、CherryStudio等也將陸續(xù)接入。

preview上線兩周后，token調(diào)用量達(dá)到上一代Hy2的10倍，在OpenRouter上以3.66萬億token的周調(diào)用量拿到總榜和市場(chǎng)占有率“雙第一”。到了正式版發(fā)布時(shí)，日均token消耗量已經(jīng)增加了20倍。

尤其是代碼和Agent類場(chǎng)景的調(diào)用量增長(zhǎng)最為明顯，在WorkBuddy/CodeBuddy以及QClaw類應(yīng)用中增長(zhǎng)超過16.5倍。

02

落到產(chǎn)品里如何

模型跑分再高，最終都要落到產(chǎn)品里才算數(shù)。

Hy3正式版發(fā)布時(shí)已經(jīng)接入了WorkBuddy/CodeBuddy、元寶、ima、Marvis、QQ瀏覽器、騰訊新聞、WeGame、騰訊樂享、搜狗輸入法、微信公眾號(hào)、微信讀書、騰訊地圖、騰訊文檔等核心業(yè)務(wù)，另外還有近50個(gè)業(yè)務(wù)在排隊(duì)接入。

WorkBuddy是國內(nèi)目前最受關(guān)注的AI辦公智能體之一，也是Hy3能力驗(yàn)證的主戰(zhàn)場(chǎng)。

從數(shù)據(jù)來看，Hy3在WorkBuddy上的表現(xiàn)確實(shí)有質(zhì)的提升。相比preview版本，任務(wù)解決率從72%躍升至90%，平均耗時(shí)縮短34%。token效率方面，高頻辦公任務(wù)中Hy3的token消耗顯著低于GLM5.2，比如文檔處理方面節(jié)省了47.4%，PPT制作節(jié)省了49.0%。

并且自Hy3 preview發(fā)布以來，WorkBuddy上自主選擇Hy3的用戶數(shù)增長(zhǎng)了6倍。

具體到實(shí)際辦公場(chǎng)景，Hy3能做的事情要比preview版本更復(fù)雜了。

根據(jù)官方給出的showcase，Hy3能從101個(gè)SKU銷售數(shù)據(jù)中產(chǎn)出Excel建模分析以及30頁匯報(bào)PPT；把公司三個(gè)地區(qū)的數(shù)據(jù)用聯(lián)動(dòng)公式匯總成一張5000多個(gè)單元格的表；設(shè)計(jì)核聚變能源引擎的概念宣傳網(wǎng)頁；通過攝像頭用手勢(shì)交互控制圖片粒子融解重組；通過多輪交互制作一個(gè)落日飛車游戲。

元寶是另一個(gè)重要的落地場(chǎng)景。

接入Hy3后，元寶也同步上線了Agent功能。用戶在日常對(duì)話中輸入需求，元寶即可直接執(zhí)行復(fù)雜任務(wù)并交付PPT、Word、Excel、PDF、HTML等文件。

騰訊的內(nèi)部評(píng)估顯示，Hy3在綜合辦公與生活服務(wù)兩大場(chǎng)景上已超過了GLM-5.1，文檔生成綜合分提升7%，網(wǎng)頁制作與自動(dòng)化腳本提升6%。

ima的知識(shí)庫問答和Agent場(chǎng)景也接入了Hy3。Agent任務(wù)中系統(tǒng)穩(wěn)定性達(dá)95.1%，工具編排能力突出，盲目重試、應(yīng)止未止等無效操作大幅減少。知識(shí)庫問答場(chǎng)景推理質(zhì)量?jī)籼嵘?9%，幻覺率下降15個(gè)百分點(diǎn)。Marvis的多Agent協(xié)作場(chǎng)景中，任務(wù)完成率達(dá)93.7%，6個(gè)Agent協(xié)作下任務(wù)派發(fā)正確率達(dá)92%。

QQ瀏覽器的編程與代碼輸出類任務(wù)成功率提升37.6%。微信公眾號(hào)AI分身和客服的意圖識(shí)別準(zhǔn)確率從98.28%提升到98.94%。

WeGame《流放之路：降臨》（POE2）AI游戲助手的多輪推理與工具調(diào)度綜合成功率提升至92%，幻覺率從4.5%降至2.8%。

值得一提的是Hy3在微信小程序開發(fā)方面的能力。

在Hy3 preview發(fā)布時(shí)，混元就展示過這么一個(gè)案例，用戶給模型一個(gè)復(fù)雜的Prompt，要求用微信小程序原生框架開發(fā)一個(gè)完整的徒步路線與旅游計(jì)劃推薦小程序，包含首頁圖片輪播和分類導(dǎo)航、路線詳情頁行程時(shí)間軸和圖庫、個(gè)人中心收藏功能，并且要求UI清新自然、代碼邏輯閉環(huán)、可直接導(dǎo)入微信開發(fā)者工具運(yùn)行。

模型一次性輸出了包括app.json全局配置在內(nèi)的所有文件。到了Hy3，這個(gè)能力得到了進(jìn)一步增強(qiáng)。

比如我讓Hy3給我做個(gè)快遞小程序，它就連前端帶后端，外加API、數(shù)據(jù)結(jié)構(gòu)、項(xiàng)目方案一并輸出。

這里其實(shí)有個(gè)有趣的事情，微信前不久推出的原生AI助手“小微”，也具備通過自然語言生成小程序的能力。

比如下圖，我讓小微給我生成一個(gè)字母AI專用的文章記錄助手。

但小微背后的模型并不是Hy3，而是微信自研的WeLM和DeepSeek-v4。日常交互由WeLM主導(dǎo)，復(fù)雜推理則調(diào)用DeepSeek。

5月15日，微信小程序“成長(zhǎng)計(jì)劃”完成了模型升級(jí)，全面采用Hy3 preview模型。

6月8日，微信又發(fā)布了《關(guān)于開發(fā)者接入微信AI生態(tài)的指引》，正式面向小程序開發(fā)者開放AI生態(tài)接入能力。美團(tuán)、滴滴、京東、途虎養(yǎng)車、攜程等頭部平臺(tái)已經(jīng)宣布與騰訊在AI Agent領(lǐng)域達(dá)成合作。

或許在小程序開發(fā)這塊，開發(fā)者用Hy3，普通老百姓用Welm+DeepSeek，才是騰訊想要的完美答案。