文｜曉靜
編輯｜徐青陽
7月6日，騰訊混元Hy3正式版發佈 。 Hy3 是一個快慢思考融合的模型，採用MoE 架構，總參數 295B、激活參數 21B，支持 256K 上下文長度。
Hy3延續了實用、普惠的模型定位，定價爲輸入 1元/百萬tokens，輸出 4元/百萬tokens，輸入命中緩存價格僅0.25元/百萬tokens。
開源方面，Hy3 採用 商業友好度最高 的 Apach e 2.0開源協議，開放度和自由度都更高 ，全球開發者均可 下載和 免費商用 。 爲進一步方便全球開發者使用， Hy3 將陸續在 多個海外平臺上線 ，覆蓋 OpenRouter、Hermes、Kilo、Cline、OpenClaw、OpenCode、CherryStudio等， 且同時“day 0”接入 開源模型社區Huggingface 、 Modelscope 魔搭 平臺。
這組 關鍵信息 圈定了Hy3的競爭座標 ，追求實用性， 不追求參數規模最大， 但實際表現 逼近參數量2到5倍的旗艦模型的實際表現， 同時 在價格上 有絕對競爭力 。
01
兩個月，從preview到正式 上線
於4月23日發佈的Hy3 preview爲混元重建後第一個版本， preview版本上線後被騰訊內部多條產品線真實調用，被全球開發者使用， 在真實任務中反覆驗證 。這兩個月的後訓練迭代集中在三個方向： 進一步提升後訓練的算力規模、 數據質量和多樣性，以及針對preview階段暴露的幻覺問題做細粒度檢測與訓練約束。
結果體現在benchmark上。12項橫向對比中，Hy3相比preview版進步最大的兩項是SkillsBench（從29.1到55.3）和MathArena Apex（從12.8到38.7）。Agent和代碼核心能力提升20%-30%，幻覺率下降一半。
在Agent和工具編排類測試中，Hy3建立了明確的差異化優勢。
ClawEval pass^3拿到68.5，超過DeepSeek V4 Pro的62.4和Qwen 3.7 Max的65.2；SkillsBench 55.3同樣領先這兩個對手；BrowseComp 84.2與GPT 5.5的84.4幾乎持平。代碼類測試中SWE-bench Pro從preview的46.0提升到57.9，NL2repo從35.3到45.6，進步幅度大，但與DeepSeek V4 Pro和Qwen 3.7 Max仍有3-5個點的差距。
數學推理是當前最明顯的天花板。MathArena Apex上Hy3得分38.7，GPT 5.5是85.4。在純推理任務上，國產模型整體與GPT 5.5之間的結構性差距仍然存在，Qwen 3.7 Max的44.5同樣遠低於GPT 5.5。 這也是國產模型整體需要追趕的方向。
02
真實業務裏的驗證
Hy3已接入WorkBuddy/CodeBuddy、元寶、ima、Marvis、QQ瀏覽器、騰訊新聞、WeGame、騰訊樂享、搜狗輸入法、微信公衆號，另有多個業務在接入隊列中。
WorkBuddy上自主選擇Hy3 preview的用戶數增長了6倍。 Hy3上線後，基於 WorkBuddy 辦公場景內部測評顯示， 相比 Hy3 preview，任務解決率從 72% 躍升至 90%，平均耗時縮短34% ， 在 數據處理、文檔處理、研報分析等多類細分任務中都有更好的表現 。
i ma基於線上知識庫問答與 Agent 兩大核心場景對 Hy3 進行 了 評測。在 Agent任務中，Hy3 綜合表現優異，系統穩定性高達 9 5. 1 %，其中 工具編排能力尤爲突出，盲目重試、應止未止等無效操作大幅減少，讓複雜辦公任務規劃更準、一步到位。知識庫問答場景同樣顯著 增強， 推理質量淨提升近19%，思考更系統、信息覆蓋更全面，長文寫作與方案生成的結構完整度、可用性明顯增強。
在 Agent 任務中，Hy3 綜合表現優異，系統穩定性高達 9 5. 1 %，其中 工具編排能力尤爲突出，盲目重試、應止未止等無效操作大幅減少，讓複雜辦公任務規劃更準、一步到位。知識庫問答場景同樣顯著 增強， 推理質量淨提升近19%，思考更系統、信息覆蓋更全面，長文寫作與方案生成的結構完整度、可用性明顯增強。
元寶的對話交互
場景
也爲模型提供了極具價值的反饋
，
例如
Hy3 preview
在長文
和
AI
搜索
場景
的
幻覺問題。混元通過深度清洗訓練數據樣本，細粒度的幻覺檢測與訓練約束，讓模型學會在複雜證據下穩定輸出。
在內部基於真實業務場景的長文、RAG 評測中，Hy3 正式版的幻覺率較 preview 版本下降約 44%。在基於元寶真實用戶日誌的線上評測中，Hy3 正式版的常識錯誤率較 preview 版本大幅下降，深度推理（high）模式下錯誤率降低 12.3%，極速（no_think）模式下降低 8.5%。
升級到 H y 3 後，元寶 Agent 在覆蓋信息查詢、數據處理、文檔辦公、生活決策、網頁製作等場景的評測中全面進階 ， 工具編排更穩，無效重試與空轉反覆明顯減少，複雜任務也能規劃得更準、一步到位。
在元寶Agent的Benchmark 評估中，H y 3 在 綜合辦公與生活服務兩大 Agent 場景上，已超過 GLM 5.1 等大量國產優秀模型，逼近Claude Sonnet 4.6等海外領先模型的能力表現，足以穩定支撐真實業務鏈路。
03
“交成品”的實測案例
在Workbuddy中，使用 Hy3獨立搭建一家油氣公司的合併現金流模型——三個地區、六大儲量區塊、5220格聯動總表，涉及價格逐年切換、NGL按差率折算、零產量異常處理、三級小計彙總等真實建模難點。
Hy3全部做對，且達到兩個關鍵標準：零硬編碼，每個數字都是能隨假設自動重算的活公式， 這說明 它在 自主 搭模型而不是抄答案；上千行跨多表的超大模型全程保持邏輯一致，沒有出現一處出錯連鎖污染上千格的情況。
對於金融、諮詢等依賴複雜模型的行業來說，這種可靠性直接決定了模型能不能進入真實工作流。
另一個 案例， 覆蓋了從散亂數據到彙報成品的全鏈路。給Hy3輸入101個SKU的銷售數據，要求產出Excel建模分析和30頁彙報PPT。模型構建了12個表格的完整分析底稿（含熱力圖、分層分析、原生圖表），同時交付30頁PPTX——20張圖表覆蓋條形圖、餅狀圖、熱力圖、氣泡圖，每頁 還帶有 觀點句，分析邏輯清晰。
最終 從幾十個信息散落的文件到一份可以直接拿去彙報的成品，由模型自主完成分析、建模、可視化、排版的全流程。
從開發場景來看， 代碼能力的真實考驗 並不僅僅是對算法的理解 ， 模型需要 在一個項目中同時調度多套技術棧，自主規劃架構，端到端產出可運行的完整工程。
讓Hy3生成一個攝像頭手勢交互頁面 ： 打開攝像頭揮手把一張圖吹散成上萬個光點，握拳再讓它們聚回原圖。
在這 一個網頁裏需要同時跑通MediaPipe手勢追蹤、Three.js上萬粒子3D渲染與輝光着色器、AI實時生成源圖三套獨立技術並精準聯動。三套技術的初始化順序、數據流向、渲染管線都需要模型在架構層面自主規劃，任何一環出錯整頁崩潰。Hy3正式版一次通過，手勢真實跟手，粒子疊加輝光仍然流暢。
讓Hy3端到端生成一家虛構清潔能源公司的官網首頁 ， 首屏是Three.js實時渲染的三維聚變核心，隨頁面滾動鏡頭推進拆解，整站七八個區塊，涉及GLSL着色器、Bloom輝光後處理、滾動驅動3D鏡頭。近2000行代碼，由模型自主完成規劃、生圖、寫代碼、自檢的全流程，全程無空白不白屏。產出的頁面 可以直接達到 科技公司Landing Page的商用水準。
04
90%的Agent任務可以用Hy3執行
騰訊與海量產品Co-design測試的結論是：主要場景中至少90%的Agent任務可以使用Hy3成功執行。覆蓋範圍包括數據處理、文檔生成、研報分析、信息查詢、網頁製作、生活決策等辦公與生活自動化場景。
這個數字的含義是 ， 對於絕大多數企業和個人用戶的日常Agent需求，Hy3已經夠用了。它 是一個追求實用性的模型，“能幹好 90%的活兒， 同時 成本比旗艦模型低一個量級 ” 。對於真正想把AI接入業務流程的團隊來說， 能幹活和成本低可能是優先級最高的兩個選項 。
preview版到正式上線的路徑也值得關注 ， 先進入真實產品，被真實用戶使用，從真實問題裏找到優化方向，再把結果帶回產品。這條 “ 業務反哺模型 ” 的研發鏈路， 也 在兩個月內完成了一個完整循環。
推薦閱讀
騰訊混元大模型重建第一步，用Hy3 preview驗證自己的AI節奏