ZPedia｜腾讯Hy3正式版上线，姚顺雨半年交卷

7月6日，腾讯混元Hy3正式版悄然上线。距离4月23日Hy3 preview开源发布，整整两个半月。

在参数规模上，Hy3 延续了 Preview 版本的既定路线：总参数量 295B ，激活参数量 21B ，采用 MoE 混合专家架构。

作为对比，目前行业第一梯队中，国内外头部模型的总参数量则普遍迈向了 T 门槛。Hy3 维持 295B 参数规模，与 DeepSeek V4 Flash 和 MiniMax M3 接近。

更明显的克制体现在上下文窗口上。在动辄 1M 几乎成为行业标配、各大厂商纷纷以此彰显技术肌肉的当下， Hy3 正式版依然将 窗口 停留在 256K 。

目前来看，Hy3 正式版的改进主要聚焦于推理能力、指令遵循、Agent 执行和幻觉控制。在长文本容量未做跨代升级的前提下，腾讯的核心逻辑显然是压榨既有容量的性能极限，让它在有限的上下文窗口内，在更复杂、更贴近真实工作流的任务中尽量少出错。

Hy3正式版官方公布的12项评测维度，横向对比模型包括GLM-5.2、DeepSeek V4 Pro、Qwen 3.7 Max、Seed-2.1 Pro、GPT-5.5和Claude Opus 4.8。

代码与软件工程维度：

1. SWE-bench Multilingual（多语言软件工程基准）：75.8分。落后于Claude Opus 4.8（84.4分）和GLM-5.2（83.0分），但优于DeepSeek V4 Pro和Qwen 3.7 Max。

2. SWE-bench Pro（专业级软件工程基准）：57.9分。大幅落后于Claude Opus 4.8（69.2分）和GLM-5.2（62.1分），但高于DeepSeek V4 Pro（55.4分）。相比preview版本的46.0分，提升幅度超过25%。

3. Terminal Bench 2.1（终端命令执行基准）：71.7分。位列第四，落后于Claude Opus 4.8（85.0分）、GLM-5.2（81.0分）和Qwen 3.7 Max（75.0分）。

4. NL2repo（自然语言转代码仓库）：45.6分。中游水平，落后于Claude Opus 4.8（69.7分）和GLM-5.2（48.9分）。

Agent与工具调用维度：

5. ClawEval（Agent框架执行）：68.5分。表现亮眼，仅次于Claude Opus 4.8（72.1分），超过DeepSeek V4 Pro（62.4分）和Qwen 3.7 Max（65.2分）。

6. MCP Atlas (public)（MCP工具调用测试）：79.1分。在提供数据的6个主流模型中排名末位，落后于Claude Opus 4.8（84.1分）、GLM-5.2（82.6分）及Seed-2.1 Pro（80.6分）。

7. SkillsBench (text-only)（技能基准-纯文本）：55.3分。preview版仅29.1分，正式版提升近90%，位列第二，仅次于Claude Opus 4.8（64.6分）。

搜索与信息检索维度：

8. BrowseComp（网页浏览综合能力）：84.2分。与GPT-5.5（84.4分）几乎持平，是Hy3表现最强的单项之一。

9. AA-LCR（高级逻辑与长上下文推理）：73.4分。与GLM-5.2（73.4分）并列，落后于GPT-5.5（76.4分）。

STEM与推理维度：

10. GPQA Diamond（博士级科学问题）：90.4分。接近GPT-5.5（93.6分），在国产模型中表现突出。

11. HLE (with tools, text-only)（硬逻辑评估-带工具）：53.2分。低于GLM-5.2（54.7分），高于DeepSeek V4 Pro（48.2分）。

12. MathArena Apex（数学竞赛竞技场）：38.7分。preview版仅12.8分，正式版实现207%的"报复性反弹"，在本土竞品中仅次于Qwen 3.7 Max（44.5分）。

从整张成绩单来看，Hy3 正式版展现出了典型的“务实偏科”特征。

在前沿科学推理和特定 Agent 执行维度（如 ClawEval、SkillsBench）上挤进了行业头部；但在检验生态落地、工具调用的关键指标（如 MCP Atlas）以及极硬核的软件工程真实赛道（如 SWE-bench Pro）中，距离国际顶级模型和国内部分头部竞品仍存在一定位差。

姚顺雨在加入腾讯前一年发表的博客文章《The Second Half》中，已经系统阐释了这套思路。他认为AI的"配方"已基本成型，大规模语言预训练、数据与算力的规模化、推理，上半场依赖"开发新方法击败基准测试"的游戏规则正在失效，下半场AI开始转向"真实世界效用问题"。

Hy3的架构选择，正是这种"实用主义AI"理念的技术投射。

长板：Agent效率与编程审美

Hy3的三个高分维度：BrowseComp（84.2分）、AA-LCR（73.4分）、ClawEval（68.5分），指向了一个共同的能力特征：对既有信息的精准定位、筛选与整合。

这三个高分维度的共性在于，它们考验的是"在浩瀚信息中找得到、筛得准"的实用技能。BrowseComp上仅差GPT-5.5 0.2分，意味着Hy3在复杂的网页导航和多源信息交叉验证任务中，已经具备了接近顶流的容错能力；

AA-LCR与GLM-5.2并列，说明其在长文本的逻辑推理上至少站稳了第一梯队；ClawEval紧随Claude位列次席，则表明其在真实世界Agent任务中的执行能力获得了初步认可。

这种能力特征被直接转化到了腾讯的产品矩阵中。元宝的长文本总结、ima的知识库问答（Agent系统稳定性达95.1%，推理质量净提升近19%）、腾讯文档的智能分析——这些高频办公场景恰恰最需要"信息精准定位"而非"算法灵光一闪"。

更值得关注的是Hy3在编程Agent领域展露的"审美功底"。

根据独立评测人「赛博史官」的实测反馈，Hy3正式版在编程任务中不仅能生成可运行的代码，还在UI设计、图标渲染、视觉建模等细分维度上做到了国产大模型中的拔尖水平。

但这条长板也伴随着一个微妙的性格缺陷：Hy3的主动发挥倾向极强。面对需求模糊的用户，这种"主观能动性"能带来极大惊喜——它会主动补全你没有说出的需求；但当工程需求约束极其清晰硬核时，过于活跃的"主观能动性"又可能显得不受约束、不够克制。

在指令遵循能力上，测试显示Hy3明显强于同尺寸的DeepSeek-V4 Flash，在需要深度理解力的指令上甚至可以看齐DeepSeek-V4 Pro。但这并非免费的午餐，Hy3在这类任务上的Token消耗比DS4 Flash骤增了50%到150%。

短板：暴力、幻觉与冷门技术栈

如果说长板让Hy3站稳了脚跟，那么短板则勾勒出它仍需攀爬的坡度。值得肯定的是，从preview到正式版，Hy3在12个维度上全部实现了正向增长，部分前期低分项的反弹幅度堪称惊艳。但将视角拉高到全球竞争的坐标系中，几个显性的能力缺口依然值得关注。

数学推理是差距最为集中的维度。 MathArena Apex上的38.7分相比preview版的12.8分完成了近三倍的跃升，这一进步本身已足以体现团队在后训练阶段的用力之深。但横向来看，GPT-5.5的85.4分仍然像一面镜子，照出了国产模型在纯数学推理上的集体瓶颈。Hy3在处理复杂数学问题时对Token消耗量较大，更倾向于通过充分的推理步数来换取准确率的提升，这在工程上是一种务实的权衡，但也意味着在计算资源受限的场景下，其数学能力会有所折损。

MCP Atlas的79.1分，是正式版成绩单中相对薄弱的一环。 MCP（Model Context Protocol）作为当前Agent生态的事实标准，其工具调用能力直接影响模型在多工具协作场景中的流畅度。Hy3在这一项上不仅低于Claude Opus 4.8（84.1分）和GLM-5.2（82.6分），也略逊于Seed-2.1 Pro（80.6分）。这一数据与部分实测反馈形成了互证：在单工具、可控环境里，Hy3能够输出漂亮的交互网页；但在需要跨多个工具连续协作的复杂工作流中，其在接口认证、异常处理等环节的容错能力仍有打磨空间。

卡位：账单博弈与封闭生态的围城

从 Preview 到正式版，Hy3 在 12 个维度上迎来了全面上涨。

但拆解其增幅中位数可以发现，高增长在很大程度上是由 MathArena 和 SkillsBench 等前期低分项的报复性反弹拉动的。这种“饱和式补短”战略极为务实，它让模型在最短时间内完成了工程化蜕变，但也从侧面坐实了预览版曾存在的结构性缺陷。将 Hy3 放入国内主流竞品的坐标系中，其综合表现始终在均值上下进行 1 到 3 分的细微波动。这意味着国内大模型第一梯队已经进入白热化的胶着期，选 Hy3 还是选 GLM，取决于业务的具体场景，而非模型绝对能力的云泥之别。

在商业竞争中，腾讯此次祭出了极具攻击性的“降维卡位”定价：输入 1 元/百万 tokens、输出 4 元/百万 tokens，而缓存命中更是探到了 0.25 元。这一策略直接在行业中撕开了一个独特的生态位。它虽然不与极致价格战的轻量模型拼地板价，但面对智谱高阶模型或 Qwen3-Max 等同级别旗舰竞品时，其单价仅为对手的几分之一。

这种轻量级账单的背后，隐藏着一套极其微妙的动态算力博弈。

其 优势 在于特定场景下“高执行效率”的乘数效应。在长文本总结或文献检索等绝对优势区，Hy3 凭借缩减 30% 的步数与工具调用数，实现了物理层面的 Token 瘦身。低单价与低消耗双重红利叠加，使得企业在这些高频业务场景下的实际算力开销呈现断崖式下跌。

然而，其 劣势 也在短板场景下暴露无遗。在需要跨平台 Agent 协作或硬核代码重构的区域，由于缺乏算法直觉，Hy3 极易陷入由大量盲目试探、Debug 构成的“Token 黑洞”，单价上的便宜会被疯狂飙升的 Steps 和累加的 Token 总量彻底对冲，账单优势反而会退化至平庸。

这种不追求万亿参数、强调极致性价比的路线，同样硬性框定了 Hy3 的技术边界。

横向对比国内第一梯队，当阿里通义 Qwen3-Max、月之暗面 Kimi K2.5 等同行高举高打，选择用万亿参数的超级规模去强攻高智能制高点，并动辄将百万级长文本变为行业标配时，Hy3 依然坚守在 256K 的上下文窗口。

这里的 技术劣势 显而易见。面对超长源码库、批量大跨度历史卷宗等超长文本场景，256K 的容量上限让它直接失去了入场券。但其商业优势在于，不盲目跟风去卷大参数与长文本，恰恰是其压低预训练与推理成本，追求单字智能密度的体现。

尾声

有意思的是，「赛博史官」在文章的最后正式宣布加入混元团队，全职从事大模型评估和观测手段探索。

但对于这篇报告的主角而言，故事才刚刚开始。Hy3 正式版是姚顺雨自去年 12 月空降腾讯、接掌混元大模型部后交出的首份核心成绩单。这位前 OpenAI 研究员顶着“彻底重建团队”的巨大压力，在短短半年内通过极务实的后训练与短板对齐，将混元从早期的结构性缺陷中拉了出来，

但组织架构层面的挑战，远比技术层面的挑战更为棘手。腾讯内部的"联邦制"格局由来已久。WXG（微信事业群）在腾讯内部拥有超然地位，长期秉持独立于集团意志之外的产品理念。

据《中国企业家》报道，微信高层在2026年年会上曾公开表达希望自己训练大模型、集团给予更多GPU支持的诉求。微信团队的模型能力在低调中快速爬坡，一个拥有十亿级用户入口、掌握着中国最密集社交场景的部门，与一支需要证明自身价值的独立技术团队，两者的路径注定交叉。

在腾讯庞大复杂的组织生态里，这不是简单的「谁做得更好」的技术评比，而是关于资源分配、话语权归属、乃至未来AI战略坐标的暗战。