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，第一個重量級產品Hy3正式版，今天公布了。

為了這個產品，騰訊可以說是準備了大半年。

2025年12月，騰訊對企業內部的大模型研發架構動了大手術，新設AI Infra部、AI Data部和數據計算平臺部，同時請來清華姚班出身的姚順雨出任首席AI科學家，雙線向劉熾平和盧山匯報。

姚順雨到任后第一件事，就是推翻舊有訓練框架，一個月內重建整套預訓練和強化學習基礎設施，定下“不偏科、不刷榜、不燒錢”三大原則。

重建后的首個產物，便是4月23日上線的Hy3 preview。這個模型從啟動訓練到發布僅三個月。

但Hy3 preview畢竟只是個預覽版，各方面能力只能說尚可，沒做到國內 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正式版升級了哪些

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

也就是說，有效參數量約為GLM 5.2的一半。其實Hy3的整套架構設計早在preview階段已經定型，正式版沒有做結構層面的變動。

那正式版到底改了什么？

官方的說法，是“進一步提升了后訓練數據的質量和多樣性，擴大了RL算力規模”。

翻譯成大白話，架構沒動，但喂給它的訓練數據更好了、更多樣了，也給強化學習更多的計算資源。

從benchmark數據來看，Hy3這次在官方博客和HuggingFace上放出了相當詳細的得分表，覆蓋代碼、搜索、工作智能體、STEM、推理和上下文學習六大方向，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對比。

以下數字均來自混元官方發布的附錄表格。

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，但和頂級閉源模型之間還有一些差別。

搜索智能體方向是Hy3表現最強的地方。BrowseComp 84.2分，在所有對比模型中排第一，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。

混元還跑了內部評測集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分已經相當接近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）。

上下文學習方向我得多說兩句，跑的是CL-bench和CL-bench Life這兩個騰訊自建的評測集以及AA-LCR。Hy3在CL-bench上拿到23.8分，CL-bench Life 17.0分，AA-LCR 73.4分。

這三個數字看著很低，但這不是Hy3的問題，而是這個評測方向本身的特性。

CL-bench是姚順雨加入騰訊后署名發表的第一篇論文（2026年2月發布，arXiv 2602.03587，騰訊混元與復旦大學聯合研究），專門用來測試語言模型的“上下文學習能力”，評分越高，代表模型越能從上下文中學習全新知識并正確應用。

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

也正因為如此，姚順雨才把它當作“下半場”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在國產模型里是最高的。

評分終歸是評分，騰訊自己也承認，公開榜單并不能完全反映模型的“真實戰斗力”。

Hy3正式版發布前，騰訊做了一個特別的測試，在內部組織了270位來自不同學科的專家，基于真實工作場景做模型盲測，收集了312份有效對比。

結果是Hy3均分2.67/4，優于絕大多數模型，優勢集中在前端開發、數據與存儲、CI/CD等類別。這個測試的樣本量不算大，但由于采用的測試方式是真實工作場景的專家盲測，所以比純跑benchmark更能反映模型在生產力任務中的實際表現。

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。常識錯誤率從25.4%降至12.7%。多輪問題率從17.4%降至7.9%。長對話理解基準MRCR從42.9%升至75.1%。工具調用的錯誤恢復能力和效率大幅提升，觸發無限循環的無效調用減少了。跨腳手架泛化性也得到增強。

這意味著不管你用哪個編程工具框架來調用Hy3，效果差異不會太大，并且效果要比Hy3 Preview更好。

定價方面，Hy3延續了preview的性價比路線：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。模型權重以Apache 2.0協議在GitHub、HuggingFace、ModelScope、GitCode等平臺開源，全球開發者可免費商用。海外平臺方面，OpenRouter、Cline、OpenClaw、OpenCode、CherryStudio等也將陸續接入。

preview上線兩周后，token調用量達到上一代Hy2的10倍，在OpenRouter上以3.66萬億token的周調用量拿到總榜和市場占有率“雙第一”。到了正式版發布時，日均token消耗量已經增加了20倍。

尤其是代碼和Agent類場景的調用量增長最為明顯，在WorkBuddy/CodeBuddy以及QClaw類應用中增長超過16.5倍。

02

落到產品里如何

模型跑分再高，最終都要落到產品里才算數。

Hy3正式版發布時已經接入了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、微信讀書、騰訊地圖、騰訊文檔等核心業務，另外還有近50個業務在排隊接入。

WorkBuddy是國內目前最受關注的AI辦公智能體之一，也是Hy3能力驗證的主戰場。

從數據來看，Hy3在WorkBuddy上的表現確實有質的提升。相比preview版本，任務解決率從72%躍升至90%，平均耗時縮短34%。token效率方面，高頻辦公任務中Hy3的token消耗顯著低于GLM5.2，比如文檔處理方面節省了47.4%，PPT制作節省了49.0%。

并且自Hy3 preview發布以來，WorkBuddy上自主選擇Hy3的用戶數增長了6倍。

具體到實際辦公場景，Hy3能做的事情要比preview版本更復雜了。

根據官方給出的showcase，Hy3能從101個SKU銷售數據中產出Excel建模分析以及30頁匯報PPT；把公司三個地區的數據用聯動公式匯總成一張5000多個單元格的表；設計核聚變能源引擎的概念宣傳網頁；通過攝像頭用手勢交互控制圖片粒子融解重組；通過多輪交互制作一個落日飛車游戲。

元寶是另一個重要的落地場景。

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

騰訊的內部評估顯示，Hy3在綜合辦公與生活服務兩大場景上已超過了GLM-5.1，文檔生成綜合分提升7%，網頁制作與自動化腳本提升6%。

ima的知識庫問答和Agent場景也接入了Hy3。Agent任務中系統穩定性達95.1%，工具編排能力突出，盲目重試、應止未止等無效操作大幅減少。知識庫問答場景推理質量凈提升近19%，幻覺率下降15個百分點。Marvis的多Agent協作場景中，任務完成率達93.7%，6個Agent協作下任務派發正確率達92%。

QQ瀏覽器的編程與代碼輸出類任務成功率提升37.6%。微信公眾號AI分身和客服的意圖識別準確率從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在微信小程序開發方面的能力。

在Hy3 preview發布時，混元就展示過這么一個案例，用戶給模型一個復雜的Prompt，要求用微信小程序原生框架開發一個完整的徒步路線與旅游計劃推薦小程序，包含首頁圖片輪播和分類導航、路線詳情頁行程時間軸和圖庫、個人中心收藏功能，并且要求UI清新自然、代碼邏輯閉環、可直接導入微信開發者工具運行。

模型一次性輸出了包括app.json全局配置在內的所有文件。到了Hy3，這個能力得到了進一步增強。

比如我讓Hy3給我做個快遞小程序，它就連前端帶后端，外加API、數據結構、項目方案一并輸出。

這里其實有個有趣的事情，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，復雜推理則調用DeepSeek。

5月15日，微信小程序“成長計劃”完成了模型升級，全面采用Hy3 preview模型。

6月8日，微信又發布了《關于開發者接入微信AI生態的指引》，正式面向小程序開發者開放AI生態接入能力。美團、滴滴、京東、途虎養車、攜程等頭部平臺已經宣布與騰訊在AI Agent領域達成合作。

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