我用三道題目盲評騰訊 Hy3、GLM-5.2、DeepSeek-V4-Pro，最終誰贏了？

“高性價比模型，上下文理解能力最強。”

作者丨Rhea

編輯丨馬曉寧 李娜

過去一年，主流大模型把傳統榜單基本刷穿了。前沿模型紛紛逼近滿分，分數的高低越來越難以說明實際能力的差距。一個模型和 Agent 到底能不能解決真正的用戶需求和問題變成了大家最關心的事。

騰訊大語言模型負責人姚順雨的選擇，正是對這一趨勢的回應。

據媒體報道，此前騰訊的大模型團隊曾過度追求榜單成績，甚至出現訓練集污染，導致模型在真實場景中表現不佳。姚順雨加入后，團隊主動放棄了傳統的榜單評測標準，進行了系統性的數據清洗。他所追求的，是大模型的性價比——“按照他的設想，混元不需要在所有能力上正面擊敗 Claude Opus 這樣的前沿模型。如果一個模型能以 Opus 1% 的價格，在 90% 的日常問題上做到與它一樣好，甚至超過它，對大多數用戶來說這就是一個更優的模型。”

Hy3 （Hunyuan 3）是騰訊混元重建之后推出的新一代旗艦語言模型，也是姚順雨入職騰訊后交出的第一份答卷，于2026 年 7 月 6 日正式開源。Hy3 對外主推的正是「跨框架方差小于 4%」「幻覺率減半」「tool-call 穩定」這類真實任務中的可靠性指標，而不是某個榜單的第一。

我們這次為 Hy3 準備了一套完整的測評，在主場和客場兩個環境里各測了一遍 Hy3 的表現：

主場：Hy3 自家的 WorkBuddy ——被騰訊自家產品和腳手架反復調校過的環境。

客場：以開源框架 OpenHands 作固定執行環境、經 OpenRouter 接入裸模型，Hy3、GLM-5.2、DeepSeek-V4-Pro 三個模型接同一道題、同一套環境，產物交給同一個 Claude Opus 4.8 盲評。

兩處跑的都是同一組任務，覆蓋官方標定的四項核心能力——長程執行、規劃、上下文理解、工具使用。

最后回答一個產品問題：這是一個什么樣的模型，它強在哪、邊界在哪、到底適合誰？

01

Hy3 的定位和亮點

騰訊在大模型領域的布局統一收攏在“混元”品牌下，覆蓋語言、圖像、視頻、3D 等多個模態。Hy3 是其中最新一代的語言模型，與混元的其他模型產品分屬不同賽道。

在開始正式測試之前，我們先看看 Hy3 的定義以及各項基礎參數。

Hy3 在參數上的特色是：295B 的總參數里，單次推理只激活 21B，靠 MoE （Mixture of Experts，混合專家架構）架構加大規模后訓練，實現小激活等省錢又夠用的目標。作為對照，同賽道的 GLM-5.2 是 744B 總參、40B 激活。Hy3 的激活量約為它的一半，這樣確實更省算力、更省錢。

在科學推理這類任務上，它的官方分數也確實高：GPQA Diamond 91.9，FrontierScience-Olympiad 一項據官方口徑超過 GPT-5.5。(見下圖)

官方宣傳里的快慢思考融合在實現層面是由一個reasoning_effort的參數控制，分為三檔（不思考/低/高），由同一個模型切換?？煽啃苑矫?，官方稱 Hy3 的幻覺率從 12.5% 降到 5.4%，同一模型在 CodeBuddy、Cline、KiloCode 等不同 Agent 框架下的 SWE-Bench 成績方差控制在 4% 以內。說明這是一個更穩定，更具有工程落地性價值的模型。

除此之外，Hy3 在開源協議上采用 Apache 2.0，全球范圍免費商用，是最寬松的一種開源協議；定價為輸入 1 元、輸出 4 元、命中緩存 0.25 元每百萬 token。

02

測評前的必要說明

據官方披露，在接入 Hy3 后，騰訊的 AI 編程助手 WorkBuddy 的任務成功率從 72% 升到 90%，ima（智能工作臺） 的 Agent系統穩定性達到 95.1%，面向企業的數據分析 Agent Marvis 任務完成率則為 93.7%。

這是姚順雨「模型與產品共同設計」思路的自然結果，所謂共同設計，指的是模型和產品從一開始就綁定在一起開發：模型可以第一時間拿到真實場景和用戶反饋，清楚自己該往哪個方向改進；產品也能同步向模型輸出需求，避免訓練優化與業務落地脫節。

Hy3 從訓練階段就和這些產品一起打磨，官方也刻意放棄了此前追逐的公開榜單，改用真實業務場景自建評測。這組數字代表的是 Hy3 在自家場景里、被自家產品反復調校之后的最好狀態，好馬本來就該配好鞍，在 WorkBuddy 這樣的主場表現自然會好看一些。

而且還有個有意思的彩蛋：官方 Benchmark 跑分表對標的是最新的 GLM-5.2、DeepSeek-V4-Pro、GPT-5.5，而 270 位專家的真人盲評只對標了上一代的 GLM-5.1；官方表里 DeepSeek-V4-Pro 的 GPQA 標為 83.4，第三方獨立測的分數則 90.1 左右。這些對比口徑都不約而同地朝對自己有利的方向偏了一點點，而這這也解釋了為什么我們在后續測評中更相信開放環境下的客場盲評。

Hy3 的能力分布上也有明確的邊界，基礎代碼修復（SWE-bench Verified） 78 分是不錯的成績，但深度 Agentic 任務( Deep-SWE 只有 28、Apex Agents 25.6) 的的得分上則稍遜一籌。

03

正式測評

我們這次測評以開源框架 OpenHands 作中立執行環境，經過 OpenRouter 接入三個模型的裸版本，同一道題、同一套環境跑；產物交給同一個 Claude Opus 4.8 盲評，裁判員看不到作品是誰的，按每道題預設的評分表逐條打 0 到 1 分，再加權成一個質量分，同一道題多跑幾次取均分。環境失敗的問題比如超時、限流不算進質量分。

三道題覆蓋官方標定的四項核心能力：單文件 3D 跑酷對應長程執行，多約束項目規劃對應規劃（兼考指令遵循），財報深研一道題測試上下文理解和工具使用兩項能力。（詳見下圖）

測試一：3D 跑酷游戲，長程執行能力如何？

用 Three.js 寫一個單文件 3D 無盡跑酷游戲，不依賴任何外部資源。測試的是長時運行下的工程一致性——對象池復用、難度遞增、失敗重開等。

先來看幾個模型的答卷：

模型1

模型2

模型3

三個模型均成功生成了可運行的游戲代碼。從量化指標看，裁判依據代碼、靜態截圖和執行日志打分，DeepSeek-V4-Pro 約 0.91（滿分 1 分），Hy3 約 0.88，GLM-5.2 約 0.66。DeepSeek 與 Hy3 分數接近，GLM 明顯低一檔。GLM 的產物完整讀進去后，藏在代碼后半段的運行問題被暴露出來，分數隨之下滑。

此外，我們在測評中發現，通過 OpenRouter 接入的 Hy3 非常不穩定，若用于生產環境，推薦使用騰訊自家的 WorkBuddy 或元寶（元寶是騰訊的 AI 助手產品）。

從主觀的體驗上來看，裁判分最高的 DeepSeek，實玩體驗反而偏弱。它的幾個樣本，有的角色一按跳躍就無限往上飛出畫面，有的生成了金幣卻沒有吃金幣的計數邏輯，有的只在開頭生成過一次障礙物、之后一路空場。GLM 的樣本里，有的進入約三秒就卡死、強制結束，有的地圖每過一小段就白屏重刷、金幣吃了不計數。Hy3 這邊也有翻車的，比如死亡后無法重開、整條游戲鏈路不完整。

但玩下來，完成度最高的一個來自 Hy3——金幣有計數、距離越遠分數越高、速度隨時長動態提升、跳躍與障礙生成、道路循環都完整。GLM 最好的那個樣本與它接近，只在排版和配色上略遜一檔。

這也足以說明Hy3 的長程代碼生成能力上限較高，但多次運行的一致性仍有波動，尚未完全穩定。

測試二：多約束規劃，指令遵循與沖突識別能力測試

第二道題是泛辦公場景中最容易出現的規劃：為一個四人團隊、八周上線一套開源組件庫的項目做落地方案。難點在有很多不得不遵循的約束，題目釘死了六條硬性格式要求：六個固定標題、里程碑必須用四列表格、預算各項相加必須精確等于三萬、全文不超過一千二百字、不許出現任何代碼塊，還埋了一個資源沖突等模型自己發現。裁判按規劃質量、關鍵路徑、指令遵循、約束沖突識別四項打分。

結果三家模型的得分接近：GLM-5.2 0.936、DeepSeek 0.919、Hy3 0.893，方差都極低。這道題六條擺在眼前的格式約束三家幾乎全遵守了，指令遵循這一項都在 0.95 以上，拉開三家差距的是隱藏的約束沖突識別，這題的人力配置本身偏緊，DeepSeek 每次都點破并給取舍，Hy3 有一次沒點透、收尾倉促，分數被拉低。

測試三：財報深研，上下文理解與工具使用能力

第三道題給模型一批光通信公司 Coherent 的真實材料。年報、財報電話會記錄、投資者演示，要它通讀后做交叉綜合，寫一份面向專業投資者的深度分析，并聯網補上材料里沒有的最新股價、業績和賣方觀點。這一道題有兩項能力：讀懂大量材料是上下文理解，讀文件加聯網查證是工具使用。裁判按上下文理解、工具使用、分析深度、結構專業度四項來打分。

這是 Hy3 全場最亮的地方：上下文理解 0.933、工具使用 0.807，兩項都排第一，財報總分也第一（0.903，GLM 0.891 緊隨）。在讀懂一大堆材料再綜合這件事上，Hy3 穩定占優。三家的共同短板也在這題露出來：工具使用一項都只有 0.78 到 0.81，聯網補數據、把引用做得可追溯，大家都發揮差不多。

綜上，在本次測試中，Hy3 在上下文理解與工具使用兩項上表現最出色，DeepSeek 領跑長程代碼生成，GLM 則在規劃能力上占優。整體來看，Hy3 沒有明顯的單項短板，綜合能力均衡；尤其值得關注的是，它在騰訊自家 WorkBuddy 等 Agent 產品中的落地表現，相較純粹的裸模型能力有進一步的提升，體現了「模型與產品共同設計」策略帶來的工程化優勢。

Hy3 在 WorkBuddy 主場與 OpenHands 客場的得分對比。三項主場得分均略高于客場，但規劃和財報兩項基本持平，說明 Hy3 的上下文理解與規劃能力相對穩定，受底層 Agent 框架變化的影響較小。

04

Hy3 的受眾和場景

回到文章最開頭我們拋出的疑問：這是一個什么樣的模型，它強在哪、邊界在哪、到底適合誰?

Hy3 是一個沒有明顯短板的經濟型模型，沒有任何單項冠軍，但是綜合能力表現不俗。疊加輸入 1 元、輸出 4 元（每百萬 token）的極低定價，以及 Apache 2.0 的全球免費商用協議，這是一款入手門檻極低的模型。

從本次的測試結果來看，Hy3 真正優秀的能力在上下文理解。在財報深研題目中的得分 0.933 是全場第一、絕對值也高、主客場一致。讀懂一大堆材料再綜合是它穩定占優的地方，在泛辦公領域疊加 WorkBuddy 出色的 Agent 框架將給用戶帶來驚喜的辦公體驗提升。

不過，Hy3 的能力邊界也同樣清晰。首先，它沒有任何一項能力達到頂尖水準。其次，自主聯網查證和工具使用的絕對水平仍屬中等（測試中工具使用得分 0.807，雖然全場第一，但絕對值不算高）。最后，在深度、長程的自主 Agent 任務上，它的表現不夠穩定——Deep-SWE 僅 28 分，Apex Agents 僅 25.6 分，盡管這兩個基準本身難度就高，但 Hy3 在這些維度上并不占優。

所以，如果你從事的是需要處理大量上下文、且對成本敏感的工作——比如做文檔或長材料理解類應用的團隊，又或者是需要一款開源可自部署、可商用、不被許可證限制的公司——那 Hy3 會是非常合適的選擇。

最后需要坦誠說明本次測評的邊界：我們只覆蓋了 4 項能力、3 道偏工程的題目，樣本量偏?。―eepSeek 的財報分析因 OpenRouter 波動僅取得 1 個成功樣本），因此以上結論只代表一個方向性的判斷。至于對話、創意寫作、多模態、真實長周期項目等更廣泛的維度，還需要在真實的生產力場景中進一步驗證。