ZPedia｜騰訊Hy3正式版上線，姚順雨半年交卷

7月6日，騰訊混元Hy3正式版悄然上線。距離4月23日Hy3 preview開源發布，整整兩個半月。

在參數規模上，Hy3 延續了 Preview 版本的既定路線：總參數量 295B ，激活參數量 21B ，采用 MoE 混合專家架構。

作為對比，目前行業第一梯隊中，國內外頭部模型的總參數量則普遍邁向了 T 門檻。Hy3 維持 295B 參數規模，與 DeepSeek V4 Flash 和 MiniMax M3 接近。

更明顯的克制體現在上下文窗口上。在動輒 1M 幾乎成為行業標配、各大廠商紛紛以此彰顯技術肌肉的當下， Hy3 正式版依然將 窗口 停留在 256K 。

目前來看，Hy3 正式版的改進主要聚焦于推理能力、指令遵循、Agent 執行和幻覺控制。在長文本容量未做跨代升級的前提下，騰訊的核心邏輯顯然是壓榨既有容量的性能極限，讓它在有限的上下文窗口內，在更復雜、更貼近真實工作流的任務中盡量少出錯。

Hy3正式版官方公布的12項評測維度，橫向對比模型包括GLM-5.2、DeepSeek V4 Pro、Qwen 3.7 Max、Seed-2.1 Pro、GPT-5.5和Claude Opus 4.8。

代碼與軟件工程維度：

1. SWE-bench Multilingual（多語言軟件工程基準）：75.8分。落后于Claude Opus 4.8（84.4分）和GLM-5.2（83.0分），但優于DeepSeek V4 Pro和Qwen 3.7 Max。

2. SWE-bench Pro（專業級軟件工程基準）：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，提升幅度超過25%。

3. Terminal Bench 2.1（終端命令執行基準）：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（自然語言轉代碼倉庫）：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與工具調用維度：

5. ClawEval（Agent框架執行）：68.5分。表現亮眼，僅次于Claude Opus 4.8（72.1分），超過DeepSeek V4 Pro（62.4分）和Qwen 3.7 Max（65.2分）。

6. MCP Atlas (public)（MCP工具調用測試）：79.1分。在提供數據的6個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)（技能基準-純文本）：55.3分。preview版僅29.1分，正式版提升近90%，位列第二，僅次于Claude Opus 4.8（64.6分）。

搜索與信息檢索維度：

8. BrowseComp（網頁瀏覽綜合能力）：84.2分。與GPT-5.5（84.4分）幾乎持平，是Hy3表現最強的單項之一。

9. AA-LCR（高級邏輯與長上下文推理）：73.4分。與GLM-5.2（73.4分）并列，落后于GPT-5.5（76.4分）。

STEM與推理維度：

10. GPQA Diamond（博士級科學問題）：90.4分。接近GPT-5.5（93.6分），在國產模型中表現突出。

11. HLE (with tools, text-only)（硬邏輯評估-帶工具）：53.2分。低于GLM-5.2（54.7分），高于DeepSeek V4 Pro（48.2分）。

12. MathArena Apex（數學競賽競技場）：38.7分。preview版僅12.8分，正式版實現207%的"報復性反彈"，在本土競品中僅次于Qwen 3.7 Max（44.5分）。

從整張成績單來看，Hy3 正式版展現出了典型的“務實偏科”特征。

在前沿科學推理和特定 Agent 執行維度（如 ClawEval、SkillsBench）上擠進了行業頭部；但在檢驗生態落地、工具調用的關鍵指標（如 MCP Atlas）以及極硬核的軟件工程真實賽道（如 SWE-bench Pro）中，距離國際頂級模型和國內部分頭部競品仍存在一定位差。

姚順雨在加入騰訊前一年發表的博客文章《The Second Half》中，已經系統闡釋了這套思路。他認為AI的"配方"已基本成型，大規模語言預訓練、數據與算力的規?；⑼评?，上半場依賴"開發新方法擊敗基準測試"的游戲規則正在失效，下半場AI開始轉向"真實世界效用問題"。

Hy3的架構選擇，正是這種"實用主義AI"理念的技術投射。

長板：Agent效率與編程審美

Hy3的三個高分維度：BrowseComp（84.2分）、AA-LCR（73.4分）、ClawEval（68.5分），指向了一個共同的能力特征：對既有信息的精準定位、篩選與整合。

這三個高分維度的共性在于，它們考驗的是"在浩瀚信息中找得到、篩得準"的實用技能。BrowseComp上僅差GPT-5.5 0.2分，意味著Hy3在復雜的網頁導航和多源信息交叉驗證任務中，已經具備了接近頂流的容錯能力；

AA-LCR與GLM-5.2并列，說明其在長文本的邏輯推理上至少站穩了第一梯隊；ClawEval緊隨Claude位列次席，則表明其在真實世界Agent任務中的執行能力獲得了初步認可。

這種能力特征被直接轉化到了騰訊的產品矩陣中。元寶的長文本總結、ima的知識庫問答（Agent系統穩定性達95.1%，推理質量凈提升近19%）、騰訊文檔的智能分析——這些高頻辦公場景恰恰最需要"信息精準定位"而非"算法靈光一閃"。

更值得關注的是Hy3在編程Agent領域展露的"審美功底"。

根據獨立評測人「賽博史官」的實測反饋，Hy3正式版在編程任務中不僅能生成可運行的代碼，還在UI設計、圖標渲染、視覺建模等細分維度上做到了國產大模型中的拔尖水平。

但這條長板也伴隨著一個微妙的性格缺陷：Hy3的主動發揮傾向極強。面對需求模糊的用戶，這種"主觀能動性"能帶來極大驚喜——它會主動補全你沒有說出的需求；但當工程需求約束極其清晰硬核時，過于活躍的"主觀能動性"又可能顯得不受約束、不夠克制。

在指令遵循能力上，測試顯示Hy3明顯強于同尺寸的DeepSeek-V4 Flash，在需要深度理解力的指令上甚至可以看齊DeepSeek-V4 Pro。但這并非免費的午餐，Hy3在這類任務上的Token消耗比DS4 Flash驟增了50%到150%。

短板：暴力、幻覺與冷門技術棧

如果說長板讓Hy3站穩了腳跟，那么短板則勾勒出它仍需攀爬的坡度。值得肯定的是，從preview到正式版，Hy3在12個維度上全部實現了正向增長，部分前期低分項的反彈幅度堪稱驚艷。但將視角拉高到全球競爭的坐標系中，幾個顯性的能力缺口依然值得關注。

數學推理是差距最為集中的維度。 MathArena Apex上的38.7分相比preview版的12.8分完成了近三倍的躍升，這一進步本身已足以體現團隊在后訓練階段的用力之深。但橫向來看，GPT-5.5的85.4分仍然像一面鏡子，照出了國產模型在純數學推理上的集體瓶頸。Hy3在處理復雜數學問題時對Token消耗量較大，更傾向于通過充分的推理步數來換取準確率的提升，這在工程上是一種務實的權衡，但也意味著在計算資源受限的場景下，其數學能力會有所折損。

MCP Atlas的79.1分，是正式版成績單中相對薄弱的一環。 MCP（Model Context Protocol）作為當前Agent生態的事實標準，其工具調用能力直接影響模型在多工具協作場景中的流暢度。Hy3在這一項上不僅低于Claude Opus 4.8（84.1分）和GLM-5.2（82.6分），也略遜于Seed-2.1 Pro（80.6分）。這一數據與部分實測反饋形成了互證：在單工具、可控環境里，Hy3能夠輸出漂亮的交互網頁；但在需要跨多個工具連續協作的復雜工作流中，其在接口認證、異常處理等環節的容錯能力仍有打磨空間。

卡位：賬單博弈與封閉生態的圍城

從 Preview 到正式版，Hy3 在 12 個維度上迎來了全面上漲。

但拆解其增幅中位數可以發現，高增長在很大程度上是由 MathArena 和 SkillsBench 等前期低分項的報復性反彈拉動的。這種“飽和式補短”戰略極為務實，它讓模型在最短時間內完成了工程化蛻變，但也從側面坐實了預覽版曾存在的結構性缺陷。將 Hy3 放入國內主流競品的坐標系中，其綜合表現始終在均值上下進行 1 到 3 分的細微波動。這意味著國內大模型第一梯隊已經進入白熱化的膠著期，選 Hy3 還是選 GLM，取決于業務的具體場景，而非模型絕對能力的云泥之別。

在商業競爭中，騰訊此次祭出了極具攻擊性的“降維卡位”定價：輸入 1 元/百萬 tokens、輸出 4 元/百萬 tokens，而緩存命中更是探到了 0.25 元。這一策略直接在行業中撕開了一個獨特的生態位。它雖然不與極致價格戰的輕量模型拼地板價，但面對智譜高階模型或 Qwen3-Max 等同級別旗艦競品時，其單價僅為對手的幾分之一。

這種輕量級賬單的背后，隱藏著一套極其微妙的動態算力博弈。

其 優勢 在于特定場景下“高執行效率”的乘數效應。在長文本總結或文獻檢索等絕對優勢區，Hy3 憑借縮減 30% 的步數與工具調用數，實現了物理層面的 Token 瘦身。低單價與低消耗雙重紅利疊加，使得企業在這些高頻業務場景下的實際算力開銷呈現斷崖式下跌。

然而，其 劣勢 也在短板場景下暴露無遺。在需要跨平臺 Agent 協作或硬核代碼重構的區域，由于缺乏算法直覺，Hy3 極易陷入由大量盲目試探、Debug 構成的“Token 黑洞”，單價上的便宜會被瘋狂飆升的 Steps 和累加的 Token 總量徹底對沖，賬單優勢反而會退化至平庸。

這種不追求萬億參數、強調極致性價比的路線，同樣硬性框定了 Hy3 的技術邊界。

橫向對比國內第一梯隊，當阿里通義 Qwen3-Max、月之暗面 Kimi K2.5 等同行高舉高打，選擇用萬億參數的超級規模去強攻高智能制高點，并動輒將百萬級長文本變為行業標配時，Hy3 依然堅守在 256K 的上下文窗口。

這里的 技術劣勢 顯而易見。面對超長源碼庫、批量大跨度歷史卷宗等超長文本場景，256K 的容量上限讓它直接失去了入場券。但其商業優勢在于，不盲目跟風去卷大參數與長文本，恰恰是其壓低預訓練與推理成本，追求單字智能密度的體現。

尾聲

有意思的是，「賽博史官」在文章的最后正式宣布加入混元團隊，全職從事大模型評估和觀測手段探索。

但對于這篇報告的主角而言，故事才剛剛開始。Hy3 正式版是姚順雨自去年 12 月空降騰訊、接掌混元大模型部后交出的首份核心成績單。這位前 OpenAI 研究員頂著“徹底重建團隊”的巨大壓力，在短短半年內通過極務實的后訓練與短板對齊，將混元從早期的結構性缺陷中拉了出來，

但組織架構層面的挑戰，遠比技術層面的挑戰更為棘手。騰訊內部的"聯邦制"格局由來已久。WXG（微信事業群）在騰訊內部擁有超然地位，長期秉持獨立于集團意志之外的產品理念。

據《中國企業家》報道，微信高層在2026年年會上曾公開表達希望自己訓練大模型、集團給予更多GPU支持的訴求。微信團隊的模型能力在低調中快速爬坡，一個擁有十億級用戶入口、掌握著中國最密集社交場景的部門，與一支需要證明自身價值的獨立技術團隊，兩者的路徑注定交叉。

在騰訊龐大復雜的組織生態里，這不是簡單的「誰做得更好」的技術評比，而是關于資源分配、話語權歸屬、乃至未來AI戰略坐標的暗戰。