Hy3兩周免費，救了已離不開WorkBuddy的打工人

當整個行業都在轉變風向，從免費轉向收費之后，騰訊做出了一個截然不同的決定，持續加碼，在WorkBuddy每天免費100積分的基礎上，提供兩周的Hy3大模型的免費使用。

本就已經TOKEN額度饑荒的我，為了這免費的TOKEN額度，毫不猶豫的拋棄了DeepSeekV4-Pro，轉用Hy3。

當我真正在WorkBuddy上重新運行起我的工作任務時，我的感受是：足夠準、足夠強，但也是真的慢。但這或許也是騰訊在這場諸子百家般的大模型爭鳴中，給自己錨定的一席之地，職場超能力。

因為在大多數的工作場景中，準確比快更重要，合適比強更重要。

一、真實場景下的工作任務，不必用GPT-5.5打蚊子

大多數人，可能都對職場有一定程度的誤解。覺得能力最強的那個人，一定就是升的最快的，但實際上你會發現，那些升職快的，可能只有不到30％是真的工作能力出眾，剩下的70％，對領導而言，各有各的用處。

現在的各類AI大模型，其實就像是一個個員工，模型能力最強最快的，當然是最好用的，但是你也必須考慮一下，這樣的員工，你是否用得起。

GPT-5.5的能力一定是站在第一梯隊的，但是它的費用是，輸出5美元/百萬TOKEN，輸入30美元/百萬TOKEN，如果是Pro版本的話，它的價格是普通版本的六倍。但是百萬TOKEN放在現在的任務模式下，是什么概念呢？很可能就是兩三輪對話所消耗的TOKEN。

所以，除非是頂尖科研的需要，不然真的沒必要用GPT-5.5來做工作任務。

當然，說實話，DeepSeekV4-Pro的性價比是足夠高的，比起閉源模型，在基礎任務的完成度上，并沒有太大的體驗差距，命中緩存后0.02倍率的費用消耗，也足夠誘人。但問題是，在7.1號之后，它就開始變得讓人感覺陌生了。

7.1號前超高的緩存命中率，到了7.1號之后，開始大幅下降，隨之而來的是費用的大幅增長。

現在的Hy3，給我的感覺就是平替中的平替，雖然現在是免費的，但是從Qclaw積分消耗倍率來看，Hy3未來的定價水平，大概率是會趨近于DeepSeekV4-flsh版本的。但是從目前傳出來的消息來看，Hy3正式版的水平預計是在GLM-5.1之上，GLM-5.2之下的，那么如果未來真的是這樣的一個定價策略的話，那就很值得玩味了。

二、真實工作場景下的Hy3，長鏈條任務實現超出想象

用大炮打蚊子是不合適的，但至少，也得是一個電蚊拍才行。

不過在我最近兩天的測試下來，我覺得Hy3大模型，或許就是最適合用來打蚊子的那個電蚊拍。無他，Hy3是唯一一個能夠把長鏈條任務的拆解、執行、驗證、復盤做得令我賞心悅目的。

還是那個古老的問題，如果真實場景下每個流程AI的完成率都是95％，那么十個流程之后，AI能夠完整完成任務的就只剩下60％左右。

解決這個問題的關鍵，不在于模型的智能能力，而是工程、產品能力。

接下來進入實測部分：

第一，對長數據內容的讀取、理解能力。個人覺得，Hy3在內容的讀取上，做的還是很不錯的，在之前把AI融入工作流的過程中，我建立了一整套完善的工作流規則、執行、存檔模塊，整體的內容大小，預估在幾十萬字的純文本量大小。

Hy3解析我的obisdian知識庫，用的時間是2分52秒，并且幾乎是準確的讀取了所有的信息并且進行了歸納，這個速度整體來說，可能比不上DeepSeekV4-Pro，但是也差不了多少。

第二，強規則跨Agent的執行能力。這一點，是最考驗大模型能力的一件事情，因為這是一個相當負責的任務，并且有設置了很多的強規則，我給Hy3布置的任務是，在金山文檔的442張發票中，尋找到6筆回款能夠對應的發票，一筆回款會對應多張發票。

在這個過程中，調用金山文檔自己的接口，尋找數據，進行演算，規則回款、生成網頁、制作表格，這些任務，在給到Hy3充分的操作規則和信息之后，他基本上能夠自主完成，在有效信息下唯一的一次的干預，是金山文檔全部有442行，但是第一次Hy3之獲取到了350行。

但是在經過我提醒之后，它能夠找到剩下的行數，并且重新進行計算。

在這個過程中我發現，Hy3是存在一整套邏輯的，首先會對任務進行拆分，拆分之后執行，并且自主對任務進行修正，是按照真實問題的思考路徑去解決問題，這一點上，和其他AI其實是有一些不同的。其他AI一般是任務遇到錯誤時，才會進行檢驗，而Hy3則是會確認每一個關鍵節點任務的可靠性。

第三，需求修改的能力。除非是在指令中，已經給到了充分的強制規則，不然想要讓AI一次就達到理想中的狀態，難度相當大。這個時候，AI對修正指令的理解能力，就顯得很重要了。

這時候的AI，會存在兩種狀態，一是越改需求越偏，從最初的只偏了一點，到后面完全偏離直到崩潰；二是往正確的路徑上發展。從我目前測試效果看來，Hy3是后者，在實際的應用中，更像我最初用GLM-5.1模型時候的狀態。

能夠理解我的問題，并且進行正確的響應。

三、還不夠完美的Hy3,上下文容量和速度是最大的考驗

但實測下來，同樣有兩個問題，會把真實場景下的問題放大。

第一個，就是上下文容量的問題。目前Hy3的上下文容量只有200K，這個上下文容量，是明顯落后于目前的主流AI的，目前的主流AI的容量是1M上下文。

所以在我從下指令到完成任務，不完全統計，就有五次上下文壓縮。

如果只是單一的任務進程，上下文壓縮，不會存在很大的問題，但當我在用DeepSeekV4-Pro的時候發現，當你有幾個不同的進程同時存在于一個對話中，并且還有進程沒有走完的時候，上下文壓縮會導致對話紊亂。

也就是當你提出了一個新的問題，但是因為上下文壓縮，模型接收到的優先級別是上一個進程還沒有完成，這時候需要重置上下文，才能夠解決問題。

Hy3雖然還沒有出現過類似的情況，但畢竟上下文壓縮的原理都是一樣的，大概率也會出現類似的BUG。

第二個，就是整體的運行速度。畢竟Hy3,是一個295B的模型，并且又疊加了上下文壓縮和復核的過程，導致整體任務的執行速度被極大的拖慢。

為了完成這個任務，我總體的耗時接近五個小時，AI執行任務的總時長是3小時25分鐘，其中執行最長的單個對話耗時是1小時15分鐘，大概率是因為調用量過大導致的。

不過好在，針對這一點，今天已經看到官方發出了說明，7月8號上午十點算力資源就達到了峰值，然后官方就緊急進行了擴容。實測下來，任務速度有了不錯的提升。

接下來，對于Hy3在真實場景下的任務執行能力，我還會進行更長期的測試，但可能，我會把它放在更加偏向于非緊急時效下的任務當中，例如自動化執行任務、信息搜索任務等等。

但至少Hy3的出現，已經證明了一件事，在當大多數人的工作，還沒有復雜到，只有頂尖的大模型才能夠解決問題時，最高的性價比和最強的工程能力，就已經夠了。