Full text · 原文
4,978 字
千呼万唤始出来，姚顺雨加入腾讯后，第一个重量级产品Hy3正式版，今天公布了。<br>
为了这个产品，腾讯可以说是准备了大半年。<br>
2025年12月，腾讯对企业内部的大模型研发架构动了大手术，新设AI Infra部、AI Data部和数据计算平台部，同时请来清华姚班出身的姚顺雨出任首席AI科学家，双线向刘炽平和卢山汇报。<br>
姚顺雨到任后第一件事，就是推翻旧有训练框架，一个月内重建整套预训练和强化学习基础设施，定下“不偏科、不刷榜、不烧钱”三大原则。<br>
重建后的首个产物，便是4月23日上线的Hy3 preview。这个模型从启动训练到发布仅三个月。<br>
但Hy3 preview毕竟只是个预览版，各方面能力只能说尚可，没做到国内 SOTA 的程度。<br>
但这次的 Hy3 正式版不一样，它是真支棱起来了。<br>
Hy3正式版升级了哪些<br>
Hy3正式版沿用了preview的底层架构，总参数量295B，每次推理激活21B参数，另外有3.8B参数用于MTP（Multi-token Prediction）层。模型共80层（不含MTP层），采用GQA分组注意力机制，64个注意力头中8个为KV头，隐藏层维度4096，中间层维度13312。专家系统配置为192个专家、每次激活top-8。上下文窗口256K，词汇表120832，精度BF16。<br>
也就是说，有效参数量约为GLM 5.2的一半。其实Hy3的整套架构设计早在preview阶段已经定型，正式版没有做结构层面的变动。<br>
那正式版到底改了什么？<br>
官方的说法，是“进一步提升了后训练数据的质量和多样性，扩大了RL算力规模”。<br>
翻译成大白话，架构没动，但喂给它的训练数据更好了、更多样了，也给强化学习更多的计算资源。<br>
从benchmark数据来看，Hy3这次在官方博客和HuggingFace上放出了相当详细的得分表，覆盖代码、搜索、工作智能体、STEM、推理和上下文学习六大方向，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等主流模型做了横向对比。<br>
以下数字均来自混元官方发布的附录表格。<br>
先看代码智能体方向。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。<br>
作为对比，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。<br>
Hy3和开源模型相比不相上下，但和顶级闭源模型之间还有一些差别。<br>
搜索智能体方向是Hy3表现最强的地方。BrowseComp 84.2分，在所有对比模型中排第一，甚至追平了GPT-5.5。WideSearch 76.4分，DeepSearchQA 91.0分。<br>
工作智能体方向，Hy3在MCP Atlas（公开版）拿到79.1分，ClawEval（pass³）68.5分，Toolathlon 48.5分，WildClawBench（35轮，纯文本）53.6分。<br>
混元还跑了内部评测集Hy-FinModelBench（金融建模），拿到69.0分，基本和GLM-5.2持平。<br>
STEM和推理方向，Hy3在GPQA Diamond上拿到90.4分（GPT-5.5为93.6）, HLE（带工具，纯文本）53.2分（GLM-5.2为54.7, DeepSeek V4 Pro 为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分已经相当接近GPT-5.5的93.6分，HLE带工具的53.2分低于 GLM-5.2（54.7）但高于DeepSeek V4 Pro（48.2）。<br>
上下文学习方向我得多说两句，跑的是CL-bench和CL-bench Life这两个腾讯自建的评测集以及AA-LCR。Hy3在CL-bench上拿到23.8分，CL-bench Life 17.0分，AA-LCR 73.4分。<br>
这三个数字看着很低，但这不是Hy3的问题，而是这个评测方向本身的特性。<br>
CL-bench是姚顺雨加入腾讯后署名发表的第一篇论文（2026年2月发布，arXiv 2602.03587，腾讯混元与复旦大学联合研究），专门用来测试语言模型的“上下文学习能力”，评分越高，代表模型越能从上下文中学习全新知识并正确应用。<br>
同时，这篇论文中也提到，当前几乎所有SOTA模型在这方面都很差。论文发布时，表现最好的 GPT-5.1 (High) 在 CL-bench 上的任务解决率只有23.7%。如果不提供上下文，GPT-5.1只能解决不到1%的任务。<br>
也正因为如此，姚顺雨才把它当作“下半场”要攻克的核心问题之一。<br>
别看hy3没拿多少分，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在国产模型里是最高的。<br>
评分终归是评分，腾讯自己也承认，公开榜单并不能完全反映模型的“真实战斗力”。<br>
Hy3正式版发布前，腾讯做了一个特别的测试，在内部组织了270位来自不同学科的专家，基于真实工作场景做模型盲测，收集了312份有效对比。<br>
结果是Hy3均分2.67/4，优于绝大多数模型，优势集中在前端开发、数据与存储、CI/CD等类别。这个测试的样本量不算大，但由于采用的测试方式是真实工作场景的专家盲测，所以比纯跑benchmark更能反映模型在生产力任务中的实际表现。<br>
相较于Hy3 Preview，正式版的幻觉率从12.5%降至5.4%，降幅超过一半。常识错误率从25.4%降至12.7%。多轮问题率从17.4%降至7.9%。长对话理解基准MRCR从42.9%升至75.1%。工具调用的错误恢复能力和效率大幅提升，触发无限循环的无效调用减少了。跨脚手架泛化性也得到增强。<br>
这意味着不管你用哪个编程工具框架来调用Hy3，效果差异不会太大，并且效果要比Hy3 Preview更好。<br>
定价方面，Hy3延续了preview的性价比路线：API输入1元/百万tokens，输出4元/百万tokens，输入命中缓存0.25元/百万tokens。模型权重以Apache 2.0协议在GitHub、HuggingFace、ModelScope、GitCode等平台开源，全球开发者可免费商用。海外平台方面，OpenRouter、Cline、OpenClaw、OpenCode、CherryStudio等也将陆续接入。<br>
preview上线两周后，token调用量达到上一代Hy2的10倍，在OpenRouter上以3.66万亿token的周调用量拿到总榜和市场占有率“双第一”。到了正式版发布时，日均token消耗量已经增加了20倍。<br>
尤其是代码和Agent类场景的调用量增长最为明显，在WorkBuddy/CodeBuddy以及QClaw类应用中增长超过16.5倍。<br>
落到产品里如何<br>
模型跑分再高，最终都要落到产品里才算数。<br>
Hy3正式版发布时已经接入了WorkBuddy/CodeBuddy、元宝、ima、Marvis、QQ浏览器、腾讯新闻、WeGame、腾讯乐享、搜狗输入法、微信公众号、微信读书、腾讯地图、腾讯文档等核心业务，另外还有近50个业务在排队接入。<br>
WorkBuddy是国内目前最受关注的AI办公智能体之一，也是Hy3能力验证的主战场。<br>
从数据来看，Hy3在WorkBuddy上的表现确实有质的提升。相比preview版本，任务解决率从72%跃升至90%，平均耗时缩短34%。token效率方面，高频办公任务中Hy3的token消耗显著低于GLM5.2，比如文档处理方面节省了47.4%，PPT制作节省了49.0%。<br>
并且自Hy3 preview发布以来，WorkBuddy上自主选择Hy3的用户数增长了6倍。<br>
具体到实际办公场景，Hy3能做的事情要比preview版本更复杂了。<br>
根据官方给出的showcase，Hy3能从101个SKU销售数据中产出Excel建模分析以及30页汇报PPT；把公司三个地区的数据用联动公式汇总成一张5000多个单元格的表；设计核聚变能源引擎的概念宣传网页；通过摄像头用手势交互控制图片粒子融解重组；通过多轮交互制作一个落日飞车游戏。<br>
元宝是另一个重要的落地场景。<br>
接入Hy3后，元宝也同步上线了Agent功能。用户在日常对话中输入需求，元宝即可直接执行复杂任务并交付PPT、Word、Excel、PDF、HTML等文件。<br>
腾讯的内部评估显示，Hy3在综合办公与生活服务两大场景上已超过了GLM-5.1，文档生成综合分提升7%，网页制作与自动化脚本提升6%。<br>
ima的知识库问答和Agent场景也接入了Hy3。Agent任务中系统稳定性达95.1%，工具编排能力突出，盲目重试、应止未止等无效操作大幅减少。知识库问答场景推理质量净提升近19%，幻觉率下降15个百分点。Marvis的多Agent协作场景中，任务完成率达93.7%，6个Agent协作下任务派发正确率达92%。<br>
QQ浏览器的编程与代码输出类任务成功率提升37.6%。微信公众号AI分身和客服的意图识别准确率从98.28%提升到98.94%。<br>
WeGame《流放之路：降临》（POE2）AI游戏助手的多轮推理与工具调度综合成功率提升至92%，幻觉率从4.5%降至2.8%。<br>
值得一提的是Hy3在微信小程序开发方面的能力。<br>
在Hy3 preview发布时，混元就展示过这么一个案例，用户给模型一个复杂的Prompt，要求用微信小程序原生框架开发一个完整的徒步路线与旅游计划推荐小程序，包含首页图片轮播和分类导航、路线详情页行程时间轴和图库、个人中心收藏功能，并且要求UI清新自然、代码逻辑闭环、可直接导入微信开发者工具运行。<br>
模型一次性输出了包括app.json全局配置在内的所有文件。到了Hy3，这个能力得到了进一步增强。<br>
比如我让Hy3给我做个快递小程序，它就连前端带后端，外加API、数据结构、项目方案一并输出。<br>
这里其实有个有趣的事情，微信前不久推出的原生AI助手“小微”，也具备通过自然语言生成小程序的能力。<br>
比如下图，我让小微给我生成一个字母AI专用的文章记录助手。<br>
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主导，复杂推理则调用DeepSeek。<br>
5月15日，微信小程序“成长计划”完成了模型升级，全面采用Hy3 preview模型。<br>
6月8日，微信又发布了《关于开发者接入微信AI生态的指引》，正式面向小程序开发者开放AI生态接入能力。美团、滴滴、京东、途虎养车、携程等头部平台已经宣布与腾讯在AI Agent领域达成合作。<br>
或许在小程序开发这块，开发者用Hy3，普通老百姓用Welm+DeepSeek，才是腾讯想要的完美答案。<br>
“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。<br>
Notice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”