腾讯混元Hy3模型正式上线，Agent任务解决率跃升至90%

7月6日，腾讯混元Hy3正式版终于亮相了。这个Hy3，本质上是一个融合了快思考与慢思考的模型，架构上走的MoE路线，总参数295B，激活参数21B，上下文长度支持到了256K。参数规模算不上“巨无霸”，但定位很清晰——追求实际能打，而不是纯粹堆参数。

回看4月23日发布的Hy3 preview版，当时它在复杂推理、指令遵循、上下文学习、代码生成和智能体这几个维度上，相比Hy2已经有了质变级的提升。而这次正式版，延续了那条清晰陡峭的能力增长曲线——后训练的算力规模、数据质量和多样性都更进一步，最终效果在各类任务上又实现了一次跃升。更关键的是，Hy3以较小的尺寸，首次做到了比肩国内外大尺寸旗舰模型的实际表现。

定价方面，Hy3延续了混元一向的实用和普惠路线：输入1元/百万tokens，输出4元/百万tokens，输入命中缓存的话更是只要0.25元/百万tokens。这个价格，放在当下的市场上，竞争力不言而喻。

开源方面也没有含糊。Hy3用的是商业友好度最高的Apache 2.0协议，开放度高、自由度高，全球开发者都可以直接下载和免费商用。为了降低全球开发者的使用门槛，Hy3还会陆续在OpenRouter、Hermes、Kilo、Cline、OpenClaw、OpenCode、CherryStudio等多个海外平台上线，并且一发布就同步接入了Huggingface和魔搭这两个主流社区。

这组参数和数据的背后，其实把Hy3的定位和竞争思路说得很清楚了：不追求参数规模最大，但追求实用效果最强，实际表现逼近参数量2到5倍的那些旗舰模型，同时价格上拥有绝对优势。

两个月，从preview到正式上线

4月23日发布的Hy3 preview，是混元重建之后的第一版。上线后，它被腾讯内部多条产品线真实调用，同时也被全球的开发者拿去做各种验证，等于在真实任务里反复打磨了两个月。

这两个月的后训练迭代，主要聚焦在三个方向上：进一步提升后训练的算力规模，提升后训练数据的质量和多样性，以及针对preview阶段暴露出来的幻觉问题做细粒度检测和训练约束。

结果在benchmark上看得非常清楚。12项横向对比中，Hy3相比preview版进步最大的两项是SkillsBench（从29.1直接蹦到了55.3）和MathArena Apex（从12.8涨到了38.7）。Agent和代码的核心能力提升了20%到30%，幻觉率则直接降了一半。

在Agent和工具编排类的测试中，Hy3已经建立起了相当明确的差异化优势。ClawEval pass^3拿到了68.5，超过了DeepSeek V4 Pro的62.4和Qwen 3.7 Max的65.2；SkillsBench 55.3同样领先这两个对手；BrowseComp 84.2，跟GPT 5.5的84.4几乎持平。代码类测试中，SWE-bench Pro从preview的46.0提升到了57.9，NL2repo从35.3到了45.6，进步幅度也相当大，不过相比DeepSeek V4 Pro和Qwen 3.7 Max，仍然有3到5个点的差距。

当然，要说当下最明显的天花板，还得看数学推理。MathArena Apex上，Hy3得分38.7，GPT 5.5是85.4。这组数据其实揭示了一个结构性的事实：在纯推理任务上，国产模型整体与GPT 5.5之间的差距依然存在——Qwen 3.7 Max的44.5同样远低于GPT 5.5。这是整个国产模型阵营都需要持续追赶的方向。

真实业务里的验证

行业里常说一句话：模型好不好，拉到业务里遛一遛才知道。Hy3目前已经接入了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，还有近50个业务正在接入排队中。

先说WorkBuddy的情况。在preview阶段，自主选择Hy3 preview的用户数增长了6倍。等到Hy3正式版上线后，基于WorkBuddy办公场景的内部测评显示：相比preview版，任务解决率从72%跃升到了90%，平均耗时缩短了34%。数据处理、文档处理、研报分析这些细分任务的表现，都明显更好了。

ima那边，则是基于线上知识库问答和Agent两个核心场景做了评测。Agent任务中，Hy3综合表现相当抢眼，系统稳定性高达95.1%，尤其是工具编排能力特别突出，盲目重试、该停不停这种无效操作大幅减少，复杂办公任务的规划更准、更容易一步到位。知识库问答场景同样显著增强，推理质量净提升近19%，思考更系统、信息覆盖更全面，长文写作和方案生成的结构完整度、可用性都明显上了一个台阶。

元宝的对话交互场景也为模型打磨提供了非常有价值的反馈。比如Hy3 preview在长文和AI搜索场景下的幻觉问题，混元通过深度清洗训练数据样本，加上细粒度的幻觉检测和训练约束，让模型学会了在复杂证据下稳定输出。在内部基于真实业务场景的长文、RAG评测中，Hy3正式版的幻觉率相比preview版本下降了约44%。而在基于元宝真实用户日志的线上评测中，正式版的常识错误率大幅下降——深度推理模式下错误率降低了12.3%，极速模式下降低了8.5%。

升级到Hy3后，元宝Agent在覆盖信息查询、数据处理、文档办公、生活决策、网页制作等场景的评测中全面进阶。工具编排更稳了，无效重试和空转反复明显减少，复杂任务也能规划得更准、一步到位。在元宝Agent的Benchmark评估中，Hy3在综合办公和生活服务两大Agent场景上，已经超过了GLM 5.1等大量国产优秀模型，逼近Claude Sonnet 4.6等海外领先模型的能力表现——这已经足够稳定支撑真实业务链路了。

“交成品”的实测案例

最后说一个让人印象深刻的实测案例。在WorkBuddy里，有人用Hy3独立搭建了一家油气公司的合并现金流模型——三个地区、六大储量区块、5220格联动总表，涉及价格逐年切换、NGL按差率折算、零产量异常处理、三级小计汇总等真实的建模难点。Hy3全部做对了，而且达到了两个关键标准：第一，零硬编码，每个数字都是能随假设自动重算的活公式——这说明模型是真正在自主搭建模型，而不是抄答案；第二，上千行跨多表的超大模型，全程保持了逻辑一致，没有出现一处出错连锁污染上千格的情况。

对于金融、咨询这些依赖复杂模型的行业来说，这种可靠性，直接决定了模型能不能真正进入真实工作流。而这，恰恰是Hy3交出的最有力的答卷。