腾讯混元Hy3正式上线坚持实用主义Agent任务解决率跃升

跑通“业务反哺模型”的研发链路

7月6日，腾讯混元Hy3正式版发布了。这距离它的预览版亮相，正好过去两个多月。

Hy3是一个快慢思考融合的模型，采用MoE架构，总参数295B、激活参数21B，支持256K上下文长度。4月23日发布的preview版，已经在复杂推理、指令遵循、上下文学习、代码生成与智能体能力上，相比Hy2实现了一次质变。而正式版延续了那条清晰陡峭的能力增长曲线——通过进一步提升后训练的算力规模以及数据质量和多样性，在各类任务上较preview版再次跃升，最终以较小的尺寸，首次比肩国内外大尺寸旗舰模型的效果。

价格方面，Hy3延续了实用、普惠的定位：输入1元/百万tokens，输出4元/百万tokens，命中缓存的价格更是低至0.25元/百万tokens。开源上，它采用了商业友好度最高的Apache2.0协议，全球开发者均可免费商用。为了进一步方便开发者上手，Hy3接下来会陆续在OpenRouter、Hermes、Kilo、Cline、OpenClaw、OpenCode、CherryStudio等多个海外平台上线，并且“Day 0”就接入Huggingface和Modelscope魔搭平台。

这组关键信息，基本圈定了Hy3的竞争坐标：不追求参数规模最大，但实际表现逼近参数量2到5倍的旗舰模型，同时在价格上有绝对竞争力。说白了，就是追求实用、好用的那一挂。

01 两个月，从preview到正式上线

Hy3 preview是混元重建后的第一个版本，上线后被腾讯内部多条产品线真实调用，也被全球开发者广泛使用，在各类真实任务中反复验证。这两个月的后训练迭代，主要聚焦在三个方向：进一步提升后训练的算力规模、数据质量和多样性，以及针对preview阶段暴露的幻觉问题做细粒度检测与训练约束。

结果直接体现在benchmark上。在12项横向对比中，Hy3相比preview版进步最大的两项是SkillsBench（从29.1到55.3）和MathArena Apex（从12.8到38.7）。Agent和代码核心能力提升了20%-30%，幻觉率下降了一半。

在Agent和工具编排类测试中，Hy3建立了明确的差异化优势。ClawEval pass^3拿到68.5，超过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与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57.9，NL2repo从35.3到45.6，进步幅度很大，但与DeepSeek V4 Pro和Qwen 3.7 Max仍有3到5个点的差距。

数学推理是当前最明显的天花板。MathArena Apex上Hy3得分38.7，GPT 5.5是85.4。在纯推理任务上，国产模型整体与GPT 5.5之间的结构性差距仍然存在，Qwen 3.7 Max的44.5同样远低于GPT 5.5。这算是整个国产模型阵营需要共同追赶的方向。

02 真实业务里的验证

Hy3已经接入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，还有多个业务在排队接入中。

WorkBuddy上，自主选择Hy3 preview的用户数增长了6倍。Hy3正式版上线后，基于办公场景的内部测评显示，相比preview版，任务解决率从72%跃升至90%，平均耗时缩短了34%。在数据处理、文档处理、研报分析等多类细分任务中，表现都更好了。

ima基于线上知识库问答与Agent两大核心场景对Hy3进行了评测。在Agent任务中，Hy3综合表现优异，系统稳定性高达95.1%，其中工具编排能力尤为突出，盲目重试、应止未止等无效操作大幅减少，让复杂办公任务规划更准、更一步到位。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，长文写作与方案生成的结构完整度、可用性都明显增强了。

元宝的对话交互场景也为模型提供了极具价值的反馈，比如Hy3 preview在长文和AI搜索场景中的幻觉问题。混元团队通过深度清洗训练数据样本，进行细粒度的幻觉检测与训练约束，让模型学会在复杂证据下稳定输出。在基于元宝真实用户日志的线上评测中，Hy3正式版的常识错误率较preview版大幅下降——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。在元宝Agent的Benchmark评估中，Hy3在综合办公与生活服务两大Agent场景上，已经超过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，足以稳定支撑真实业务链路。

03 “交成品”的实测案例

在WorkBuddy中，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建模难点。Hy3全部做对了，而且达到两个关键标准：零硬编码，每个数字都是能随假设自动重算的活公式；上千行跨多表的超大模型全程保持逻辑一致，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进入真实工作流。

另一个案例，覆盖了从散乱数据到汇报成品的全链路。给Hy3输入101个SKU的销售数据，要求产出Excel建模分析和30页汇报PPT。结果，Hy3构建了12个表格的完整分析底稿（含热力图、分层分析、原生图表），同时交付30页PPTX——20张图表覆盖条形图、饼状图、热力图、气泡图，每页还带有观点句，分析逻辑清晰。从几十个信息散落的文件到一份可以直接拿去汇报的成品，全部由模型自主完成分析、建模、可视化、排版的全流程。

从开发场景来看，代码能力的真实考验并不仅仅是对算法的理解。模型需要在一个项目中同时调度多套技术栈，自主规划架构，端到端产出可运行的完整工程。让Hy3生成一个摄像头手势交互页面——打开摄像头挥手把一张图吹散成上万个光点，握拳再让它们聚回原图。这个网页里需要同时跑通MediaPipe手势追踪、Three.js上万粒子3D渲染与辉光着色器、AI实时生成源图三套独立技术，并且精准联动。三套技术的初始化顺序、数据流向、渲染管线都需要模型在架构层面自主规划，任何一环出错整页就崩溃。Hy3正式版一次通过，手势真实跟手，粒子叠加辉光仍然流畅。

再比如，让Hy3端到端生成一家虚构清洁能源公司的官网首页——首屏是Three.js实时渲染的三维聚变核心，随页面滚动镜头推进拆解，整站七八个区块，涉及GLSL着色器、Bloom辉光后处理、滚动驱动3D镜头。近2000行代码，由模型自主完成规划、生图、写代码、自检的全流程，全程无空白、不白屏。产出的页面可以直接达到科技公司Landing Page的商用水准。

04 90%的Agent任务可以用Hy3执行

腾讯与海量产品Co-design测试的结论是：主要场景中，至少90%的Agent任务可以使用Hy3成功执行。覆盖范围包括数据处理、文档生成、研报分析、信息查询、网页制作、生活决策等办公与生活自动化场景。

这个数字的含义是——对于绝大多数企业和个人用户的日常Agent需求，Hy3已经够用了。它是一个追求实用性的模型，“能干好90%的活儿，同时成本比旗舰模型低一个量级”。对于真正想把AI接入业务流程的团队来说，能干活和成本低，可能是优先级最高的两个选项。

回过头来看，从preview版到正式上线的这条路径也值得关注。先进入真实产品，被真实用户使用，从真实问题里找到优化方向，再把结果带回产品。这条“业务反哺模型”的研发链路，在两个月内完成了一个完整循环。

汤道生姚顺雨对谈：腾讯AI的下半场

腾讯混元大模型重建第一步，用Hy3 preview验证自己的AI节奏

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：腾讯混元Hy3正式上线坚持实用主义Agent任务解决率跃升要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题