腾讯混元Hy3上线即爆WorkBuddy紧急扩容实测三任务令人信服

腾讯混元Hy3正式版终于面向公众开源了。

好用就一定意味着高昂的成本吗？想在效果与成本之间做出抉择？其实核心问题并非二选一——优秀的产品，本来就不该让人被迫取舍。

7月6日，腾讯混元Hy3正式版发布。它的参数规模仅为旗舰模型的几分之一，却在内部盲测中超越了GLM5.1。

它的设计思路颇具巧思：将快慢思考融合进MoE架构，总参数量达到295B，但每次推理仅激活21B。这意味着推理成本能被压得很低，而知识储备仍保持在295B的量级。支持256K上下文长度，也是针对真实应用场景所做的精心设计——只有上下文足够长，模型才能真正落地。

本次关键升级主要聚焦在三个方面。

第一个是模型本身的智能水平。从preview版本到正式版，腾讯在后训练环节投入了大量精力，算力规模以及数据的质量、多样性都得到了显著提升。在270位专家参与的盲测中，Hy3综合均分达到2.67，优于GLM5.1的2.51。值得深思的是这个数字背后的对比：Hy3使用了不到对方四分之一激活参数，却拿下了更高的综合评分。

第二个是Agent能力的飞跃。WorkBuddy的任务成功率从72%跃升至90%，平均耗时缩短了34%。元宝的幻觉率下降超过一半，常识错误率也降低了一半。ima系统稳定性达到95.1%，Ma vis六Agent协作正确率为92%。这些数字背后，折射出Hy3在多步任务处理、工具编排以及幻觉控制等方面的实质性进步。

第三个是卓越的性价比。输入价格低至1元/百万tokens，输出为4元/百万tokens，缓存命中仅需0.25元。对于中小团队而言，日均50万输入加10万输出的API调用，一天花费不到一块钱。自preview上线以来，日均token消耗已暴涨20倍。

目前，腾讯元宝和WorkBuddy都已全面接入Hy3。元宝基于Hy3上线了Agent功能，用户只需输入需求，即可直接交付PPT、Word、Excel、PDF、HTML文件，而且全部免费使用。

Hy3在WorkBuddy上也迎来了一波用户高峰。7月8日，算力资源一度被占满，下午排队率超过50%，项目团队随后紧急扩容。这件事本身就是一个清晰的信号——好的产品，大家自然会用脚投票。

实测Hy3：代码、Agent与长文生成能力

首先给Hy3布置一个带业务逻辑的任务：用Python编写一个异步任务队列，支持优先级调度、超时重试、死信队列，并且能够对接Redis做持久化存储。这类需求在团队内部，初级工程师至少需要大半天才能完成。

结果有些出乎意料。它直接给出了一个AsyncTaskQueue主类，将优先级调度、超时检查、重试逻辑、死信队列全部串联起来，类之间的调用关系清晰明了。Task负责数据承载，TaskPriority和TaskStatus使用枚举管理状态，AsyncTaskQueue统一调度。这并非那种只给一个空骨架让你自己填充的代码——整个链路从入队、处理、超时检测、重试到落死信队列，全部跑通。

值得关注的是几个生产级别的细节：优先级调度使用了Redis Sorted Set，score将优先级与时间戳组合在一起，保证同优先级下先进先出。这个设计在生产环境中见过不少，Hy3直接给到位了；任务从pending切换到processing时用了Lua脚本确保原子性，避免并发竞争；超时任务单独用ZSET追踪，worker循环中定期检查。这几个要点在prompt里并未提及，但做过生产系统的人都清楚，线上不处理这些问题就会出故障。

跑完一遍，逻辑通顺，语法无误，没有异常抛出。重试机制目前采用固定延迟，注释里也如实写了“示例中为固定延迟”——这算是一个可优化的点。生产环境通常会加入指数退避策略。Redis连接池配置也使用了默认值，没有针对高并发场景给出调优建议。不过瑕不掩瑜，整体完成度已经非常高。这让人感受到，Hy3真的带着真实开发经验的痕迹在编写代码。

单个任务的代码生成，很多模型都能做到。更想测试的是Agent场景——连续多步、需要工具调用、中间不能跑飞。

于是设计了一个测试：让Hy3扮演一个数据处理Agent，任务是从一份销售CSV中提取本月TOP10客户，生成柱状图，再撰写一份简短的月度销售总结邮件，收件人从公司通讯录API获取。这涉及三步：数据提取与排序→可视化生成→调用API并输出文案。任何一步出错，后面全白费。

Hy3首先正确读取了CSV，并且主动做了数据校验——金额字段均为正数、无空值、数据质量良好。这个步骤并未在prompt中要求，它自己补充上了。接着进行TOP10客户汇总，按客户名称聚合求和，给出了完整的计算明细，同时生成了柱状对比图。

最后一步是关键。给了它一个模拟的通讯录API地址，它先通过GET请求获取通讯录全员列表，返回200 OK。然后做了响应校验，解析嵌套JSON结构，再筛选出销售部成员。最后将图表和数据分析整合成一封邮件。它还有自己的执行日志，能够打勾自检——这些要求并未提出，是它自行添加的。这说明Hy3在多步任务中不仅是在执行，还在进行自我验证。ima评测显示系统稳定性95.1%、无效操作大幅减少，实际体验确实如此。

最后一个测试，让Hy3撰写一篇2000字的行业分析，主题为“2026年国内大模型Agent落地趋势”。

交出来的成果令人刮目相看。全文分为六部分，从范式跃迁、市场数据、技术底座、场景分层、商业模式到隐忧展望，层层递进，并非平铺直叙的列表，而是具有主线的叙事结构。给出的数据并非胡编——抽了几个交叉验证，都有出处。案例也很具体，不是泛泛的“某企业提升了效率”，而是有名称、有数字、有对比。

更意外的是它对市场结构的判断。它提出了中科院计算所白硕的“Harness工程”概念，指出模型-工程-场景“三件套”缺一不可。还敏锐捕捉到商业模式从MaaS向Agent-as-a-Service的演进，以及资本流向的变化。

当然它也有谨慎的一面。在技术隐忧部分，它老老实实列出了三道坎：幻觉控制、组织治理、数据壁垒——没有因为自己是模型就回避行业痛点。整篇读下来，结构完整、数据扎实、观点有纵深，没有排比，没有感叹号，没有“纵观全局”那种公文腔。如果能再加一些一手访谈或独家观点，这篇真能当行业报告使用。但作为模型自动生成的分析，这个完成度已经远超预期。

不仅够用、够稳，还够便宜

从1月底基础设施重建，到4月Hy3 preview，再到7月Hy3正式版，不到半年时间，混元跑通了从底层重构到产品反哺的完整链路。加上腾讯多元的产品矩阵，为模型优化提供了海量真实反馈，而模型能力的提升又反哺到所有产品。这并非简单的“模型升级”，而是“模型-产品-数据”的飞轮开始加速转动——对话场景中意图理解的优化赋能Agent，Agent工具调用能力的提升反哺搜索，可迁移、可泛化、可复利。

也正因如此，它让人看到，模型的“好用”并不一定与“昂贵”挂钩。混元从未想去争夺“最强模型”的虚名，而是希望让21B激活参数的模型，在绝大多数真实场景下足够使用，同时让开发者用得起。就像MoE架构总参数295B但只激活21B，这个设计本身就表明了它的态度——依靠效率，而非蛮力。256K上下文长度、快慢思考融合，它在架构层面就在为“实用”做选择。

技术改变的不只是能力的边界，更是人们敢于迈出第一步的勇气。当21B激活参数的模型能在Agent实战中稳定交付，我们的想法也就有了变成现实的可能。