最新腾讯混元Hy3与GLM5.1、DeepSeekV4Pro三款模型的横向对比实测

最近腾讯的混元 Hy3 正式上线，WorkBuddy 直接就能免费用上，不少人已经在排队体验了。

Hy3 是 4 月底发布的 Hy3 preview 升级版，这次升级带来了不少变化。

在真实工作场景的模型盲测中，Hy3 的均分表现优于 GLM 5.1，尤其在推理、智能体、长上下文等任务上，更是比肩国内外更大尺寸的旗舰模型——后者的参数规模往往是 Hy3 的 2 到 5 倍。

既然 Hy3 的宣传说能比肩更大尺寸的旗舰模型，实测又比 GLM 5.1 强，那自然得按照这个标准来测一测。

从参数量上看，GLM 5.1 和 DeepSeek-V4-Pro 都比 Hy3 高，而 DeepSeek-V4-Flash 则与 Hy3 相近。把它们放在一起横向对比，结果会如何？

是骡子是马，拉出来溜溜就知道了。

01. 模型实测

case 1 前端设计

提示词：

做一个 AI 模型横评 Dashboard。

内容包括：

• 1.顶部展示 4 个模型：hy3、GLM 5.1、DeepSeek V4 Pro、DeepSeek V4 Flash。
• 2.中间是评分矩阵：代码、推理、写作、视觉、速度、稳定性。
• 3.右侧展示当前选中模型的优缺点。
• 4.底部展示测试 case 运行记录。

设计要求：

• 1.不要做营销落地页。
• 2.要像专业 SaaS 工具，信息密度高但不乱。
• 3.支持桌面和手机。
• 4.有真实交互：切换模型、筛选测试类型、排序分数。
• 5.不要使用大渐变背景、玻璃拟态、空洞装饰。

Hy3：

Hy3 的完成度相当高，信息架构给人一种真实横评工具的感觉。顶部 KPI、4 个模型卡、评分矩阵、右侧模型详情、雷达图、维度明细、优缺点、规格区、测试记录和筛选功能，一个都没落下。唯一的小瑕疵是桌面中段左侧有一块明显的空白区域，导致页面浏览节奏有些不均匀。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 的结构很清晰，做了一个 6 维度 × 4 模型的评分矩阵，选中列、筛选按钮、测试历史表都能正常工作。但整体设计辨识度偏弱，看起来更像一个“标准白底 SaaS 表格 demo”。矩阵区域有大块空白，页面密度控制得不够好。细节上缺少模型画像、规格和图形化能力面板，记忆点不足。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 的卡片、条形图、表格都很稳，视觉上很克制，没有乱用装饰元素。不过，所谓的“评分矩阵”只展示了当前选中模型的 6 个维度，并不是真正的四模型横向对比矩阵。信息层级相对较少，更像一个模型详情页加上记录表，而不是一个完整的横评工作台。

GLM 5.1：

GLM 5.1 的页面没能跑起来。浏览器报了“Invalid or unexpected token”的错误，模型卡片、矩阵、详情、测试记录全都没渲染出来，只剩下一个暗色外壳和空表头。

本 case 排名：Hy3 > DeepSeek-V4-Pro > DeepSeek-V4-Flash > GLM 5.1

case 2 3D物理交互

提示词：

做一个 3D 小球迷宫。

要求：

1. 使用 Three.js。
2. 画面中有一个倾斜迷宫板和一个小球。
3. 通过键盘方向键控制迷宫板倾斜。
4. 小球会根据倾斜方向滚动。
5. 有墙体、终点、失败洞口。
6. 到达终点显示通关时间。
7. 掉进洞口后重置。
8. 要有基础物理效果，不能只是改坐标假装滚动。

Hy3：

Hy3 的表现非常稳定，本地自带 three.min.js 就能直接跑。物理实现很清晰，有倾斜板、滚动小球、墙体碰撞、洞口掉落重置、终点、计时、掉落次数，还支持移动端 D-pad 操作。按键后球的位置和计时都有明显变化，体验很扎实。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 的思路很高级，用了 React Three Fiber + Rapier 物理引擎，构建也能通过，说明开发者知道该用物理引擎。但实际玩起来问题不小，左右重力逻辑是混乱的——板子翘起来，球却往高处跑，这显然不对。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 有 canvas、有迷宫、有计时、有洞口和通关弹窗，基本功能都齐了。但游戏系统还是偏薄：洞口数量少、HUD 信息少，而且同样存在左右重力逻辑混乱的问题，板子翘起来球却往高处跑。

GLM 5.1：

GLM 5.1 的完成度很高，画面里有完整的迷宫、墙体、多个失败洞口、终点、阴影、HUD、最佳时间显示，支持 WASD/方向键、R 键重开，甚至还有鼠标视角旋转。但遗憾的是，上下左右的重力逻辑都是混乱的，板子翘起来球依然往高处跑。

本 case 排名：Hy3 > GLM 5.1 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

case 3 塔防游戏

提示词：

做一个迷你塔防游戏。

要求：

1. 地图上有固定路径，敌人沿路径移动。
2. 玩家可以在空地放置炮塔。
3. 炮塔自动攻击范围内最近的敌人。
4. 敌人死亡掉金币。
5. 每一波敌人数量和速度增加。
6. 有生命值、金币、波次、暂停、重新开始。
7. 炮塔至少有两种：单体高伤、范围低伤。
8. 游戏要能平衡到至少玩 5 波。

Hy3：

Hy3 提供了三种塔：箭塔、炮塔、冰塔，覆盖了单体、AOE 和减速效果。还支持出售返还、暂停、重开以及波次状态显示。UI 清晰，敌人血条、路径、塔位反馈都做得很好，像一个完整的小游戏原型。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 的 React/Vite 版本，放塔和 5 波流程都可以用。但整体更像一个基础 Demo，只有两种塔，没有日志、出售、减速或敌人类型变化，视觉也比较简单。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 的单文件完成度不错，能放塔、开波、击杀返钱，还有事件提示和塔属性面板。短板在于只有两种塔，敌人和策略深度一般，界面观感偏弱。

GLM 5.1：

GLM 5.1 的游戏结构很产品化：10 波、两种塔、多敌人类型、速度按钮、事件日志、右侧商店信息都很完整。但画面偏暗，战斗反馈不够直观；塔类型少，也没有出售或升级功能。

本 case 排名：Hy3 > GLM 5.1 > DeepSeek-V4-Flash > DeepSeek-V4-Pro

case 4代码调试

提示词：

下面这段 Python 代码用于找出数组中和为 target 的两个数下标，但有 bug。请指出 bug、给出修复代码，并补充 3 个测试用例。

def two_sum(nums, target):

seen = {}

for i, n in enumerate(nums):

if target – n in seen:

return [i, seen[n]]

seen[n] = i

return []

Hy3：

Hy3 对标准用例的解释很清楚，能指出 [2,7,11,15] 会引发 KeyError，修复代码正确，测试覆盖了基本、重复和无解的情况。不过，对“只有 n == target – n 才正确”的表述略有些绝对，如果严格要求返回顺序为 [0,1]，[3,3] 时原代码也可能是反的。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 的修复和测试都是对的，4 个用例覆盖也全。但解释中说 seen[n] 可能是“当前数字 n 的索引，即 i 本身”，这不太严谨，因为 seen[n] = i 发生在判断之后，通常还没写入。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 明显犯了错误，把问题误判成“返回顺序反了”，但仍然写 seen[n]，没有改成 seen[target – n]。标准用例 [2,7,11,15], target=9 仍会 KeyError，给出的测试用例自己都跑不过。

GLM 5.1：

GLM 5.1 准确抓住了核心问题：判断的是 target – n in seen，所以返回必须取 seen[target – n]。还补充了 seen[n] 可能 KeyError 或命中旧重复值，解释很严谨。修复代码和测试用例都正确。

本 case 排名：GLM 5.1 > Hy3 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

case 5 中文写作

提示词：

请把下面这段话改成更自然的公众号正文，不要像 AI 写的。

原文：

在人工智能快速发展的今天，Agent 已经不再只是一个技术概念，而是正在成为改变生产力的重要工具。对于普通人来说，理解 Agent 的意义非常重要，因为它不仅能够提升工作效率，还能够帮助我们重新思考人与机器的关系。

Hy3：

Hy3 的审稿意识很强，能准确指出原文里的 AI 腔来源，改写后的内容也有公众号开头的抓力。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 的改写很干净，短、直接、不油腻。但信息量偏少，把 Agent 写成了普通效率工具，少了“主动执行、多步骤任务、人机分工变化”这些关键点。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 虽然比原文口语化，但还保留了明显的模板痕迹：比如“不只是……”、“实打实地……”、“工作效率翻倍”、“重新想想……人和机器之间，到底谁该听谁的”这类句子，标题党味有点重。

GLM 5.1：

GLM 5.1 的改写很具体，有场景感。它不只说“提升效率”，而是写到订机票、整理文档、盯进度、报表、邮件、资料归档这些具体的事情，读者能立刻理解 Agent 的用处。语气也比较自然，没有太多模板句。小问题是“与其……不如……”用了两次。

本 case 排名：GLM 5.1 > Hy3 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

case 6约束遵循

提示词：请用 JSON 输出，不要 Markdown，不要解释。

任务：给一家 AI 编程工具设计 5 条中文广告语。

约束：

• 1. 每条不超过 16 个汉字。
• 2. 不能出现“效率”“智能”“未来”三个词。
• 3. 每条都要包含一个动词。
• 4. JSON 字段为 slogans，值为字符串数组。

Hy3：

Hy3 的 JSON 格式规范，字段正确，正好 5 条，全是中文短句，没有英文、空格或多余解释。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 的 JSON 合规，文案更有画面感，但有几条偏长，比如“开口说需求，代码自己长”和“把想法丢进去就行”都超过了字数限制。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 的格式没问题，但约束遵循最弱。用了“bug”、“AI”这样的英文单词；像“改完bug直接上线”、“一人一AI撑起全栈”这类表述也比较夸张，更像宣传话术。

GLM 5.1：

GLM 5.1 也很稳，5 条都很短，节奏统一。但同样用了“Bug”这个英文单词，略微扣分。

本 case 排名：Hy3 > DeepSeek-V4-Pro > GLM 5.1 > DeepSeek-V4-Flash

case 7 代码重构

提示词：下面函数已经在线上跑了两年，现在要支持优惠券、会员折扣、区域税率。请设计重构方案。

function calcTotal(items, user) {

let total = 0

for (const item of items) {

total += item.price * item.count

}

if (user.vip) total *= 0.9

total *= 1.06

return Math.round(total * 100) / 100

}

要求：

• 1. 不要过度设计。
• 2. 保留可测试性。
• 3. 给出 TypeScript 代码。
• 4. 给出单元测试样例。
• 5. 说明哪些逻辑应该配置化。

Hy3：

Hy3 的拆分方案很清晰，纯函数、配置对象、税率、会员折扣、优惠券的边界都讲得很清楚，工程判断很稳。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 的落地很扎实，测试覆盖广，零依赖即可运行。扣分点在于把 User 改成了 membership，如果原线上是 vip 字段，会有兼容风险。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 的思路方向对：常量配置化、计算顺序固化，没搞复杂的策略模式。但实现问题最多：优惠券先于会员折扣，且会员折扣按 subtotal 扣，组合券时容易和业务直觉不一致；固定券没有最终兜底，叠加多券可能算成负数，整体像一版草稿。

GLM 5.1：

GLM 5.1 的设计讲得很好：配置注入、迁移节奏、哪些不要过度设计都说到了。尤其是“先用旧硬编码配置回归，再接运营后台”的思路，非常贴近真实工程处理。扣分点是代码片段有小瑕疵，pricing.ts 没展示从 types.ts 导入类型，测试里 DiscountPolicy/TaxPolicy 也没导入，直接复制不一定能跑。

case 8 Excel自动化

提示词：

我有一张销售表，字段如下：

日期、销售员、城市、产品、销售额、成本、客户类型。

请设计一个 Excel 分析模板，要求：

1. 自动计算毛利、毛利率。
2. 按月份、城市、销售员生成透视分析。
3. 找出毛利率低于 15% 的订单。
4. 生成一个管理层看板。
5. 给出需要使用的公式、透视表字段配置、图表类型。

Hy3：

Hy3 真实交付了 .xlsx 文件，并且有生成脚本、公式列、条件格式、自动汇总、KPI 和 3 张图表。虽然没有真正创建 Excel 透视表，但给出了透视字段说明，实用性很强。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 的结构清楚，6 张 Sheet 的设计很完整，KPI 公式和 FILTER 低毛利清单比较可落地。毛利率在透视表里用“毛利 / 销售额”的计算字段，这种方式很严谨。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 的方案有基本框架，但公式细节问题不少：低毛利标记没有防除零，COUNTIF(I:I,<0.15) 少了引号，透视表毛利率的建议也不够准确。

GLM 5.1：

GLM 5.1 的方案非常接近实际 Excel 搭建流程。超级表、透视表、低毛利预警、切片器、时间轴、阈值放到设置单元格，这些都很实用。但部分公式写法偏说明性质，比如直接写“=总毛利/总销售额”，不够精确。

本 case 排名：Hy3 > GLM 5.1 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

case 9 DCF估值

提示词：

基于以下假设做一个 DCF 估值。

2026 年自由现金流 1200 万，之后 4 年增长率分别为 18%、15%、12%、8%。永续增长率 3%，WACC 10%。净债务 2000 万，流通股 1000 万股。

请计算：

1. 显性期现金流现值。
2. 终值。
3. 企业价值。
4. 股权价值。
5. 每股价值。
6. 做 WACC 9%-11%、永续增长 2%-4% 的敏感性分析。

Hy3：

Hy3 的折现口径正确：2026–2030 五年现金流按 t=1..5 折现，2030 年末终值也折现 5 年，基准每股 21.95 元是准确的，还实际生成了 HTML 报告和计算脚本。

DeepSeek-V4-Pro：

DeepSeek-V4-Pro 也有本地脚本，但核心口径错了：把 2026 年 1,200 万 FCF 漏掉了，只从 2027 年开始折现；终值也只折现了 4 年，所以估值被抬高到 23.14 元。

DeepSeek-V4-Flash：

DeepSeek-V4-Flash 和 DeepSeek-V4-Pro 犯了同一个 DCF 口径错误：漏掉 2026 年现金流，终值折现期少一年。但比 DeepSeek-V4-Pro 差的是没有本地文件，解释也更简短。

GLM 5.1：

GLM 5.1 的计算和口径都很严谨，明确写了估值日、年末现金流约定、终值折现 5 年，敏感性 5×5 也完整。结论里的终值占比、交叉验证提醒都体现了金融建模意识，可惜没有生成本地交付文件。

本 case 排名：Hy3 > GLM 5.1 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

02. 测试总结

从测试结果来看，Hy3 的宣传确实很实在，整体表现优于 GLM 5.1，甚至比 DeepSeek-V4-Pro 还要强一些，这一点比较意外。

Hy3 在前端、塔防、约束遵循、代码重构、Excel 自动化、DCF 这些测试中全部拿下第一。它的强项在于能交付：生成文件、跑出页面、把需求拆解成真实产物。

GLM 5.1 在代码调试、中文写作、DCF 口径这些需要判断力的题上表现很强，解释严谨，金融建模意识也好。

DeepSeek V4 Pro 更像一个中规中矩的工程型选手，结构化能力不错，代码重构里还真的跑通了 20 个测试。

DeepSeek V4 Flash 适合轻量任务。单文件页面、小型 Demo、快速草稿还可以，但一到需要严谨推理、约束遵循、复杂业务口径，就有点力不从心了。

03. 一些分享

测下来，对 Hy3 的印象挺明确：日常工作里真的可以拿来干活了。

需要说明的是，这次测试用的是 WorkBuddy。腾讯自家的 Agent 接自家的模型，多少会有一些适配加成，这很正常。但不管怎么说，最后跑出来的结果摆在那里：页面能跑、文件能交、复杂任务也能拆得住，整体完成度确实不错。

更关键的是，现在在 WorkBuddy 里用 Hy3 还不用花钱，可以免费用两周。对经常跑代码、做页面、写分析的人来说，这基本等于先省下半个月 Token 费。后面如果接 API，价格也不算贵，甚至比 DeepSeek-V4-Pro 还低一点。

还有一个值得关注的点：Hy3 已经接进了腾讯不少产品，比如元宝、微信读书这些。刚好这些也是平时会用的工具。

从数据来看，Hy3 在 7 月 8 日上午 10 点左右算力消耗冲到峰值，后面还出现排队，下午排队率一度超过 50%。这说明一件事：觉得它好用的，应该不止一个人。

这次测完，Hy3 会被放进日常工作备选里，希望国产模型越做越好。