混元3正式版拿了高分：腾讯全家桶可以放心用了
Hy3正式版在搜索能力上比肩GPT-5.5，同时将模型幻觉发生率降低了近半。历经大半年筹备，由清华姚班出身、现任腾讯首席AI科学家的姚顺雨主导研发的Hy3正式版，今日对外发布。这款产品基于此前推翻重来的训练框架，体现了“不偏科、不刷榜、不烧钱”的研发原则。
2025年12月，腾讯对企业内部的大模型研发架构进行了重大调整，新设立AI Infra部、AI Data部和数据计算平台部，同时邀请姚顺雨出任首席AI科学家，双线向刘炽平和卢山汇报。
姚顺雨到任后首项工作便是推翻旧有训练框架，在一个月内重建了整套预训练和强化学习基础设施，并确立了“不偏科、不刷榜、不烧钱”三大原则。
重建后的首个成果是4月23日上线的Hy3 preview。该模型从启动训练到发布仅耗时三个月。
不过，Hy3 preview毕竟只是一个预览版本，各方面能力只能算尚可，尚未达到国内SOTA水平。
但这次的Hy3正式版表现截然不同，真正具备了强劲实力。
Hy3正式版升级了哪些
Hy3正式版沿用了preview的底层架构，总参数量为295B，每次推理激活21B参数，另有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个注意力头中有8个为KV头，隐藏层维度为4096，中间层维度为13312。专家系统配置为192个专家，每次激活top-8。上下文窗口为256K，词汇表为120832，精度为BF16。
这意味着有效参数量大约为GLM 5.2的一半。实际上，Hy3的整套架构设计在preview阶段就已定型，正式版并未进行结构层面的调整。
那正式版到底改了什么？
官方说法是“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”。
用通俗的话解释，架构没有变动，但喂给模型的数据质量更高、更多样化，同时为强化学习分配了更多计算资源。
从benchmark数据来看，Hy3这次在官方博客和HuggingFace上公布了非常详细的得分表，覆盖代码、搜索、工作智能体、STEM、推理和上下文学习这六大方向，并与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等主流模型进行了横向对比。
以下数据均来自混元官方发布的附录表格。
首先看代码智能体方向。Hy3正式版在SWE-Bench Verified上获得78.0分，SWE-Bench Pro获得57.9分，SWE-Bench Multilingual获得75.8分，Terminal-Bench 2.1获得71.7分，DeepSWE获得28.0分。
与之对比，GPT-5.5在SWE-Bench Verified上是84.4分，SWE-Bench Pro是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。
Hy3与开源模型相比不相上下，但与顶级闭源模型之间仍存在一定差距。
搜索智能体方向是Hy3表现最为突出的领域。BrowseComp获得84.2分，在所有对比模型中排名第一，甚至追平了GPT-5.5。WideSearch获得76.4分，DeepSearchQA获得91.0分。
工作智能体方向，Hy3在MCP Atlas（公开版）拿到79.1分，ClawEval（pass³）拿到68.5分，Toolathlon拿到48.5分，WildClawBench（35轮，纯文本）拿到53.6分。
混元还运行了内部评测集Hy-FinModelBench（金融建模），获得69.0分，基本与GLM-5.2持平。
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）拿到53.2分（GLM-5.2为54.7，DeepSeek V4 Pro为48.2），USAMO 2026拿到72.0分，IMOAnswerBench拿到90.0分，MathArena Apex拿到38.7分，SuperChem拿到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）。
上下文学习方向需要特别说明一下，该方向测试使用的是CL-bench、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拿到17.0分，AA-LCR拿到73.4分。
这三个数字表面看起来偏低，但这并非Hy3自身的问题，而是这个评测方向本身的特性所致。
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），其专门用于测试语言模型的“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。
同时，这篇论文中也指出，当前几乎所有SOTA模型在这方面表现都很差。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。
正因如此，姚顺雨才将其视为“下半场”需要攻克的核心问题之一。
别看hy3得分不高，要知道在CL-bench面前，即便是Claude Opus 4.8，也仅拿到24.8分。Hy3的23.8分在国产模型中是最高的。
评分终究只是评分，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”。
Hy3正式版发布前，腾讯安排了一次特别测试，在内部组织了270位来自不同学科的专家，基于真实工作场景进行模型盲测，共收集了312份有效对比。
结果显示，Hy3均分为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。虽然这个测试的样本量不算大，但由于采用了真实工作场景的专家盲测方式，因此比纯跑benchmark更能反映模型在生产力任务中的实际表现。
与Hy3 Preview相比，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有所减少。跨脚手架泛化性也得到了增强。
这意味着无论使用哪种编程工具框架来调用Hy3，效果差异都不会太大，并且效果要比Hy3 Preview更好。
定价方面，Hy3延续了preview的性价比路线：API输入价格为1元/百万tokens，输出价格为4元/百万tokens，输入命中缓存价格为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。
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的周调用量获得了总榜和市场占有率“双第一”。到了正式版发布时，日均token消耗量已经增加了20倍。
尤其是代码和Agent类场景的调用量增长最为显著，在WorkBuddy/CodeBuddy以及QClaw类应用中增长超过16.5倍。
落到产品里如何
模型跑分再高，最终都需要落实到产品中才算数。
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。
WorkBuddy是目前国内最受关注的AI办公智能体之一，也是Hy3能力验证的主战场。
从数据来看，Hy3在WorkBuddy上的表现确实实现了质的提升。与preview版本相比，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，例如文档处理节省了47.4%，PPT制作节省了49.0%。
自Hy3 preview发布以来，WorkBuddy上自主选择Hy3的用户数增长了6倍。
具体到实际办公场景，Hy3能胜任的任务比preview版本更加复杂。
根据官方提供的showcase，Hy3能够从101个SKU销售数据中产出Excel建模分析以及30页汇报PPT；能将三个地区的数据通过联动公式汇总成一张包含5000多个单元格的表格；能设计核聚变能源引擎的概念宣传网页；能通过摄像头用手势交互控制图片粒子融解重组；还能通过多轮交互制作一个落日飞车游戏。
元宝是另一个重要的落地场景。
接入Hy3后，元宝同步上线了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。
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经超越了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%。
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到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，任务完成率达到93.7%，6个Agent协作下任务派发正确率达到92%。
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%。
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%。
Hy3在微信小程序开发方面的能力尤其值得关注。
在Hy3 preview发布时，混元就展示过一个案例：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。
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，这一能力得到了进一步增强。
例如，当要求Hy3制作一个快递小程序时，它就能将前端、后端、API、数据结构、项目方案一并输出。
这里有一个有趣的现象：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。
例如在下图中，要求小微生成一个字母AI专用的文章记录助手。
但小微背后的模型并非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。
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。
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、携程等头部平台已宣布与腾讯在AI Agent领域达成合作。
整体而言，腾讯正借助Hy3的技术突破，在商业产品与开放生态之间构建协同效应。对于小程序开发这一特定场景，开发者可以使用Hy3获得高性能支持，而普通用户则通过Welm与DeepSeek的组合满足日常需求，这或许是腾讯期望实现的理想分工。