今天，姚顺雨在 DeepSeek V4 前交卷了

智东西

作者 | 江宇

编辑 | 心缘

姚顺雨第一场 " 大考 " 交卷！

智东西 4 月 23 日报道，今日，腾讯发布并开源新一代大模型混元 Hy3 preview，这是混元体系重建后的首个旗舰版本，也是姚顺雨掌舵混元后首次对外亮相的模型成果。

新一代 Hy3 preview 是混元迄今最智能的模型，该模型采用快慢思考融合的混合专家架构，总参数 295B，激活参数 21B，支持最长 256K 上下文。

从测评结果来看，Hy3 preview 在复杂推理、指令遵循、代码与智能体能力等关键维度实现整体提升。在复杂推理任务中，其在 FrontierScience-Olympiad 拿下 70.0 分、IMO Answer Bench 达到 84.3 分，整体表现已超过 GLM-5、Kimi-K2.5，接近 Gemini 3.1 Pro 与 GPT-5.4，并在清华求真书院数学博士资格考试中取得 88.4 分的国内最高成绩。

在代码与搜索能力上，其在 SWE-Bench Verified 达到 74.4%，已逼近 GLM-5 与 Kimi-K2.5，在 Terminal-Bench 2.0、BrowseComp、WideSearch 等基准中也进入第一梯队，但与 Claude Opus-4.6 等顶级闭源模型仍有差距。

在 ClawEval、WildClawBench 等 Agent 评测中，Hy3 preview 的综合执行能力明显提升。在涵盖 16 项基准的综合评测中，其平均得分约 56 分，显著高于上一代 Hy2（约 35 分），并进入当前主流 Agent 模型的竞争区。

目前，Hy3 preview 已率先接入腾讯云、元宝、ima、CodeBuddy、WorkBuddy、QQ 等多条核心产品线。另外，Hy3 preview 还支持接入流行的开源智能体产品，如 OpenClaw、OpenCode、KiloCode 等，并已上架腾讯云大模型服务平台 TokenHub。

在推理效率与成本层面，其首 token 延迟降低 54%、端到端时长下降 47%，整体推理效率提升 40%；API 价格进一步下探至输入最低 1.2 元 / 百万 tokens、输出最低 4 元 / 百万 tokens，并提供最低 28 元 / 月的 Token 套餐，主打一个 " 高性价比 "。

而近期，国内外大模型赛道可谓是 " 动作频频 "。

上周五，Anthropic 发布了新一代旗舰模型 Claude Opus 4.7；4 月 20 日，阿里发布了其下一代旗舰模型的早期预览版 Qwen3.6-Max-Preview；4 月 21 日，Kimi 正式发布并开源旗舰模型 K2.6；4 月 23 日，小米 MiMo 大模型家族一口气官宣 4 款新模型，其中旗舰推理模型 MiMo-V2.5 也开启公测。

而行业最期待的 " 开源猛兽 " DeepSeek V4 也有望在本周内降临。这一波国内外旗舰模型的集体 " 上桌 "，或意味着大模型格局的洗牌时刻即将到来。

面对如此激烈的神仙打架局面，定位 " 全面实用性 " 的 Hy3 preview 究竟具备怎样的真实战斗力？我们第一时间对其进行了实测。

开源地址：

https://github.com/Tencent-Hunyuan/Hy3-preview

一、挑战复杂 SVG 与互动 HTML，代码与逻辑能力一手实测

为了全面验证其能力，我们从逻辑推理、前端代码生成以及多模态表现等维度，对 Hy3 preview 进行了实测。

首先，我们抛出了两个经典的 " 陷阱题 "。

提示词：我要去洗车，洗车的地方离家就 100 米，我是开车去呢，还是走着去呢？

提示词：父亲和母亲可以结婚吗？

实测结果来看，Hy3 preview 不负众望，成功完成了测试并准确绕过了文字陷阱。对于洗车问题，模型还幽默地补充了 " 代驾取车 " 的特殊情况。

在代码生成维度，我们首先选择了一个高难度的 SVG 绘制任务。

提示词：生成一个 Xbox 360 控制器的 SVG 代码。

Xbox 360 控制器不仅具有复杂的人体工学非对称曲线，还包含了丰富的摇杆与按键布局。这能极具针对性地考验大模型在没有视觉反馈的情况下，对二维空间坐标、图层叠加关系及几何数学计算的精准控制能力。

从实测结果来看，Hy3 preview 在首次生成时遭遇了失败，虽然系统很快进行了重新生成，但最终的视觉效果并不理想。摇杆、按键等核心组件出现了明显的坐标错位。

接下来，我们进一步测试了其生成带有交互逻辑的复杂 HTML 代码的能力。

提示词：用一个 HTML 代码块编写一个 3D 精灵球，它应该是可交互的，并且在打开时会有随机的宝可梦从里面出来。

实测发现，Hy3 preview 输出的精灵球并没有达到预期的 3D 视觉效果，整体呈现依然比较粗糙。在交互体验层面，当触发召唤宝可梦的动作时，前端图层渲染逻辑出现了瑕疵，导致精灵球的 UI 元素直接遮挡了内部弹出的精灵形象。

最后一个体验案例是创建一个像素风格的前端页面。

提示词：创建一个骑自行车的鹈鹕的 3D 像素艺术作品。尽可能将场景刻画得非常细致，注意主体模型上的每一个小细节，同时也要考虑周围环境的细节。在一个 HTML 代码块中完成制作，将代码写得足够优秀，以展示你的水平超越其他作品。我赋予你完全的创作自由，尽情发挥。

在这一案例中，Hy3 preview 在静态结构的理解上表现尚可，鹈鹕的身体结构与自行车形态也相对完整。但遗憾的是，代码生成的画面中鹈鹕并没有如预期般呈现出动态骑行效果，且在细节刻画上缺失了自行车链条这一部件。

总体而言，Hy3 preview 在代码框架构建和基本意图理解上展现出了不错的潜力。但在涉及复杂空间坐标系、前端深度交互渲染时，仍需持续进化与打磨。

除了图形与交互测试，我们还验证了 Hy3 preview 在财务分析上的表现。我将腾讯 2023、2024、2025 年的财报输入模型，让它生成财报分析报告。

模型能够准确提取核心财务数据，并呈现三年的同比变化趋势。同时，按年报披露的业务分部，生成收入结构对比图和业务板块占比变化图，整体分析报告清晰可读，数据整合能力令人印象深刻。

总体而言，Hy3 preview 在代码框架构建、基本意图理解及数据分析上展现出了不错的潜力。但在涉及复杂空间坐标系、前端深度交互渲染时，仍需持续进化与打磨。

二、多项核心基准跻身第一梯队，Agent 能力逼近主流旗舰模型

从测评表现来看，Hy3 preview 在多个关键能力维度上进入第一梯队。

以长上下文与指令遵循为例，在自建的 CL-bench 与 CL-bench Life 评测中，其得分分别达到 22.8 和 15.7，明显高于 GLM-5、Kimi-K2.5 等同类模型，但与 GPT-5.4 级别模型相比仍存在差距，整体处于开源阵营前列位置。

在复杂推理能力上，Hy3 preview 在 FrontierScience-Olympiad 中取得 70.0 分，高于 GLM-5 和 Kimi-K2.5，接近 Gemini 3.1 Pro 与 GPT-5.4。

在 IMO Answer Bench 上达到 84.3 分，超过 Kimi-K2.5 和 GLM-5，但仍低于 Gemini 3.1 Pro 与 GPT-5.4。

在清华求真书院数学博士资格考试中，其得分为 88.4，显著高于 Kimi-K2.5 和 GLM-5，但与顶级闭源模型仍有差距；在 CHSBO 2025 生物竞赛中，其 87.8 的表现同样领先多数开源模型，接近 GPT-5.4 的水平。

代码与 Agent 能力是其提升最明显的方向。

在后端工程任务集 Hy-Backend 上，Hy3 preview 得分达到 54.7，超过 GLM-5 和 Kimi-K2.5；在更贴近用户交互的 Hy-Vibe 评测中，其表现同样领先 Kimi-K2.5；在高难度软件工程任务 Hy-SWE Max 上，Hy3 preview 达到 30，明显高于 Kimi-K2.5、接近 GLM-5，但与 Claude Opus-4.6 仍存在差距。

这类内部评测更强调 " 真实开发环境中的完成能力 "，相比标准化榜单，更能反映模型在复杂工程任务中的实际可用性。

在 SWE-Bench Verified 上，Hy3 preview 达到 74.4%，已经逼近 GLM-5 和 Kimi-K2.5，但与 Claude Opus-4.6 仍有差距；在 Terminal-Bench 2.0 上，其 54.4% 的成绩超过 GLM-4.7 等模型，进入第一梯队。

在搜索与信息整合能力上，Hy3 preview 在 BrowseComp 上达到 67.1%，接近 GLM-5 与 Kimi-K2.5；在 WideSearch 上取得 70.2%，超过 GLM-5，但仍低于 Claude Opus-4.6。

这类能力直接决定模型在开放环境中的 " 找信息 + 做判断 " 能力，是 Agent 落地的关键基础。

进一步看整体 Agent 能力，在涵盖 16 项基准的综合评测中，Hy3 preview 以约 56 分的综合得分，显著高于 Hy2（约 35 分），并与 GLM-4.7、DeepSeek-V3.2 等模型拉开差距，接近 GLM-5 与 Kimi-K2.5 所在区间。

在更细分的 Agent 专项评测中，Hy3 preview 也呈现出类似趋势。在 WildClawBench（text-only）中，其得分为 45.3，高于 Kimi-K2.5、接近 GLM-5；在 ClawEval 评测中达到 55.0，超过 Kimi-K2.5、接近 GLM-5，但与 Claude Opus-4.6 同样存在差距。

这类评测更关注模型在多步调用、工具协同与任务拆解中的稳定性，直接对应 Agent 在真实环境中的执行能力。

在参数规模仅 295B 的前提下，这一表现也能看出其追求 " 性价比最优 "，成为当前少数在成本与能力之间取得平衡的模型之一。

三、推理效率提升 40%，输入 1.2 元 / 百万 tokens 起，256K 长上下文成本压低

在能力之外，Hy3 preview 此次更直接的变化体现在推理效率与成本结构上。

得益于模型架构与推理框架的深度协同，以及算子优化与量化策略的整体调整，其整体推理效率提升约 40%，将单位调用成本进一步压缩。

从实际定价来看，在 0-16K 上下文范围内，Hy3 preview 输入价格最低为 1.2 元 / 百万 tokens，命中缓存后可降至 0.4 元，输出价格为 4 元。

在更长上下文（最高 256K）场景下，Hy3 preview 输入价格逐步提升至 2 元 / 百万 tokens，输出价格为 8 元。

这意味着，在长文本、复杂 Agent 任务中，其成本仍处于可控范围。

除了按量计费，腾讯云还推出了面向开发者的 Token 套餐方案，将成本进一步前置与打包。以个人版为例，Lite 套餐月费 28 元，对应约 3500 万 tokens 额度，折合单价约 0.8 元 / 百万 tokens；Standard、Pro、Max 套餐则分别提供 100M、320M、650M tokens，对应单价逐步下降至 0.72 元 / 百万 tokens。

这一梯度设计，对更高频、更长链路的调用场景更加友好，适用于需要持续运行的 Agent 应用。

结语：混元重建后的第一步，把重心放回真实场景

从某种意义上看，Hy3 preview 是腾讯混元在团队、架构与基础设施全面重建之后的一个起点版本。它没有继续沿着 " 更大参数 " 的路径走下去，而是选择以 295B 的规模，注重打磨推理、代码、Agent 等能力。

这一方向也对应姚顺雨提出的 "AI 下半场 " 判断——模型的价值，不在榜单，而在复杂场景中的可用性。从目前的落地情况来看，无论是元宝、WorkBuddy，还是 QQ 助手与 AI 客服，这一版本已经开始在腾讯内部多条业务线上持续 " 跑起来 "，并通过实际反馈反向推动模型迭代。

放在更大的时间线上看，Hy3 preview 或许是腾讯在这一轮大模型竞争中重新找到节奏的信号。

今天，姚顺雨在 DeepSeek V4 前交卷了