文 | 字母 AI
千呼万唤始出来，姚顺雨加入腾讯后，第一个重量级产品 Hy3 正式版，今天公布了。
为了这个产品，腾讯可以说是准备了大半年。
2025 年 12 月，腾讯对企业内部的大模型研发架构动了大手术，新设 AI Infra 部、AI Data 部和数据计算平台部，同时请来清华姚班出身的姚顺雨出任首席 AI 科学家，双线向刘炽平和卢山汇报。
姚顺雨到任后第一件事，就是推翻旧有训练框架，一个月内重建整套预训练和强化学习基础设施，定下 " 不偏科、不刷榜、不烧钱 " 三大原则。
重建后的首个产物，便是 4 月 23 日上线的 Hy3 preview。这个模型从启动训练到发布仅三个月。
但 Hy3 preview 毕竟只是个预览版，各方面能力只能说尚可，没做到国内 SOTA 的程度。
但这次的 Hy3 正式版不一样，它是真支棱起来了。
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 295B，每次推理激活 21B 参数，另外有 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 8 个为 KV 头，隐藏层维度 4096，中间层维度 13312。专家系统配置为 192 个专家、每次激活 top-8。上下文窗口 256K，词汇表 120832，精度 BF16。
也就是说，有效参数量约为 GLM 5.2 的一半。其实 Hy3 的整套架构设计早在 preview 阶段已经定型，正式版没有做结构层面的变动。
那正式版到底改了什么？
官方的说法，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 "。
翻译成大白话，架构没动，但喂给它的训练数据更好了、更多样了，也给强化学习更多的计算资源。
从 benchmark 数据来看，Hy3 这次在官方博客和 HuggingFace 上放出了相当详细的得分表，覆盖代码、搜索、工作智能体、STEM、推理和上下文学习六大方向，并和 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 等主流模型做了横向对比。
以下数字均来自混元官方发布的附录表格。
作为对比，GPT-5.5 在 SWE-Bench Verified 上是 84.4 分、SWE-Bench Pro 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 和开源模型相比不相上下，但和顶级闭源模型之间还有一些差别。
搜索智能体方向是 Hy3 表现最强的地方。BrowseComp 84.2 分，在所有对比模型中排第一，甚至追平了 GPT-5.5。WideSearch 76.4 分，DeepSearchQA 91.0 分。
工作智能体方向，Hy3 在 MCP Atlas（公开版）拿到 79.1 分，ClawEval（pass ）68.5 分，Toolathlon 48.5 分，WildClawBench（35 轮，纯文本）53.6 分。
混元还跑了内部评测集 Hy-FinModelBench（金融建模），拿到 69.0 分，基本和 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）53.2 分（GLM-5.2 为 54.7, DeepSeek V4 Pro 为 48.2）, USAMO 2026 72.0 分，IMOAnswerBench 90.0 分，MathArena Apex 38.7 分，SuperChem 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）。
上下文学习方向我得多说两句，跑的是 CL-bench 和 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 17.0 分，AA-LCR 73.4 分。
这三个数字看着很低，但这不是 Hy3 的问题，而是这个评测方向本身的特性。
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），专门用来测试语言模型的 " 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，这篇论文中也提到，当前几乎所有 SOTA 模型在这方面都很差。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。
也正因为如此，姚顺雨才把它当作 " 下半场 " 要攻克的核心问题之一。
别看 hy3 没拿多少分，要知道，在 CL-bench 面前，哪怕是 Claude Opus 4.8，也就才拿了 24.8 分。Hy3 的 23.8 在国产模型里是最高的。
评分终归是评分，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，腾讯做了一个特别的测试，在内部组织了 270 位来自不同学科的专家，基于真实工作场景做模型盲测，收集了 312 份有效对比。
结果是 Hy3 均分 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。这个测试的样本量不算大，但由于采用的测试方式是真实工作场景的专家盲测，所以比纯跑 benchmark 更能反映模型在生产力任务中的实际表现。
相较于 Hy3 Preview，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减少了。跨脚手架泛化性也得到增强。
这意味着不管你用哪个编程工具框架来调用 Hy3，效果差异不会太大，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 1 元 / 百万 tokens，输出 4 元 / 百万 tokens，输入命中缓存 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 的周调用量拿到总榜和市场占有率 " 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明显，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，最终都要落到产品里才算数。
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 是国内目前最受关注的 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 上的表现确实有质的提升。相比 preview 版本，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，比如文档处理方面节省了 47.4%，PPT 制作节省了 49.0%。
并且自 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 能做的事情要比 preview 版本更复杂了。
根据官方给出的 showcase，Hy3 能从 101 个 SKU 销售数据中产出 Excel 建模分析以及 30 页汇报 PPT；把公司三个地区的数据用联动公式汇总成一张 5000 多个单元格的表；设计核聚变能源引擎的概念宣传网页；通过摄像头用手势交互控制图片粒子融解重组；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，元宝也同步上线了 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超过了 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 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 93.7%，6 个 Agent 协作下任务派发正确率达 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%。
值得一提的是 Hy3 在微信小程序开发方面的能力。
在 Hy3 preview 发布时，混元就展示过这么一个案例，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，这个能力得到了进一步增强。
比如我让 Hy3 给我做个快递小程序，它就连前端带后端，外加 API、数据结构、项目方案一并输出。
比如下图，我让小微给我生成一个字母 AI 专用的文章记录助手。
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、携程等头部平台已经宣布与腾讯在 AI Agent 领域达成合作。
或许在小程序开发这块，开发者用 Hy3，普通老百姓用 Welm+DeepSeek，才是腾讯想要的完美答案。
