腾讯混元Hy3正式上线，坚持实用主义路线，Agent任务解决率跃升至 90%

文｜晓静

编辑｜徐青阳

7月6日，腾讯混元Hy3正式版发布。Hy3是一个快慢思考融合的模型，采用MoE架构，总参数295B、激活参数21B，支持256K上下文长度。

Hy3延续了实用、普惠的模型定位，定价为输入 1元/百万tokens，输出 4元/百万tokens，输入命中缓存价格仅0.25元/百万tokens。

开源方面，Hy3采用商业友好度最高的Apache2.0开源协议，开放度和自由度都更高，全球开发者均可下载和免费商用。为进一步方便全球开发者使用，Hy3将陆续在多个海外平台上线，覆盖OpenRouter、Hermes、Kilo、Cline、OpenClaw、OpenCode、CherryStudio等，且同时“day 0”接入开源模型社区Huggingface、Modelscope 魔搭平台。

这组关键信息圈定了Hy3的竞争坐标，追求实用性，不追求参数规模最大，但实际表现逼近参数量2到5倍的旗舰模型的实际表现，同时在价格上有绝对竞争力。

01 

两个月，从preview到正式上线

于4月23日发布的Hy3 preview为混元重建后第一个版本，preview版本上线后被腾讯内部多条产品线真实调用，被全球开发者使用，在真实任务中反复验证。这两个月的后训练迭代集中在三个方向：进一步提升后训练的算力规模、数据质量和多样性，以及针对preview阶段暴露的幻觉问题做细粒度检测与训练约束。

结果体现在benchmark上。12项横向对比中，Hy3相比preview版进步最大的两项是SkillsBench（从29.1到55.3）和MathArena Apex（从12.8到38.7）。Agent和代码核心能力提升20%-30%，幻觉率下降一半。

在Agent和工具编排类测试中，Hy3建立了明确的差异化优势。

ClawEval pass^3拿到68.5，超过DeepSeek V4 Pro的62.4和Qwen 3.7 Max的65.2；SkillsBench 55.3同样领先这两个对手；BrowseComp 84.2与GPT 5.5的84.4几乎持平。代码类测试中SWE-bench Pro从preview的46.0提升到57.9，NL2repo从35.3到45.6，进步幅度大，但与DeepSeek V4 Pro和Qwen 3.7 Max仍有3-5个点的差距。

数学推理是当前最明显的天花板。MathArena Apex上Hy3得分38.7，GPT 5.5是85.4。在纯推理任务上，国产模型整体与GPT 5.5之间的结构性差距仍然存在，Qwen 3.7 Max的44.5同样远低于GPT 5.5。这也是国产模型整体需要追赶的方向。

02 

真实业务里的验证

Hy3已接入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，另有多个业务在接入队列中。

WorkBuddy上自主选择Hy3 preview的用户数增长了6倍。Hy3上线后，基于 WorkBuddy 办公场景内部测评显示，相比 Hy3 preview，任务解决率从 72% 跃升至 90%，平均耗时缩短34%，在数据处理、文档处理、研报分析等多类细分任务中都有更好的表现。

ima基于线上知识库问答与 Agent 两大核心场景对 Hy3 进行了评测。在 Agent任务中，Hy3综合表现优异，系统稳定性高达 95.1%，其中工具编排能力尤为突出，盲目重试、应止未止等无效操作大幅减少，让复杂办公任务规划更准、一步到位。知识库问答场景同样显著增强，推理质量净提升近19%，思考更系统、信息覆盖更全面，长文写作与方案生成的结构完整度、可用性明显增强。

在 Agent 任务中，Hy3综合表现优异，系统稳定性高达 95.1%，其中工具编排能力尤为突出，盲目重试、应止未止等无效操作大幅减少，让复杂办公任务规划更准、一步到位。知识库问答场景同样显著增强，推理质量净提升近19%，思考更系统、信息覆盖更全面，长文写作与方案生成的结构完整度、可用性明显增强。

元宝的对话交互场景也为模型提供了极具价值的反馈，例如Hy3 preview在长文和AI搜索场景的幻觉问题。混元通过深度清洗训练数据样本，细粒度的幻觉检测与训练约束，让模型学会在复杂证据下稳定输出。

在内部基于真实业务场景的长文、RAG 评测中，Hy3 正式版的幻觉率较 preview 版本下降约 44%。在基于元宝真实用户日志的线上评测中，Hy3 正式版的常识错误率较 preview 版本大幅下降，深度推理（high）模式下错误率降低 12.3%，极速（no_think）模式下降低 8.5%。

升级到 Hy3 后，元宝 Agent 在覆盖信息查询、数据处理、文档办公、生活决策、网页制作等场景的评测中全面进阶，工具编排更稳，无效重试与空转反复明显减少，复杂任务也能规划得更准、一步到位。

在元宝Agent的Benchmark 评估中，Hy3在综合办公与生活服务两大 Agent 场景上，已超过 GLM 5.1 等大量国产优秀模型，逼近Claude Sonnet 4.6等海外领先模型的能力表现，足以稳定支撑真实业务链路。

03 

“交成品”的实测案例

在Workbuddy中，使用Hy3独立搭建一家油气公司的合并现金流模型——三个地区、六大储量区块、5220格联动总表，涉及价格逐年切换、NGL按差率折算、零产量异常处理、三级小计汇总等真实建模难点。

Hy3全部做对，且达到两个关键标准：零硬编码，每个数字都是能随假设自动重算的活公式，这说明它在自主搭模型而不是抄答案；上千行跨多表的超大模型全程保持逻辑一致，没有出现一处出错连锁污染上千格的情况。

对于金融、咨询等依赖复杂模型的行业来说，这种可靠性直接决定了模型能不能进入真实工作流。

另一个案例，覆盖了从散乱数据到汇报成品的全链路。给Hy3输入101个SKU的销售数据，要求产出Excel建模分析和30页汇报PPT。模型构建了12个表格的完整分析底稿（含热力图、分层分析、原生图表），同时交付30页PPTX——20张图表覆盖条形图、饼状图、热力图、气泡图，每页还带有观点句，分析逻辑清晰。

最终从几十个信息散落的文件到一份可以直接拿去汇报的成品，由模型自主完成分析、建模、可视化、排版的全流程。

从开发场景来看，代码能力的真实考验并不仅仅是对算法的理解，模型需要在一个项目中同时调度多套技术栈，自主规划架构，端到端产出可运行的完整工程。

让Hy3生成一个摄像头手势交互页面：打开摄像头挥手把一张图吹散成上万个光点，握拳再让它们聚回原图。

在这一个网页里需要同时跑通MediaPipe手势追踪、Three.js上万粒子3D渲染与辉光着色器、AI实时生成源图三套独立技术并精准联动。三套技术的初始化顺序、数据流向、渲染管线都需要模型在架构层面自主规划，任何一环出错整页崩溃。Hy3正式版一次通过，手势真实跟手，粒子叠加辉光仍然流畅。

让Hy3端到端生成一家虚构清洁能源公司的官网首页，首屏是Three.js实时渲染的三维聚变核心，随页面滚动镜头推进拆解，整站七八个区块，涉及GLSL着色器、Bloom辉光后处理、滚动驱动3D镜头。近2000行代码，由模型自主完成规划、生图、写代码、自检的全流程，全程无空白不白屏。产出的页面可以直接达到科技公司Landing Page的商用水准。

04 

90%的Agent任务可以用Hy3执行

腾讯与海量产品Co-design测试的结论是：主要场景中至少90%的Agent任务可以使用Hy3成功执行。覆盖范围包括数据处理、文档生成、研报分析、信息查询、网页制作、生活决策等办公与生活自动化场景。

这个数字的含义是，对于绝大多数企业和个人用户的日常Agent需求，Hy3已经够用了。它是一个追求实用性的模型，“能干好90%的活儿，同时成本比旗舰模型低一个量级”。对于真正想把AI接入业务流程的团队来说，能干活和成本低可能是优先级最高的两个选项。

preview版到正式上线的路径也值得关注，先进入真实产品，被真实用户使用，从真实问题里找到优化方向，再把结果带回产品。这条“业务反哺模型”的研发链路，也在两个月内完成了一个完整循环。