混元3正式版拿了高分，腾讯全家桶可以放心用了

2026-07-18 05:59:44 [焦点] 来源：德瑞斯资讯网

历经数月打磨，混元腾讯首席AI科学家姚顺雨加盟后的正式首款重磅产品——混元3（Hy3）正式版，今日正式揭晓。版拿

为打造这一核心产品，高分腾讯投入了长达半年的腾讯桶资源筹备。2025年12月，放心腾讯对内部大模型研发架构进行重大重组，混元新设AI Infra部、正式AI Data部及数据计算平台部，版拿并聘请清华“姚班”出身的高分姚顺雨担任首席AI科学家，直接向刘炽平和卢山汇报。腾讯桶

姚顺雨上任后迅速行动，放心一个月内重构预训练与强化学习基础设施，混元确立“不偏科、正式不刷榜、版拿不烧钱”三大研发原则。

在此架构下，Hy3 Preview版于4月23日上线，从训练启动到发布仅耗时三个月。尽管Preview版能力尚可，但未达国内SOTA水平。而此次发布的Hy3正式版，则在各项指标上实现了显著跃升。

01 Hy3正式版核心升级解析

Hy3正式版沿用了Preview版的底层架构，总参数量达295B，推理激活参数21B，另有3.8B参数用于MTP（多令牌预测）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。上下文窗口支持256K，词汇表大小120832，精度为BF16。

这意味着其有效参数量约为GLM 5.2的一半。正式版在架构层面未做变动，核心升级在于后训练数据的质量与多样性提升，以及强化学习（RL）算力规模的扩大。

官方在博客及HuggingFace发布了详尽的Benchmark数据，涵盖代码、搜索、工作智能体、STEM、推理和上下文学习六大维度，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等主流模型进行横向对比。

以下数据源自混元官方附录：

1. 代码智能体领域

Hy3正式版在SWE-Bench Verified上取得78.0分，SWE-Bench Pro为57.9分，SWE-Bench Multilingual为75.8分，Terminal-Bench 2.1为71.7分，DeepSWE为28.0分。

作为对比，GPT-5.5在SWE-Bench Verified上得分为84.4分，SWE-Bench Pro为58.6分；GLM-5.2在SWE-Bench Pro上为62.1分；DeepSeek V4 Pro为55.4分。

Hy3在开源模型中表现强劲，与顶级闭源模型差距正在缩小。

2. 搜索智能体领域

这是Hy3的强势领域。在BrowseComp测试中，Hy3以84.2分位居榜首，追平GPT-5.5；WideSearch得分为76.4分，DeepSearchQA为91.0分。

3. 工作智能体领域

Hy3在MCP Atlas（公开版）中得分79.1，ClawEval（pass³）为68.5，Toolathlon为48.5，WildClawBench（35轮，纯文本）为53.6。

在内部金融建模评测集Hy-FinModelBench中，Hy3得分69.0，与GLM-5.2持平。

4. STEM与推理领域

Hy3在GPQA Diamond上得分90.4（GPT-5.5为93.6），HLE（带工具，纯文本）为53.2（GLM-5.2为54.7，DeepSeek V4 Pro为48.2），USAMO 2026为72.0，IMOAnswerBench为90.0，MathArena Apex为38.7，SuperChem为54.9。

Hy3在GPQA Diamond上的表现已非常接近GPT-5.5，且在HLE带工具测试中优于DeepSeek V4 Pro。

5. 上下文学习（In-Context Learning）

该方向测试采用腾讯自建评测集CL-bench、CL-bench Life及AA-LCR。Hy3得分分别为23.8、17.0和73.4。

看似分数不高，实则反映了该评测方向的极高难度。CL-bench由姚顺雨团队与复旦大学联合研究（2026年2月发布，arXiv 2602.03587），旨在测试模型从上下文中学习新知识的能力。论文指出，当前SOTA模型在此方面普遍表现不佳，例如GPT-5.1 (High) 在CL-bench上的任务解决率仅为23.7%。

在此评测中，Claude Opus 4.8得分为24.8，Hy3的23.8分在国产模型中位列第一。这被视为腾讯下一阶段攻克的核心难题。

6. 真实场景盲测与质量优化

腾讯承认公开榜单无法完全反映真实战斗力。为此，腾讯组织270位跨学科专家，基于真实工作场景进行盲测，收集312份有效对比。结果显示，Hy3均分2.67/4，优于绝大多数模型，优势集中在前端开发、数据存储、CI/CD等领域。

相较于Preview版，正式版关键指标大幅优化：
* 幻觉率：从12.5%降至5.4%（降幅超50%）。
* 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（MRCR）：从42.9%升至75.1%。
* 工具调用：错误恢复能力与效率显著提升，无效循环调用减少，跨脚手架泛化性增强。

7. 定价与生态

Hy3延续高性价比策略：API输入1元/百万tokens，输出4元/百万tokens，缓存命中输入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，支持全球开发者免费商用。

OpenRouter、Cline、OpenClaw、OpenCode、CherryStudio等海外平台已陆续接入。

使用数据爆发：
Preview上线两周后，Token调用量达上一代Hy2的10倍，在OpenRouter以3.66万亿Token周调用量拿下总榜与市占率“双第一”。正式版发布时，日均Token消耗量激增20倍，其中代码与Agent类场景（如WorkBuddy/CodeBuddy、QClaw）增长超过16.5倍。

02 产品落地与生态整合

模型性能最终需通过产品体现。Hy3正式版已接入腾讯核心业务矩阵，包括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，另有近50个业务排队接入。

1. WorkBuddy：AI办公智能体主战场

WorkBuddy是Hy3能力验证的核心场景。相比Preview版，Hy3在WorkBuddy上的任务解决率从72%跃升至90%，平均耗时缩短34%。在高频办公任务中，Hy3的Token消耗显著低于GLM 5.2，文档处理节省47.4%，PPT制作节省49.0%。

自Preview发布以来，WorkBuddy上自主选择Hy3的用户数增长6倍。

实际案例展示：
* 从101个SKU销售数据中生成Excel建模分析及30页汇报PPT。
* 汇总三个地区数据，生成含5000+单元格的联动公式表格。
* 设计核聚变能源引擎概念宣传网页。
* 通过摄像头手势交互控制图片粒子重组。
* 通过多轮交互制作“落日飞车”游戏。

2. 元宝：Agent功能上线

接入Hy3后，元宝同步上线Agent功能，用户可通过自然语言指令直接执行复杂任务，交付PPT、Word、Excel、PDF、HTML等文件。

腾讯内部评估显示，Hy3在综合办公与生活场景中已超越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%。

3. 其他核心应用升级

ima：知识库问答与Agent场景接入Hy3。Agent任务稳定性达95.1%，工具编排能力突出，无效重试大幅减少；知识库问答推理质量提升近19%，幻觉率下降15个百分点。
Marvis：多Agent协作场景任务完成率达93.7%，6个Agent协作下任务派发正确率达92%。
QQ浏览器：编程与代码输出类任务成功率提升37.6%。
微信公众号：AI分身与客服意图识别准确率从98.28%提升至98.94%。
WeGame：《流放之路：降临》（POE2）AI助手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%。