搜索追平GPT-5.5，幻觉率减半。

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出任首席AI科学家，双线向刘炽平和卢汇报。

姚顺到任后第件事，就是推翻旧有训练框架，个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”三原则。

重建后的个产物，便是423上线的Hy3 preview。这个模型从启动训练到发布仅三个。

但Hy3 preview毕竟只是个预览版，各能只能说尚可，没做到国内 SOTA 的程度。

但这次的 Hy3 正式版不样，它是真棱起来了。

Hy3正式版升级了哪些

Hy3正式版沿了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参数于MTP（Multi-token Prediction）层。模型共80层（不含MTP层），采GQA分组注意机制，64个注意头中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。上下窗256K，词汇表120832，精度BF16。

也就是说，有效参数量约为GLM 5.2的半。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的变动。

那正式版到底改了什么？

官的说法，是“进步提升了后训练数据的质量和多样性，扩了RL算规模”。

翻译成话，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这次在官博客和HuggingFace上放出了相当详细的得分表，覆盖代码、搜索、作智能体、STEM、推理和上下学习六向，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。

以下数字均来混元官发布的附录表格。

先看代码智能体向。Hy3正式版在SWE-Bench Verified上拿到78.0分，SWE-Bench Pro 57.9分，SWE-Bench Multilingual 75.8分，Terminal-Bench 2.1 71.7分，DeepSWE 28.0分。

作为对，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和开源模型相不相上下，但和顶级闭源模型之间还有些差别。

搜索智能体向是Hy3表现最强的地。BrowseComp 84.2分，在所有对模型中排第，甚追平了GPT-5.5。WideSearch 76.4分，DeepSearchQA 91.0分。

作智能体向，Hy3在MCP Atlas（公开版）拿到79.1分，ClawEval（pass）68.5分，Toolathlon 48.5分，WildClawBench（35轮，纯本）53.6分。

混元还跑了内部评测集Hy-FinModelBench（融建模），拿到69.0分，基本和GLM-5.2持平。

STEM和推理向，Hy3在GPQA Diamond上拿到90.4分（GPT-5.5为93.6）, HLE（带具，纯本）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带具的53.2分低于 GLM-5.2（54.7）但于DeepSeek V4 Pro（48.2）。

上下学习向我得多说两句，跑的是CL-bench和CL-bench Life这两个腾讯建的评测集以及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，是这个评测向本的特性。

CL-bench是姚顺加腾讯后署名发表的第篇论（2026年2发布，arXiv 2602.03587，腾讯混元与复旦学联合研究），专来测试语模型的“上下学习能”，评分越，代表模型越能从上下中学习全新知识并正确应。

同时，这篇论中也提到，当前乎所有SOTA模型在这都很差。论发布时，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，GPT-5.1只能解决不到1%的任务。

也正因为如此，姚顺才把它当作“下半场”要攻克的核心问题之。

别看hy3没拿多少分，要知道，在CL-bench前，哪怕是Claude Opus 4.8，也就才拿了24.8分。Hy3的23.8在国产模型是最的。

评分终归是评分，腾讯也承认，公开榜单并不能完全反映模型的“真实战”。

Hy3正式版发布前，腾讯做了个特别的测试，在内部组织了270位来不同学科的专家，基于真实作场景做模型盲测，收集了312份有效对。

结果是Hy3均分2.67/4，优于绝多数模型，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，但由于采的测试式是真实作场景的专家盲测，所以纯跑benchmark更能反映模型在产任务中的实际表现。

相较于Hy3 Preview，正式版的幻觉率从12.5%降至5.4%，降幅超过半。常识错误率从25.4%降至12.7%。多轮问题率从17.4%7.9%。对话理解基准MRCR从42.9%升至75.1%。具调的错误恢复能和效率幅提升，触发限循环的效调减少了。跨脚架泛化性也得到增强。

这意味着不管你哪个编程具框架来调Hy3，效果差异不会太，并且效果要Hy3 Preview更好。

定价，Hy3延续了preview的性价路线：API输1元/百万tokens，输出4元/百万tokens，输命中缓存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。海外平台，OpenRouter、Cline、OpenClaw、OpenCode、CherryStudio等也将陆续接。

preview上线两周后，token调量达到上代Hy2的10倍，在OpenRouter上以3.66万亿token的周调量拿到总榜和市场占有率“双第”。到了正式版发布时，均token消耗量已经增加了20倍。

尤其是代码和Agent类场景的调量增最为明显，在WorkBuddy/CodeBuddy以及QClaw类应中增超过16.5倍。

落到产品如何

模型跑 分再，最终都要落到产品才算数。

Hy3正式版发布时已经接了WorkBuddy/CodeBuddy、元宝、ima、Marvis、QQ浏览器、腾讯新闻、WeGame、腾讯乐享、搜狗输法、微信公众号、微信读书、腾讯地图、腾讯档等核业务，另外还有近50个业务在排队接。

WorkBuddy是国内前最受关注的AI办公智能体之，也是Hy3能验证的主战场。

从数据来看，Hy3在WorkBuddy上的表现确实有质的提升。相preview版本，任务解决率从72%跃90%，平均耗时缩短34%。token效率，频办公任务中Hy3的token消耗显著低于GLM5.2，如档处理节省了47.4%，PPT制作节省了49.0%。

并且Hy3 preview发布以来，WorkBuddy上主选择Hy3的户数增长了6倍。

具体到实际办公场景，Hy3能做的事情要preview版本更复杂了。

根据官给出的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联动公式汇总成张5000多个单元格的表；设计核聚变能源引擎的概念宣传；通过摄像头势交互控制图粒融解重组；通过多轮交互制作个落游戏。

元宝是另个重要的落地场景。

接Hy3后，元宝也同步上线了Agent功能。户在常对话中输需求，元宝即可直接执复杂任务并交付PPT、Word、Excel、PDF、HTML等件。

腾讯的内部评估显示，Hy3在综合办公与活服务两场景上已超过了GLM-5.1，档成综合分提升7%，制作与动化脚本提升6%。

ima的知识库问答和Agent场景也接了Hy3。Agent任务中系统稳定性达95.1%，具编排能突出，盲重试、应未等效操作幅减少。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游戏助的多轮推理与具调度综合成功率提升92%，幻觉率从4.5%降2.8%。

值得提的是Hy3在微信程序开发的能。

在Hy3 preview发布时，混元就展示过这么个案例，户给模型个复杂的Prompt，要求微信程序原框架开发个完整的徒步路线与旅游计划推荐程序，包含图轮播和分类导航、路线详情程时间轴和图库、个中收藏功能，并且要求UI清新然、代码逻辑闭环、可直接导微信开发者具运。

模型次性输出了包括app.json全局配置在内的所有件。到了Hy3，这个能得到了进步增强。

如我让Hy3给我做个快递程序，它就连前端带后端，外加API、数据结构、项案并输出。

这其实有个有趣的事情，微信前不久推出的原AI助“微”，也具备通过然语成程序的能。

如下图，我让微给我成个字AI专的章记录助。

但微背后的模型并不是Hy3，是微信研的WeLM和DeepSeek-v4。常交互由WeLM主导，复杂推理则调DeepSeek。

515，微信程序“成计划”完成了模型升级，全采Hy3 preview模型。

68，微信发布了《关于开发者接微信AI态的指引》，正式向程序开发者开放AI态接能。美团、滴滴、京东、途养、携程等头部平台已经宣布与腾讯在AI Agent领域达成合作。

或许在程序开发这块，开发者Hy3，普通百姓Welm+DeepSeek，才是腾讯想要的完美答案。

《夸克》非常好用的免费AI浏览器

下载APP查看