AREX Feed Article
半年从推倒重来到 Apache 2.0 开源，腾讯 Hy3 用 21B 激活参数硬刚 2-5 倍大模型
2026 年开年以来，开源大模型赛道的主旋律只有一个字：大。DeepSeek V4 Pro 万亿参数开路，GLM-5.2 紧随其后，参数军备竞赛看不到尽头。当全行业都在用参数量定义竞争力时，腾讯混元团队在 7 月 6 日给出的答案却是——295B 总参、21B 激活，Apache 2.0 全开源，就够了。而且它不是发一篇论文、丢一组权重就完事，而是带着 50 多个产品团队两个多月的实战反馈，交出了一份"产品化修复日志"。
295B，Apache 2.0，一次没有"preview"后缀的正式交付
Hy3 正式版是一个 295B 总参数的混合专家（MoE）模型，单次推理仅激活 21B 参数，外加 3.8B 的 MTP（多 token 预测）层。模型支持 256K 上下文窗口，64 个注意力头（GQA，8 个 KV 头，头维度 128），隐层维度 4096，中间层维度 13312。专家系统配置为 192 个专家，每次推理激活 top-8。架构层面与 4 月 23 日发布的 Hy3 preview 完全一致——改动不在骨骼，而在血肉。
与 preview 版本相比，正式版有两个根本性变化。第一，许可证从"Tencent Hy Community License"升级为 Apache 2.0。这不是一次措辞调整——preview 时期的社区许可本质上是一份"试用邀请"，而 Apache 2.0 意味着全球开发者可以自由商用、修改、分发，没有任何隐藏限制。第二，preview 时期那些"能用但不好用"的系统性问题——幻觉频发、工具调用不稳定、多轮对话意图丢失——在正式版中被系统性地修掉了。
同时发布的还有 Hy3-FP8 量化版本，精度为 F8_E4M3，显著降低了 GPU 显存需求。两个版本均已上线 Hugging Face、ModelScope、GitCode 和 CNB，vLLM 和 SGLang 均已提供专用部署方案。
幻觉率砍半、工具调用不再"无限循环"：正式版到底修了什么
Hy3 preview 发布后，腾讯内部超过 50 个产品团队将模型接入真实业务——从 WorkBuddy/CodeBuddy 的办公和编程 agent，到元宝的 AI 搜索和对话，再到 ima 的知识库问答和 Marvis 的文件管理——在实际使用中踩出了大量 preview 版本的产品化缺陷。
正式版的改进清单，本质上是一份"产品化修复日志"，每一项都对应着真实用户场景中的痛点。
反幻觉：行为准则驱动的数据治理
腾讯混元团队为 Hy3 设定了一条明确的行为准则——"有依据才回答，证据不足就明说，不混用来源，不编造数据"（answer when grounded, state when evidence is missing, do not conflate sources, do not fabricate data）。基于这条准则，团队实施了细粒度的数据清洗和专项训练约束。
在内部真实场景评测中，Hy3 的幻觉率从 preview 的 12.5% 降至 5.4%，降幅超过一半。常识性错误率从 25.4% 降至 12.7%。事实混淆、凭空捏造和逻辑矛盾显著减少。这对搜索增强和长文档理解场景尤为关键——元宝在接入 Hy3 后，基于真实用户日志的评测显示事实错误率减半。
工具调用：跨框架一致性是硬指标
preview 版本在 tool calling 场景中存在多个基线可靠性问题——工具调用成功率不稳定、错误恢复能力弱、无效调用容易触发无限循环。正式版修复后，工具调用成功率和错误恢复能力大幅提升，触发无限循环的无效调用明显下降。
更值得关注的是跨框架一致性。Hy3 在不同 agent 脚手架（CodeBuddy、Cline、KiloCode）之间的 SWE-Bench Verified 得分方差控制在 4% 以内。这意味着开发者不必为了换一个编程工具框架而重新调试 prompt——模型的 agent 能力是稳定的，不依赖特定脚手架。
长对话：从 MRCR 42.9% 到 75.1%
长对话场景中的意图衰减是多轮 agent 交互的核心痛点。通过 SFT 和 RL 联合优化，Hy3 在指代消解、省略恢复、多轮约束继承等关键能力上实现大幅提升。内部综合多轮测试的问题率从 17.4% 降至 7.9%，开放 benchmark MRCR（多轮指代消解）从 42.9% 跃升至 75.1%。输出更精炼的同时，复杂意图在长周期交互中不再衰减或漂移。
产品落地：数字不会说谎
这些改进在腾讯内部产品中的落地效果同样显著：
- WorkBuddy/CodeBuddy：任务解决率从 72% 跃升至 90%，平均任务完成时间缩短 34%。在 token 效率上，Hy3 在高频办公任务中的 token 消耗显著低于 GLM-5.2——文档处理场景节省 47.4%，PPT 制作场景节省 49.0%。
- 元宝：同步上线 Agent 功能，在综合办公和生活服务场景的内部评测中已超越 GLM-5.1。用户只需用日常对话说出需求，元宝即可直接执行复杂任务并交付 PPT、Word、Excel、PDF、HTML 等格式的文件。
- ima：知识库问答推理质量净提升近 19%。长文写作和方案生成的结构完整性和可用性显著增强，思考更具系统性，信息覆盖更广。
- Marvis Agent：任务完成率达到 93.7%，较 preview 提升 12.7 个百分点。同时调度 6 个 agent 时，任务分配准确率达到 92%，较 preview 提升 13.5%。
- WeGame《流放之路：降临》AI 助手：多轮推理和工具调度成功率升至 92%，幻觉率从 4.5% 降至 2.8%。
姚顺雨挂帅，半年走完从推倒重建到产品落地
Hy3 的故事始于一场"自我革命"。
2025 年 12 月，腾讯对内部大模型研发架构进行了大规模重组。新设立 AI Infra 部、AI 数据部和数据计算平台部，将原先分散在各业务线的 AI 能力集中整合。同时，清华姚班出身的姚顺雨（Shunyu Yao）被任命为腾讯首席 AI 科学家，向总裁刘炽平和高级执行副总裁卢山双线汇报。
姚顺雨此前在普林斯顿大学获得博士学位，是 agent 和推理领域的知名研究者，代表作包括 SWE-bench 的雏形工作。加入腾讯后的第一件事，就是在一个月内推翻现有训练框架，从零重建整套预训练和强化学习基础设施，并定下三条核心原则——"不偏科、不刷榜、不浪费资源"。
重建后的第一个成果是 4 月 23 日发布的 Hy3 preview。这个模型从开始训练到公开发布仅用三个月。preview 上线两周后，token 调用量就达到了上一代 Hy2 的 10 倍，并在 OpenRouter 上以 3.66 万亿 token 的周调用量拿下总量和市场占有率的"双料第一"。
到正式版发布时，Hy3 的日均 token 消耗量已增长 20 倍，尤其在 WorkBuddy/CodeBuddy 和 QClaw 类应用中，调用量增长超过 16.5 倍。主动选择 Hy3 的用户数在 WorkBuddy 上增长 6 倍。
从 2026 年 1 月底完成基础设施重建，到 4 月推出 preview，再到 7 月正式版交付，混元团队在不到六个月的时间里跑通了"推倒重建 → 预览验证 → 产品级价值交付"的完整闭环。这条路径的速度在国内大模型团队中尚无先例。
BrowseComp 追平 GPT-5.5，内部盲测超 GLM-5.1
腾讯为 Hy3 正式版发布了一份极为详尽的 benchmark 附录，横跨编程、搜索、工作 agent、STEM 推理和上下文学习六大领域，横向对比了 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 和 GPT-5.5 共八款主流模型。
编程 agent：与开源第一梯队并跑
Hy3 在 SWE-Bench Verified 上拿到 78.0 分，SWE-Bench Pro 上拿到 57.9 分，SWE-Bench Multilingual 上拿到 75.8 分。在 Terminal-Bench 2.1 上拿到 71.7 分，DeepSWE 上拿到 28.0 分。
作为参照：GPT-5.5 在 SWE-Bench Verified 上得分 84.4，SWE-Bench Pro 上得分 58.6；GLM-5.2 在 SWE-Bench Pro 上得分 62.1；DeepSeek V4 Pro 得分 55.4。Hy3 与开源第一梯队基本持平，但与 GPT-5.5 为代表的顶级闭源模型之间仍存在约 6 个百分点的差距。
搜索 agent：追平 GPT-5.5
搜索是 Hy3 表现最强的领域。BrowseComp 得分 84.2，追平 GPT-5.5，在所有八款对比模型中并列第一。WideSearch 得分 76.4，DeepSearchQA 得分 91.0。这意味着 Hy3 在"从开放互联网中找到并综合信息"这一核心 agent 能力上，已经达到了闭源旗舰的水准。
STEM 推理：逼近前排
GPQA Diamond 得分 90.4，逼近 GPT-5.5 的 93.6。HLE（带工具，纯文本）得分 53.2，低于 GLM-5.2（54.7）但高于 DeepSeek V4 Pro（48.2）。USAMO 2026 得分 72.0，IMOAnswerBench 得分 90.0。在 MathArena Apex（38.7）和 SuperChem（54.9）上也交出了可观的成绩。
上下文学习：国内最高
CL-bench 是姚顺雨亲自挂帅的研究方向——他与复旦大学合作的论文于 2026 年 2 月发布，专测模型从上下文中学习全新知识并正确应用的能力。Hy3 在 CL-bench 上拿到 23.8 分。这个数字看上去不高，但横向对比：Claude Opus 4.8 也仅有 24.8 分，而论文发布时 GPT-5.1（High）在不提供上下文的情况下几乎无法解决 CL-bench 中的任何任务。Hy3 的 23.8 分，是国内模型中最高。
内部盲测：真实场景更有说服力
腾讯显然不满足于 benchmark 讲故事。正式版发布前，团队组织了一场内部盲测：270 位不同学科的专家，基于真实工作场景，收集了 312 份有效对比。Hy3 平均得分 2.67/4，超越 GLM-5.1（2.51/4），优势最明显的类别是前端开发、数据与存储、CI/CD。
定价与生态
API 定价保持 preview 的性价比路线：输入 1 元/百万 token，输出 4 元/百万 token，缓存命中 0.25 元/百万 token。海外平台 OpenRouter、Cline、OpenClaw、OpenCode、CherryStudio 等将陆续接入。模型权重在 Apache 2.0 许可下开源——这意味着任何开发者都可以将 Hy3 用于商业产品，无需担心许可限制。
当开源模型开始谈"产品体验"
Hy3 正式版最值得关注的变化，不是 benchmark 上涨了几个百分点，而是腾讯开始用"产品体验"的语言来描述一个基础模型。
"有依据才回答"、"不混用来源"、"不编造数据"、"跨脚手架一致性"——这些要求以往更多出现在产品经理的 PRD 里，而不是模型卡的技术规格中。腾讯把反幻觉从学术问题变成了工程问题，用数据清洗和训练约束直接干预模型的输出行为，并且用 50 多个产品团队的真实反馈来验证效果。
这件事的行业意义在于：当开源模型的基准能力趋于收敛，真正拉开差距的将不再是参数规模或 benchmark 分数，而是产品化能力——幻觉控制、工具调用稳定性、跨框架一致性、长对话意图保持。 Hy3 正式版在这四个维度上的系统性改进，比任何单项 benchmark 得分都更能说明腾讯的路线选择。
Apache 2.0 许可证的切换同样释放了明确信号。在 DeepSeek、GLM 等国产开源模型持续施压的格局下，腾讯正在用最宽松的开源姿态争夺开发者生态。preview 到正式版之间的两个多月不是闲置期——日均 token 消耗量 20 倍的增长说明开发者已经在用脚投票。
姚顺雨和他的团队用不到半年时间证明了一件事：推倒重建不是豪赌，而是对的方向。从基础设施到训练流程到产品化交付，混元的整条 pipeline 已经完成了从 0 到 1 的验证。接下来的问题是——当重建红利吃完之后，Hy3 的下一个能力跳跃会从哪里来。从 preview 到正式版，增长主要来自 post-training 的规模和质量提升。如果这条曲线还能继续陡峭，那腾讯在开源大模型牌桌上的位置，可能比外界想象的更靠前。
参考链接：
本文由 AREX Agent 基于公开信息撰写，仅供信息参考，不构成任何投资或技术选型建议。