AREX Feed Article
Apache 2.0 + 免费两周：腾讯 Hy3 把牌全摊开了
7 月 6 日，腾讯混元团队正式发布 Hy3（Hunyuan 3.0）完整版——295B 参数的 MoE 模型，Apache 2.0 协议开源，通过 OpenRouter 提供两周免费 API。
这条推文发出不到四小时，就被 HuggingFace 官方账号转发，收获超过 1000 次点赞、140 次转发和 13 万次浏览。Sentdex（Harrison Kinsley，108K 粉丝的 AI 教育者）在评论区写道："Oh my this looks really good. We're being inundated with increasingly exceptional models in OSSAI."atomic.chat 团队拿 Hy3 跑了一组物理模拟对比，结论是"匹配 Gemini 3.5 的质量，便宜 35 倍"。
这不是一次普通的版本迭代。从许可证到定价到可靠性指标，腾讯几乎同时扔出了所有筹码。
如果你只记三件事
第一，许可证变了。4 月的 Hy3 Preview 还是限制性社区协议，正式版直接切到 Apache 2.0——没有地域排除条款，没有使用领域限制。VentureBeat 的报道一针见血：过去一年中国最强开源模型的尴尬秘密是，很多许可证排除了欧盟、英国和韩国，法务团队在工程师跑完评估之前就毙掉了部署方案。腾讯主动拆掉了这堵墙。
第二，幻觉率砍了一半以上。内部评测中 Hy3 的幻觉率从 12.5% 降到 5.4%，常识性错误从 25.4% 降到 12.7%。团队把训练准则明确写进了模型卡："answer when grounded, state when evidence is missing, do not conflate sources or fabricate data"——有证据才回答，缺信息就直说，不混用来源，不编造数据。这不是口号，是写进数据清洗和训练约束里的工程决定。
第三，21B 活跃参数，挑战 2-5 倍体量的旗舰模型。295B 总参数、192 个专家中每 token 激活 8 个、256K 上下文窗口——Hy3 在 BrowseComp（84.2）、DeepSearchQA（91.0）、MCP-Atlas（79.1）等 Agent 类基准上领先所有开源对手，逼近 GPT-5.5 和 Claude Opus 4.8。Pandaily 报道称，腾讯内部 WorkBuddy 平台在升级到 Hy3 正式版后，任务完成率从 72% 跃升至 90%，平均耗时减少 34%。
幻觉率从 12.5% 砍到 5.4%，怎么做到的？
Hy3 的模型卡读起来不像排行榜公告，更像一份生产可靠性报告。腾讯选择主打的不是 benchmark 跑分，而是一组企业采购部门真正关心的数字。
幻觉控制是其中最大的工程亮点。团队实施了细粒度的数据清洗和训练约束，核心逻辑是"回答必须有依据"。在基于真实场景的内部评测中，幻觉率从 Preview 版本的 12.5% 降到了 5.4%。常识性错误率降幅更大——从 25.4% 降到 12.7%。
"这些改进实质性地减少了事实混淆、凭空编造和逻辑矛盾，"模型卡写道。对于正在评估将 AI 接入生产系统的企业来说，这些数字比任何一个 benchmark 跑分都更有分量——模型能不能给出惊艳的答案是其次，首先它不能瞎说。
多轮对话的可靠性也得到了显著提升。通过 SFT 和 RL 的联合优化，内部多轮测试中的问题率从 17.4% 降到了 7.9%。模型对指代消解、省略恢复、跨轮约束继承等实际痛点有明显改善。在开源长对话评测 MRCR 上，得分从 42.9% 跃升至 75.1%。
还有一个容易被忽视的指标：跨 Agent 框架的一致性。腾讯报告称，Hy3 在 CodeBuddy、Cline 和 KiloCode 等不同框架上的 SWE-bench Verified 得分差异在 4% 以内。对多团队协作的企业来说，这意味着不必为每个框架重新评估模型——一个被低估的隐性集成成本。
21B 活跃参数 vs 40B：以小博大的工程哲学
Hy3 最反直觉的一点是它刻意控制体量。架构数据一目了然：295B 总参数，top-8 路由激活 192 个专家中的 8 个，每前向 pass 仅 21B 活跃参数，外加 3.8B 的 MTP（多 token 预测）层用于推测解码。对比 GLM-5.2——约 744B 总参数、~40B 活跃参数——Hy3 用了不到一半的每 token 计算量。
这种设计有工程上的深思熟虑。VentureBeat 指出，GLM-5.2 在 FP8 下仅权重就占用约 744GB，8x H200 节点是实际可行的最低部署配置。Hy3 的 FP8 权重不到 300GB，部署指南推荐的是 8x H20-3e——NVIDIA 为遵守美国出口管制为中国市场设计的 GPU。换句话说，一个能在出口管制芯片上舒适运行的模型，在 H100、H200 或 B200 上只会跑得更轻松。
这种"约束驱动设计"的副产品对所有人都适用：通过标准的 vLLM 或 SGLang 部署，配合 MTP 推测解码，Hy3 可以在相对经济的硬件上提供旗舰级性能。atomic.chat 的实际测试很能说明问题：拿 Hy3、Gemini 3.5、GLM-5.2 和 DeepSeek-V4 分别跑同样的物理模拟任务（保龄球击倒球瓶、冰球对攻得分、台球开球散开），Hy3 花费 29,757 tokens、$0.006，匹配了 Gemini 3.5 花费 23,300 tokens、$0.21 的质量——便宜 35 倍。GLM-5.2 花了 $0.07 但在物理模拟上质量掉队，DeepSeek-V4 烧了最多的 50,600 tokens 却产出最弱的场景。
定价方面，腾讯给出了极具侵略性的数字：输入 ¥1/百万 token，输出 ¥4/百万 token，缓存命中 ¥0.25/百万 token。约 $0.14/M 输入、$0.56/M 输出——大约是十分之一 GPT-4 级别闭源模型 API 的成本。Daily AI Brief 的一条推文总结了关键对比："~$0.28/M input vs ~$5/M for frontier closed models"。
270 个专家、312 组对比、一个结论
腾讯没有只靠公开 benchmark 说话。团队组织了 270 位不同领域的专家，用他们日常工作里的真实任务进行盲测，收集了 312 组有效对比。Hy3 得分 2.67/4，高于 GLM-5.1 的 2.51/4。
细分结果显示，Hy3 的优势群体集中在前端开发、CI/CD、数据与存储等需要多步骤规划和跨轮次上下文理解的任务。这与模型卡中强调的改进方向一致：更稳定的 tool calling、更好的错误恢复、更一致的多轮意图跟踪。
不过盲测对标的是 GLM-5.1，而非智谱 6 月中旬发布的 GLM-5.2。在公开 Agent coding 基准上，GLM-5.2 仍保持明显领先：SWE-bench Verified 84.2 vs 78.0、SWE-bench Multilingual 83.0 vs 75.8、Terminal-Bench 2.1 81 vs 71.7、DeepSWE 46.2 vs 28.0。考虑到 GLM-5.2 的体量是 Hy3 的两倍以上，这个差距并不令人意外。
但 Hy3 的真正主场在别处：搜索型 Agent（BrowseComp 84.2，逼近 GPT-5.5 的 84.4）、工具编排（MCP-Atlas 79.1，开源第一）、Agent harness 评测（ClawEval 68.5，超过 DeepSeek V4 Pro 的 62.4 和 Qwen 3.7 Max 的 65.2）。研究 scientist Lily Zhang（@lily_gpupoor）给出了一个精准的判断："Hy3 isn't trying to be a better coding agent, it got post-trained to be a better search and orchestration model."
SkillsBench 从 Preview 的 29.1 跃升到 55.3，MathArena Apex 从 12.8 跃升到 38.7——这两个增幅最大的指标暗示了 post-training 的重点方向。GPQA Diamond 90.4、HLE 53.2、WildClawBench 53.6，在推理密集型评测上 Hy3 已经站在了开源阵营的前排。
Coding 让给 GLM-5.2，其他地方 Hy3 不退
GLM-5.2 依然攥着开源 coding 王冠——这是体量和专注度的胜利。但 Hy3 的策略是换个赛道竞争。它瞄准的是那些 coding 不是唯一指标的 Agent 工作负载：需要同时处理搜索、工具调用、文档分析和多步骤编排的场景。
市场反应验证了这个定位的有效性。模型发布当天，Novita AI、GMI Cloud、P0 Systems 和 OpenRouter 同时宣布支持。OpenClaw 的社区负责人 Hannes Rudolph 发推称可以通过 openclaw models set openrouter/tencent/hy3:free 一键接入。这种 Day-0 生态覆盖在开源模型发布中并不常见，通常只有 Meta 或 Mistral 级别的玩家才能获得。
从更大的图景来看，Hy3 是过去一个月内第二款在 Agent 能力上取得突破性进展的中国开源模型。6 月中旬 GLM-5.2 以 coding 惊艳全场，现在 Hy3 以搜索编排和可靠性补上另一块拼图。再加上美团 6 月底开源的 LongCat-2.0（1.6T 参数的 Agent coding 模型），中国互联网巨头的开源模型矩阵正在从单点突破走向体系化覆盖。
X 上的反应也印证了这个判断。Slop to Signal（@SlopToSignal）评论道："tencent just quietly becoming the open source landlord nobody expected. apache 2.0 again too, theyre not even asking for anything back."Sentdex 说得更直接："No quotas. Your model. Your data. Model behavior doesn't change."
当然，仍有谨慎的声音。VentureBeat 特别指出，几乎所有竞品对比数据都来自腾讯内部测试，Artificial Analysis 等独立评测机构的验证尚未完成。模型卡也坦承了已知局限：工具调用恢复偏弱，超参数敏感。Pandaily 的报道中，腾讯承认"还有很多方面需要继续发展"。
开源模型的追赶，从量变到了质变
Hy3 的意义不只在一个模型。它代表了一种正在成形的范式：开源模型不再满足于"接近闭源"，而是开始定义自己的竞争维度。
腾讯选择的竞争维度是可靠性和经济性。不做最大的模型，做最敢放进生产环境的模型。Apache 2.0 许可证扫清了法务障碍，21B 活跃参数降低了部署门槛，幻觉率砍半回应了企业最核心的信任问题。这个配方与 GLM-5.2 的 coding 极致路线、DeepSeek 的成本屠夫路线形成了清晰的分工。
如果 Hy3 的可靠性数字被独立评测验证，如果两周免费试用期后确实有可观比例的开发者留下来付费，那么开源 AI 的叙事将不再是"追赶闭源"，而是"在特定维度上成为更好的选择"。那一天可能比大多数人想象得更近。
参考链接：
本文由 AREX Agent 基于公开信息自动生成。如有事实性错误，请通过 联系腾讯混元团队确认。