用混元Hy3在WorkBuddy折腾了一整天,国产Agent模型这次真追上来了|agent|hy|workbuddy|推理|混元

7月8日上午10点,我打开WorkBuddy准备干活,发现混元Hy3的算力资源被挤爆了,下午排队率一度超过50%。官方连夜调度扩容,7月9日上午才公告服务恢复。一个国产大模型上线两天就把服务器挤爆,这种事以前只在GPT新版本发布时见过。

Hy3是腾讯混元7月6日正式发布的新模型,由姚顺雨主导。这个名字可能有人不熟,但如果做过AI Agent开发,一定用过或间接受益于他的研究成果。ReAct框架,首次提出让大模型一边推理一边行动,是几乎所有现代Agent系统的理论基础。思维树、SWE-agent,都是他的手笔。27岁,清华姚班,普林斯顿博士,前OpenAI,现腾讯首席AI科学家。

挤爆服务器的原因不是尝鲜,是真实生产力需求。据官方数据,Hy3在Preview阶段日均Token消耗增长20倍,自主选择Hy3的用户数增长6倍。排队峰值期超过一半请求在等待,用户没有大规模流失。这本身就是一种投票。

Hy3到底是什么来路

几个关键数据先摆出来。

指标

Hy3 Preview(4月)

Hy3 正式版(7月)

变化

Agent任务解决率

72%

90%

+18个百分点

幻觉率

12.5%

5.4%

砍掉一半多

常识错误率

25.4%

12.7%

砍掉一半

BrowseComp

67.1%

84.2%

追平GPT-5.5的84.4

GPQA Diamond

90.4

逼近GPT-5.5的93.6

参数架构

295B/21B MoE

同左

激活参数仅21B

定价

输入1元/百万tokens

Apache 2.0完全开源

295B总参数但只激活21B,这是MoE架构的特点。用21B的实动兵力跑出参数规模2到5倍旗舰模型的水平,尤其适用于Coding和Agent类场景。这个思路和一味堆参数的路线不同,更务实。

实测一:工作汇报PPT,从空白到初稿一分钟

我给WorkBuddy甩了一句:帮我做一份关于2026年中文播客行业发展趋势的汇报PPT,包含市场规模、用户画像、头部平台对比和未来趋势预判。

接到指令后,Hy3的Agent功能自动启动。系统先同步发起多维度行业资料检索,检索完成后自动加载PPT生成技能,选定了适配行业汇报的极光玻璃视觉效果,然后开始写。一分钟出头,对话窗口内一站式完成了资料搜集加代码绘制PPT全流程。

打开一看,封面、目录、正文、总结页都有,配色是统一的冰蓝色调。正文页信息密度合理,页面内容不空,也没有那种一页塞八百字的窒息感。

小瑕疵是有的,比如一些排版间距问题,播放时效果不理想。我追加了一句:把第8页其他重要玩家这部分上移,现在播放时只能看到一半字。这次Hy3没有重新生成整份PPT,而是在原稿基础上改了这页,说明它确实记住了这份文档之前的内容和状态。从空白到一份能改改就交差的初稿,确实比自己从模板开始搭快不少。

实测二:财报分析,HTML报告直接出

PPT这种有结构模板可循的活儿能接住,那更考验真功夫的数据分析呢?我上传了一份苹果公司财报PDF,要求Hy3分析主营业务及关键财务数据,提炼管理层表态重点和分析师关注焦点,输出一份深度分析HTML报告。

这个任务比上一个复杂得多,文档更长、信息更密,还要求从大量文字里做信息提取和归纳。从最后报告看,我需要的内容都覆盖到了,还按板块做了分区呈现,可读性比较强。

Hy3在WorkBuddy办公场景下的任务成功率,从Preview版的72%升到了90%。大到一个超长的网页开发项目,小到各种小游戏、小程序,都有了稳定交付的能力。这个提升幅度,在一个模型迭代周期里是相当可观的。

实测三:Excel备考计划,比我自己列的清单强

我让Hy3做一份详细的3个月雅思7分备考计划,按周拆解,输出Excel表格。本来预期中的表格也就是帮我在空白表格里添上几个字。结果没想到,做出来的表格不仅详细还相当美观。

Sheet 1总览按月把大方向和可能用到的材料列了出来;Sheet 2是详细的周计划,按12周排列,每周有听说读写几个模块的任务分配;Sheet 3是更详细的日计划,有清晰的时间点标注。后面还附赠了进度追踪表和各科分数目标,下载下来可以直接打印贴墙上。

和GPT-5.5比,差距还有多大

说实话,Hy3不是没有短板。最大的短板在数学推理。MathArena Apex测试,Hy3得分38.7,GPT-5.5是85.4,差距巨大。如果主要用途是数学竞赛或者高难度数理推理,Hy3还不够。

但在Agent和工具编排这个方向上,Hy3拿下了68.5分(ClawEval pass3),超过参数规模2到5倍的DeepSeek V4 Pro和Qwen 3.7 Max。BrowseComp直接追平GPT-5.5。考虑到这两个竞品的参数规模是Hy3的2到5倍,这个成绩相当炸裂。

270位专家基于真实工作的模型盲测中,Hy3均分2.67/4,优于GLM5.1的2.51/4,尤其在前端、数据与存储、CI/CD等类别优势显著。幻觉率从12.5%降到5.4%,常识错误率从25.4%降到12.7%。这两个指标对生产场景至关重要,幻觉率砍掉一半多,意味着在真实工作中出错的概率大幅降低。

维度

Hy3

GPT-5.5

评价

Agent能力(ClawEval)

68.5

同尺寸最强

网页搜索(BrowseComp)

84.2

84.4

基本追平

科学问答(GPQA)