“高性价比模型，上下文理解能力最强。”
作者丨Rhea
编辑丨马晓宁 李娜
过去一年，主流大模型把传统榜单基本刷穿了。前沿模型纷纷逼近满分，分数的高低越来越难以说明实际能力的差距。一个模型和 Agent 到底能不能解决真正的用户需求和问题变成了大家最关心的事。
腾讯大语言模型负责人姚顺雨的选择，正是对这一趋势的回应。
据媒体报道，此前腾讯的大模型团队曾过度追求榜单成绩，甚至出现训练集污染，导致模型在真实场景中表现不佳。姚顺雨加入后，团队主动放弃了传统的榜单评测标准，进行了系统性的数据清洗。他所追求的，是大模型的性价比——“按照他的设想，混元不需要在所有能力上正面击败 Claude Opus 这样的前沿模型。如果一个模型能以 Opus 1% 的价格，在 90% 的日常问题上做到与它一样好，甚至超过它，对大多数用户来说这就是一个更优的模型。”
Hy3 （Hunyuan 3）是腾讯混元重建之后推出的新一代旗舰语言模型，也是姚顺雨入职腾讯后交出的第一份答卷，于2026 年 7 月 6 日正式开源。Hy3 对外主推的正是「跨框架方差小于 4%」「幻觉率减半」「tool-call 稳定」这类真实任务中的可靠性指标，而不是某个榜单的第一。
我们这次为 Hy3 准备了一套完整的测评，在主场和客场两个环境里各测了一遍 Hy3 的表现：
主场：Hy3 自家的 WorkBuddy ——被腾讯自家产品和脚手架反复调校过的环境。
客场：以开源框架 OpenHands 作固定执行环境、经 OpenRouter 接入裸模型，Hy3、GLM-5.2、DeepSeek-V4-Pro 三个模型接同一道题、同一套环境，产物交给同一个 Claude Opus 4.8 盲评。
两处跑的都是同一组任务，覆盖官方标定的四项核心能力——长程执行、规划、上下文理解、工具使用。
最后回答一个产品问题：这是一个什么样的模型，它强在哪、边界在哪、到底适合谁？
01
Hy3 的定位和亮点
腾讯在大模型领域的布局统一收拢在“混元”品牌下，覆盖语言、图像、视频、3D 等多个模态。Hy3 是其中最新一代的语言模型，与混元的其他模型产品分属不同赛道。
在开始正式测试之前，我们先看看 Hy3 的定义以及各项基础参数。
Hy3 在参数上的特色是：295B 的总参数里，单次推理只激活 21B，靠 MoE （Mixture of Experts，混合专家架构）架构加大规模后训练，实现小激活等省钱又够用的目标。作为对照，同赛道的 GLM-5.2 是 744B 总参、40B 激活。Hy3 的激活量约为它的一半，这样确实更省算力、更省钱。
在科学推理这类任务上，它的官方分数也确实高：GPQA Diamond 91.9，FrontierScience-Olympiad 一项据官方口径超过 GPT-5.5。(见下图)
官方宣传里的快慢思考融合在实现层面是由一个reasoning_effort的参数控制，分为三档（不思考/低/高），由同一个模型切换。可靠性方面，官方称 Hy3 的幻觉率从 12.5% 降到 5.4%，同一模型在 CodeBuddy、Cline、KiloCode 等不同 Agent 框架下的 SWE-Bench 成绩方差控制在 4% 以内。说明这是一个更稳定，更具有工程落地性价值的模型。
除此之外，Hy3 在开源协议上采用 Apache 2.0，全球范围免费商用，是最宽松的一种开源协议；定价为输入 1 元、输出 4 元、命中缓存 0.25 元每百万 token。
02
测评前的必要说明
据官方披露，在接入 Hy3 后，腾讯的 AI 编程助手 WorkBuddy 的任务成功率从 72% 升到 90%，ima（智能工作台） 的 Agent系统稳定性达到 95.1%，面向企业的数据分析 Agent Marvis 任务完成率则为 93.7%。
这是姚顺雨「模型与产品共同设计」思路的自然结果，所谓共同设计，指的是模型和产品从一开始就绑定在一起开发：模型可以第一时间拿到真实场景和用户反馈，清楚自己该往哪个方向改进；产品也能同步向模型输出需求，避免训练优化与业务落地脱节。
Hy3 从训练阶段就和这些产品一起打磨，官方也刻意放弃了此前追逐的公开榜单，改用真实业务场景自建评测。这组数字代表的是 Hy3 在自家场景里、被自家产品反复调校之后的最好状态，好马本来就该配好鞍，在 WorkBuddy 这样的主场表现自然会好看一些。
而且还有个有意思的彩蛋：官方 Benchmark 跑分表对标的是最新的 GLM-5.2、DeepSeek-V4-Pro、GPT-5.5，而 270 位专家的真人盲评只对标了上一代的 GLM-5.1；官方表里 DeepSeek-V4-Pro 的 GPQA 标为 83.4，第三方独立测的分数则 90.1 左右。这些对比口径都不约而同地朝对自己有利的方向偏了一点点，而这这也解释了为什么我们在后续测评中更相信开放环境下的客场盲评。
Hy3 的能力分布上也有明确的边界，基础代码修复（SWE-bench Verified） 78 分是不错的成绩，但深度 Agentic 任务( Deep-SWE 只有 28、Apex Agents 25.6) 的的得分上则稍逊一筹。
03
正式测评
我们这次测评以开源框架 OpenHands 作中立执行环境，经过 OpenRouter 接入三个模型的裸版本，同一道题、同一套环境跑；产物交给同一个 Claude Opus 4.8 盲评，裁判员看不到作品是谁的，按每道题预设的评分表逐条打 0 到 1 分，再加权成一个质量分，同一道题多跑几次取均分。环境失败的问题比如超时、限流不算进质量分。
三道题覆盖官方标定的四项核心能力：单文件 3D 跑酷对应长程执行，多约束项目规划对应规划（兼考指令遵循），财报深研一道题测试上下文理解和工具使用两项能力。（详见下图）
测试一：3D 跑酷游戏，长程执行能力如何？
用 Three.js 写一个单文件 3D 无尽跑酷游戏，不依赖任何外部资源。测试的是长时运行下的工程一致性——对象池复用、难度递增、失败重开等。
先来看几个模型的答卷：
模型1
模型2
模型3
三个模型均成功生成了可运行的游戏代码。从量化指标看，裁判依据代码、静态截图和执行日志打分，DeepSeek-V4-Pro 约 0.91（满分 1 分），Hy3 约 0.88，GLM-5.2 约 0.66。DeepSeek 与 Hy3 分数接近，GLM 明显低一档。GLM 的产物完整读进去后，藏在代码后半段的运行问题被暴露出来，分数随之下滑。
此外，我们在测评中发现，通过 OpenRouter 接入的 Hy3 非常不稳定，若用于生产环境，推荐使用腾讯自家的 WorkBuddy 或元宝（元宝是腾讯的 AI 助手产品）。
从主观的体验上来看，裁判分最高的 DeepSeek，实玩体验反而偏弱。它的几个样本，有的角色一按跳跃就无限往上飞出画面，有的生成了金币却没有吃金币的计数逻辑，有的只在开头生成过一次障碍物、之后一路空场。GLM 的样本里，有的进入约三秒就卡死、强制结束，有的地图每过一小段就白屏重刷、金币吃了不计数。Hy3 这边也有翻车的，比如死亡后无法重开、整条游戏链路不完整。
但玩下来，完成度最高的一个来自 Hy3——金币有计数、距离越远分数越高、速度随时长动态提升、跳跃与障碍生成、道路循环都完整。GLM 最好的那个样本与它接近，只在排版和配色上略逊一档。
这也足以说明Hy3 的长程代码生成能力上限较高，但多次运行的一致性仍有波动，尚未完全稳定。
测试二：多约束规划，指令遵循与冲突识别能力测试
第二道题是泛办公场景中最容易出现的规划：为一个四人团队、八周上线一套开源组件库的项目做落地方案。难点在有很多不得不遵循的约束，题目钉死了六条硬性格式要求：六个固定标题、里程碑必须用四列表格、预算各项相加必须精确等于三万、全文不超过一千二百字、不许出现任何代码块，还埋了一个资源冲突等模型自己发现。裁判按规划质量、关键路径、指令遵循、约束冲突识别四项打分。
结果三家模型的得分接近：GLM-5.2 0.936、DeepSeek 0.919、Hy3 0.893，方差都极低。这道题六条摆在眼前的格式约束三家几乎全遵守了，指令遵循这一项都在 0.95 以上，拉开三家差距的是隐藏的约束冲突识别，这题的人力配置本身偏紧，DeepSeek 每次都点破并给取舍，Hy3 有一次没点透、收尾仓促，分数被拉低。
测试三：财报深研，上下文理解与工具使用能力
第三道题给模型一批光通信公司 Coherent 的真实材料。年报、财报电话会记录、投资者演示，要它通读后做交叉综合，写一份面向专业投资者的深度分析，并联网补上材料里没有的最新股价、业绩和卖方观点。这一道题有两项能力：读懂大量材料是上下文理解，读文件加联网查证是工具使用。裁判按上下文理解、工具使用、分析深度、结构专业度四项来打分。
这是 Hy3 全场最亮的地方：上下文理解 0.933、工具使用 0.807，两项都排第一，财报总分也第一（0.903，GLM 0.891 紧随）。在读懂一大堆材料再综合这件事上，Hy3 稳定占优。三家的共同短板也在这题露出来：工具使用一项都只有 0.78 到 0.81，联网补数据、把引用做得可追溯，大家都发挥差不多。
综上，在本次测试中，Hy3 在上下文理解与工具使用两项上表现最出色，DeepSeek 领跑长程代码生成，GLM 则在规划能力上占优。整体来看，Hy3 没有明显的单项短板，综合能力均衡；尤其值得关注的是，它在腾讯自家 WorkBuddy 等 Agent 产品中的落地表现，相较纯粹的裸模型能力有进一步的提升，体现了「模型与产品共同设计」策略带来的工程化优势。
Hy3 在 WorkBuddy 主场与 OpenHands 客场的得分对比。三项主场得分均略高于客场，但规划和财报两项基本持平，说明 Hy3 的上下文理解与规划能力相对稳定，受底层 Agent 框架变化的影响较小。
04
Hy3 的受众和场景
回到文章最开头我们抛出的疑问：这是一个什么样的模型，它强在哪、边界在哪、到底适合谁?
Hy3 是一个没有明显短板的经济型模型，没有任何单项冠军，但是综合能力表现不俗。叠加输入 1 元、输出 4 元（每百万 token）的极低定价，以及 Apache 2.0 的全球免费商用协议，这是一款入手门槛极低的模型。
从本次的测试结果来看，Hy3 真正优秀的能力在上下文理解。在财报深研题目中的得分 0.933 是全场第一、绝对值也高、主客场一致。读懂一大堆材料再综合是它稳定占优的地方，在泛办公领域叠加 WorkBuddy 出色的 Agent 框架将给用户带来惊喜的办公体验提升。
不过，Hy3 的能力边界也同样清晰。首先，它没有任何一项能力达到顶尖水准。其次，自主联网查证和工具使用的绝对水平仍属中等（测试中工具使用得分 0.807，虽然全场第一，但绝对值不算高）。最后，在深度、长程的自主 Agent 任务上，它的表现不够稳定——Deep-SWE 仅 28 分，Apex Agents 仅 25.6 分，尽管这两个基准本身难度就高，但 Hy3 在这些维度上并不占优。
所以，如果你从事的是需要处理大量上下文、且对成本敏感的工作——比如做文档或长材料理解类应用的团队，又或者是需要一款开源可自部署、可商用、不被许可证限制的公司——那 Hy3 会是非常合适的选择。
最后需要坦诚说明本次测评的边界：我们只覆盖了 4 项能力、3 道偏工程的题目，样本量偏小（DeepSeek 的财报分析因 OpenRouter 波动仅取得 1 个成功样本），因此以上结论只代表一个方向性的判断。至于对话、创意写作、多模态、真实长周期项目等更广泛的维度，还需要在真实的生产力场景中进一步验证。
热门跟贴