腾讯混元3正式上线：不堆参数堆业务

在经历2个多月preview版本的打磨之后，腾讯混元Hy3终于在今天正式上线了。

Hy3是一个MoE架构的模型，总参数295B，激活参数21B，支持256K上下文。其定价延续了“实用普惠”的定位，输入1元/百万tokens，输出4元/百万tokens。简而言之，Hy3不追求参数规模最大，旨在用更小的激活参数去逼近那些市面上参数量大好几倍的旗舰模型的实际表现。

如果只看benchmark，Hy3的进步确实明显。相比四月发布的preview版本，其Agent和代码核心能力提升了20%到30%，幻觉率下降了约44%。在ClawEval pass^3上，Hy3拿到了68.5分，超过了DeepSeek V4 Pro的62.4和Qwen 3.7 Max的65.2。但真正的看点不在这些分数上，而是它怎么被验证的。

Hy3走了一条不太寻常的路，其preview版本在四月上线后，已被腾讯内部五十多条产品线真实调用，覆盖了办公、搜索、游戏、浏览器等多个高频场景，在全球开发者的使用中反复打磨。也就是说在这两个多月里，模型并没有待在实验室里闭门刷榜，而是被扔进真实的业务场景里接受检验。

WorkBuddy上自主选择Hy3 preview的用户数增长了六倍，日均token消耗量增长了四倍。正式版上线后，WorkBuddy办公场景的任务解决率从72%跃升到了90%，平均耗时缩短了34%。ima的Agent任务系统稳定性达到了95.1%，其工具编排能力尤为突出，盲目重试和应止未止等无效操作大幅减少。在Marvis Agent的文件编辑和生成等核心场景中，其任务完成率也高达93.7%。

这组数字背后是一条清晰的研发链路，先进入真实产品被真实用户使用，再从真实问题里找到优化方向，最终把结果带回模型。比如在preview阶段暴露的幻觉问题被细粒度检测和训练约束逐步修复，元宝对话场景的幻觉率较preview版本下降了超过50%。

这种“业务反哺模型”的方式和很多模型公司先发布再找场景的做法是反过来的，但Hy3的发布也留下了一些值得观察的问题。

Hy3在数学推理测评集MathArena Apex上的得分为38.7，和Qwen 3.7 Max的44.5一样远低于GPT 5.5的85.4。这不止是Hy3一家的问题，国产模型整体在纯推理任务上与国际顶尖模型之间还存在一定的结构性差距，这方面的追赶上可能比Agent能力的提升要慢得多。

Hy3以Apache2.0协议开源，全球开发者均可下载和免费商用。和很多国产模型“开源但不免费商用”的做法不同，这是一个商业友好度极高的选择，但它同时也是一个闭源的API产品。开源社区会怎么接受这个“半开半闭”的定位，海外开发者会怎么看待一个来自腾讯的模型，这些都还需要时间来验证。目前Hy3已陆续在OpenRouter、Hermes、Kilo、Cline等多个海外平台上线，同时接入Huggingface和Modelscope，后续海外开发者的接受度将是检验这个策略是否有效的关键指标。

尽管Hy3瞄准的是Agent和工具编排能力，但在代码类测试SWE-bench Pro和NL2repo上，与DeepSeek V4 Pro和Qwen 3.7 Max仍有三到五个点的差距。DeepSeek走的是专注技术上限的路线，混元从研发之初就以适配腾讯业务生态为核心，两条路线并没有高下之分。但Hy3的开源意味着它不仅要和闭源模型同台竞争，还要和同样开源的DeepSeek、Qwen在同一个社区里被正面比较。开源社区的开发者会用脚投票，谁的工具更好用、谁的中文能力更强、谁的生态更完善等会直接影响模型的采用率。

Hy3的发布更像是腾讯在验证一种“做AI”的方式，它既不追求参数最大，也不追求刷榜第一，而是让模型成为产品、业务和场景飞轮中的关键一环。这套逻辑在preview到正式版的迭代里已经跑通了一个完整循环，但它能不能在更大的尺度上持续成立？能不能在数学推理这类硬骨头上有所突破？能不能得到广大开发者和用户的投票和认可？

在接下来几个月海量用户的真实反馈里，我们将看到答案。