搜索追平GPT-5.5，幻觉率减半。
千呼万唤始出来，姚顺雨加入腾讯后，第一个重量级产品Hy3正式版，今天公布了。
为了这个产品，腾讯可以说是准备了大半年。
2025年12月，腾讯对企业内部的大模型研发架构动了⼤⼿术，新设AI Infra部、AI Data部和数据计算平台部，同时请来清华姚班出身的姚顺⾬出任首席AI科学家，双线向刘炽平和卢⼭汇报。
姚顺⾬到任后第⼀件事，就是推翻旧有训练框架，⼀个⽉内重建整套预训练和强化学习基础设施，定下“不偏科、不刷榜、不烧钱”三⼤原则。
重建后的⾸个产物，便是4⽉23⽇上线的Hy3 preview。这个模型从启动训练到发布仅三个⽉。
但Hy3 preview毕竟只是个预览版，各⽅⾯能⼒只能说尚可，没做到国内 SOTA 的程度。
但这次的 Hy3 正式版不⼀样，它是真⽀棱起来了。
Hy3正式版升级了哪些
Hy3正式版沿⽤了preview的底层架构，总参数量295B，每次推理激活21B参数，另外有3.8B参数⽤于MTP（Multi-token Prediction）层。模型共80层（不含MTP层），采⽤GQA分组注意⼒机制，64个注意⼒头中8个为KV头，隐藏层维度4096，中间层维度13312。专家系统配置为192个专家、每次激活top-8。上下⽂窗⼝256K，词汇表120832，精度BF16。
也就是说，有效参数量约为GLM 5.2的⼀半。其实Hy3的整套架构设计早在preview阶段已经定型，正式版没有做结构层⾯的变动。
那正式版到底改了什么？
官⽅的说法，是“进⼀步提升了后训练数据的质量和多样性，扩⼤了RL算⼒规模”。
翻译成⼤⽩话，架构没动，但喂给它的训练数据更好了、更多样了，也给强化学习更多的计算资源。
从benchmark数据来看，Hy3这次在官⽅博客和HuggingFace上放出了相当详细的得分表，覆盖代码、搜索、⼯作智能体、STEM、推理和上下⽂学习六⼤⽅向，并和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、GPT-5.5等主流模型做了横向对⽐。
以下数字均来⾃混元官⽅发布的附录表格。
先看代码智能体⽅向。Hy3正式版在SWE-Bench Verified上拿到78.0分，SWE-Bench Pro 57.9分，SWE-Bench Multilingual 75.8分，Terminal-Bench 2.1 71.7分，DeepSWE 28.0分。
作为对⽐，GPT-5.5在SWE-Bench Verified上是84.4分、SWE-Bench Pro 58.6分；GLM-5.2在SWE-Bench Pro上是62.1分；DeepSeek V4 Pro 在 SWE-Bench Pro 上是55.4分。
Hy3和开源模型相⽐不相上下，但和顶级闭源模型之间还有⼀些差别。
搜索智能体⽅向是Hy3表现最强的地⽅。BrowseComp 84.2分，在所有对⽐模型中排第⼀，甚⾄追平了GPT-5.5。WideSearch 76.4分，DeepSearchQA 91.0分。
⼯作智能体⽅向，Hy3在MCP Atlas（公开版）拿到79.1分，ClawEval（pass³）68.5分，Toolathlon 48.5分，WildClawBench（35轮，纯⽂本）53.6分。
混元还跑了内部评测集Hy-FinModelBench（⾦融建模），拿到69.0分，基本和GLM-5.2持平。
STEM和推理⽅向，Hy3在GPQA Diamond上拿到90.4分（GPT-5.5为93.6）, HLE（带⼯具，纯⽂本）53.2分（GLM-5.2为54.7, DeepSeek V4 Pro 为48.2）, USAMO 2026 72.0分，IMOAnswerBench 90.0分，MathArena Apex 38.7分，SuperChem 54.9分。GPQA Diamond的90.4分已经相当接近GPT-5.5的93.6分，HLE带⼯具的53.2分低于 GLM-5.2（54.7）但⾼于DeepSeek V4 Pro（48.2）。
上下⽂学习⽅向我得多说两句，跑的是CL-bench和CL-bench Life这两个腾讯⾃建的评测集以及AA-LCR。Hy3在CL-bench上拿到23.8分，CL-bench Life 17.0分，AA-LCR 73.4分。
这三个数字看着很低，但这不是Hy3的问题，⽽是这个评测⽅向本⾝的特性。
CL-bench是姚顺⾬加⼊腾讯后署名发表的第⼀篇论⽂（2026年2⽉发布，arXiv 2602.03587，腾讯混元与复旦⼤学联合研究），专⻔⽤来测试语⾔模型的“上下⽂学习能⼒”，评分越⾼，代表模型越能从上下⽂中学习全新知识并正确应⽤。
同时，这篇论⽂中也提到，当前⼏乎所有SOTA模型在这⽅⾯都很差。论⽂发布时，表现最好的 GPT-5.1 (High) 在 CL-bench 上的任务解决率只有23.7%。如果不提供上下⽂，GPT-5.1只能解决不到1%的任务。
也正因为如此，姚顺⾬才把它当作“下半场”要攻克的核心问题之⼀。
别看hy3没拿多少分，要知道，在CL-bench⾯前，哪怕是Claude Opus 4.8，也就才拿了24.8分。Hy3的23.8在国产模型⾥是最⾼的。
评分终归是评分，腾讯⾃⼰也承认，公开榜单并不能完全反映模型的“真实战⽃⼒”。
Hy3正式版发布前，腾讯做了⼀个特别的测试，在内部组织了270位来⾃不同学科的专家，基于真实⼯作场景做模型盲测，收集了312份有效对⽐。
结果是Hy3均分2.67/4，优于绝⼤多数模型，优势集中在前端开发、数据与存储、CI/CD等类别。这个测试的样本量不算⼤，但由于采⽤的测试⽅式是真实⼯作场景的专家盲测，所以⽐纯跑benchmark更能反映模型在⽣产⼒任务中的实际表现。
相较于Hy3 Preview，正式版的幻觉率从12.5%降至5.4%，降幅超过⼀半。常识错误率从25.4%降至12.7%。多轮问题率从17.4%⾄7.9%。⻓对话理解基准MRCR从42.9%升至75.1%。⼯具调⽤的错误恢复能⼒和效率⼤幅提升，触发⽆限循环的⽆效调⽤减少了。跨脚⼿架泛化性也得到增强。
这意味着不管你⽤哪个编程⼯具框架来调⽤Hy3，效果差异不会太⼤，并且效果要⽐Hy3 Preview更好。
定价⽅⾯，Hy3延续了preview的性价⽐路线：API输⼊1元/百万tokens，输出4元/百万tokens，输⼊命中缓存0.25元/百万tokens。模型权重以Apache 2.0协议在GitHub、HuggingFace、ModelScope、GitCode等平台开源，全球开发者可免费商⽤。海外平台⽅⾯，OpenRouter、Cline、OpenClaw、OpenCode、CherryStudio等也将陆续接⼊。
preview上线两周后，token调⽤量达到上⼀代Hy2的10倍，在OpenRouter上以3.66万亿token的周调⽤量拿到总榜和市场占有率“双第⼀”。到了正式版发布时，⽇均token消耗量已经增加了20倍。
尤其是代码和Agent类场景的调⽤量增⻓最为明显，在WorkBuddy/CodeBuddy以及QClaw类应⽤中增⻓超过16.5倍。
落到产品⾥如何
模型跑 分再⾼，最终都要落到产品⾥才算数。
Hy3正式版发布时已经接⼊了WorkBuddy/CodeBuddy、元宝、ima、Marvis、QQ浏览器、腾讯新闻、WeGame、腾讯乐享、搜狗输⼊法、微信公众号、微信读书、腾讯地图、腾讯⽂档等核⼼业务，另外还有近50个业务在排队接⼊。
WorkBuddy是国内⽬前最受关注的AI办公智能体之⼀，也是Hy3能⼒验证的主战场。
从数据来看，Hy3在WorkBuddy上的表现确实有质的提升。相⽐preview版本，任务解决率从72%跃⾄90%，平均耗时缩短34%。token效率⽅⾯，⾼频办公任务中Hy3的token消耗显著低于GLM5.2，⽐如⽂档处理⽅⾯节省了47.4%，PPT制作节省了49.0%。
并且⾃Hy3 preview发布以来，WorkBuddy上⾃主选择Hy3的⽤户数增长了6倍。
具体到实际办公场景，Hy3能做的事情要⽐preview版本更复杂了。
根据官⽅给出的showcase，Hy3能从101个SKU销售数据中产出Excel建模分析以及30页汇报PPT；把公司三个地区的数据⽤联动公式汇总成⼀张5000多个单元格的表；设计核聚变能源引擎的概念宣传⽹⻚；通过摄像头⽤⼿势交互控制图⽚粒⼦融解重组；通过多轮交互制作⼀个落⽇⻜⻋游戏。
元宝是另⼀个重要的落地场景。
接⼊Hy3后，元宝也同步上线了Agent功能。⽤户在⽇常对话中输⼊需求，元宝即可直接执⾏复杂任务并交付PPT、Word、Excel、PDF、HTML等⽂件。
腾讯的内部评估显示，Hy3在综合办公与⽣活服务两⼤场景上已超过了GLM-5.1，⽂档⽣成综合分提升7%，⽹⻚制作与⾃动化脚本提升6%。
ima的知识库问答和Agent场景也接⼊了Hy3。Agent任务中系统稳定性达95.1%，⼯具编排能⼒突出，盲⽬重试、应⽌未⽌等⽆效操作⼤幅减少。知识库问答场景推理质量净提升近19%，幻觉率下降15个百分点。Marvis的多Agent协作场景中，任务完成率达93.7%，6个Agent协作下任务派发正确率达92%。
QQ浏览器的编程与代码输出类任务成功率提升37.6%。微信公众号AI分⾝和客服的意图识别准确率从98.28%提升到98.94%。
WeGame《流放之路：降临》（POE2）AI游戏助⼿的多轮推理与⼯具调度综合成功率提升⾄92%，幻觉率从4.5%降⾄2.8%。
值得⼀提的是Hy3在微信⼩程序开发⽅⾯的能⼒。
在Hy3 preview发布时，混元就展示过这么⼀个案例，⽤户给模型⼀个复杂的Prompt，要求⽤微信⼩程序原⽣框架开发⼀个完整的徒步路线与旅游计划推荐⼩程序，包含⾸⻚图⽚轮播和分类导航、路线详情⻚⾏程时间轴和图库、个⼈中⼼收藏功能，并且要求UI清新⾃然、代码逻辑闭环、可直接导⼊微信开发者⼯具运⾏。
模型⼀次性输出了包括app.json全局配置在内的所有⽂件。到了Hy3，这个能⼒得到了进⼀步增强。
⽐如我让Hy3给我做个快递⼩程序，它就连前端带后端，外加API、数据结构、项⽬⽅案⼀并输出。
这⾥其实有个有趣的事情，微信前不久推出的原⽣AI助⼿“⼩微”，也具备通过⾃然语⾔⽣成⼩程序的能⼒。
⽐如下图，我让⼩微给我⽣成⼀个字⺟AI专⽤的⽂章记录助⼿。
但⼩微背后的模型并不是Hy3，⽽是微信⾃研的WeLM和DeepSeek-v4。⽇常交互由WeLM主导，复杂推理则调⽤DeepSeek。
5⽉15⽇，微信⼩程序“成⻓计划”完成了模型升级，全⾯采⽤Hy3 preview模型。
6⽉8⽇，微信⼜发布了《关于开发者接⼊微信AI⽣态的指引》，正式⾯向⼩程序开发者开放AI⽣态接⼊能⼒。美团、滴滴、京东、途⻁养⻋、携程等头部平台已经宣布与腾讯在AI Agent领域达成合作。
或许在⼩程序开发这块，开发者⽤Hy3，普通⽼百姓⽤Welm+DeepSeek，才是腾讯想要的完美答案。
