出品｜虎嗅黄青春频道

作者｜商业消费主笔 黄青春

题图｜视觉中国

7 月 6 日，腾讯混元 Hy3 正式版发布，距离 4 月 23 日 Hy3 preview 亮相仅两个多月，距离姚顺雨以首席 AI 科学家身份空降腾讯、主导混元架构重建不过 201 天。

作为姚顺雨治下首款正式版大模型，Hy3 被赋予了双重象征意义：它既是腾讯 AI 底层基础设施推倒重建后的首份完整答卷，也被外界视作腾讯补齐短板、入局 AI 下半场的标志性产品。

官方口径中，这款总参数 295B、仅激活 21B 参数的 MoE 模型，实现了比肩 2~5 倍参数规模旗舰模型的效果，搭配开源权重、极低 API 定价与全产品线接入，俨然一副领跑高性价比生产力模型的姿态。

然而，将 Hy3 的公开数据放回行业坐标系、嵌入腾讯生态语境审视便会发现：姚顺雨要托起腾讯 AI 下半场，绝非易事。

实用主义走向“偏科”

Hy3 最核心的标签是“小身板对标大模型”。官方强调其以 21B 激活参数，实现了参数规模 2~5 倍于自身的旗舰模型效果；然而，拆解其技术规格不难发现：这并非底层架构层面的创新突破，只是稀疏模型路线下的工程化调优，能力边界从一开始就被参数规模锁死。

从架构上看，Hy3 沿用了 preview 版本的底层设计：MoE 混合专家架构，总参数 295B，每次推理激活 Top-8 共 21B 参数，搭配 3.8B 的 MTP 层参数、80 层主网络结构，支持 256K 上下文长度。

换言之，正式版未做架构层面的改动，提升全部来自后训练数据提质、RL 算力扩容与工程调优，典型的架构不动、数据补位，注定它是补短板式的升级，而非代际跨越。

放在行业坐标系中，295B 参数规模仅与 DeepSeek V4 Flash、MiniMax M3 处于同一梯队，而国内外第一梯队模型总参数量已普遍跨过万亿级门槛。

上下文窗口的选择，同样值得玩味。

当下行业普遍以 1M 甚至 2M 超长窗口作为性能噱头秀技术实力，Hy3 正式版不盲目追超大长度，转而在 256K 区间内打磨性能上限，减少真实业务场景中的出错率，充分体现出姚顺雨的实用主义思路：绝大多数日常办公、代码开发场景，256K 足以覆盖。

可务实的代价是战略收缩——Hy3 难以适配超长源码库、全量知识库等硬核场景，而对企业级客户而言，长上下文能力属于刚需，是大模型弱化传统检索依赖的核心价值。Hy3 将自身定位为中高端生产力工具而非全场景旗舰，虽换取了成本与稳定性优势，却从战略上放弃了大模型竞赛中单点性能极限的突破。

不止参数规模与上下文窗口，被视作 Hy3 卖点的快慢思考融合机制，本质是推理阶段的分级档位调度：常规请求采用轻量化推理深度实现快速响应，高复杂度任务则提升算力、加长思考链路以提升准确率。

这套机制的核心价值在于平衡速度与成本，凸显的是工程团队的精细化调度能力，而非底层模型技术路线的代际领先。

当然，评判一款大模型的真实水平，既要横向看 benchmark，也要纵向看真实场景的落地表现。Hy3 呈现出鲜明的“偏科”特征：长板足够突出，但集中在细分赛道；短板同样明显，恰恰落在 AI 下半场的核心竞争领域。

Hy3 表现最强的维度，集中在信息检索与单工具执行。

• 搜索智能体方向，BrowseComp 基准 84.2 分，与 GPT-5.5 的 84.4 分几乎持平，跻身第一梯队；

• WideSearch 与 DeepSearchQA 同样跻身前列。这意味着在网页导航、多源信息交叉验证、长文档抽取等任务中，Hy3 已接近国际顶流模型的稳定性与准确率。

Agent 执行层面同样可圈可点。

• ClawEval 基准 68.5 分，仅次于 Claude Opus 4.8，超过 DeepSeek V4 Pro 与 Qwen 3.7 Max；

• SkillsBench 从 preview 的 29.1 分跃升至 55.3 分，涨幅近 90%，位列第二。说明 Hy3 在单 Agent、可控环境下的工具调用准确率与步骤规划能力已跻身行业头部。

这些长板精准命中办公场景痛点：信息整理、文档生成、简单工具调用均是白领最高频的需求。难怪内部 270 位专家盲测中，Hy3 在办公、前端等场景评分高于 GLM 5.1，敢情其能力分布高度贴合内部日常需求。

当然，细分赛道领先，不等于综合能力领跑。

信息检索与单工具执行，本质是对已有信息的整合落地，考验的是指令遵循与稳定性；而真正决定大模型能力上限的，是复杂推理、硬核代码、多工具生态协同等底层能力——在这些核心赛道上，Hy3 差距肉眼可见。

比如，最考验硬核工程能力的代码赛道，Hy3 的表现只能用“平庸”形容。

• SWE-bench Pro 基准上，Hy3 拿到 57.9 分，虽较 preview 版提升超 25%，但大幅落后 Claude Opus 4.8 的 69.2 分，也低于 GLM 5.2 的 62.1 分。

• SWE-bench Multilingual 75.8 分，同样落后于 Claude 与 GLM 5.2。

• Terminal Bench 2.1 终端命令基准 71.7 分，与前三存在明显差距。

• NL2repo 自然语言转代码仓库任务 45.6 分，仅处行业中游。

换言之，Hy3 的代码升级更多体现在前端生成、简单脚本编写等轻量场景，这与内部盲测前端类别优势显著的结论吻合；但面对仓库级重构、复杂系统 Debug、多语言工程迁移等硬核软件工程任务，它与第一梯队之间仍有清晰的代差。

数学与推理维度差距更甚。MathArena Apex 数学竞赛基准上，Hy3 拿到 38.7 分，尽管较 preview 版的 12.8 分实现 207% 的爆发式增长，但横向对比不到 GPT-5.5 的一半，也低于 Qwen 3.7 Max 的 44.5 分。即便是表现较好的 GPQA Diamond 博士级科学问题基准，90.4 分仍与 GPT-5.5 的 93.6 分有明显距离。

甚至，在 MCP Atlas 工具调用基准上，Hy3 仅 79.1 分，在参与对比的 6 个主流模型中排名末位，不仅低于 Claude Opus 4.8、GLM 5.2，也略逊于 Seed 2.1 Pro。

要知道，MCP 是当前 Agent 生态的事实标准，多工具协作、跨系统调度的能力直接决定 Agent 能否落地复杂工作流。这从侧面印证：单工具、可控环境中 Hy3 表现亮眼；但跨多工具、需异常处理的复杂任务中，其容错能力与稳定性仍是硬伤。

串联生态的钥匙？

Hy3 刚上线就享受了众星捧月的待遇，WorkBuddy、元宝、ima、Marvis、QQ 浏览器、微信读书、WeGame 等数十款产品接入，但它真能成为串联腾讯内部 AI 生态的钥匙吗？

官方披露的数据都在强调相较于 preview 版的提升幅度：

• WorkBuddy 办公任务成功率从 72% 升至 90%，平均耗时缩短 34%，Token 消耗较 GLM 5.2 节省近 50%；

• 通用体验层面，幻觉率从 12.5% 降至 5.4%，常识错误率从 25.4% 降至 12.7%，多轮问题率从 17.4% 降至 7.9%，长对话理解基准 MRCR 从 42.9% 升至 75.1%；

• Agent 赛道，Marvis 任务完成率提升 12.7%，多 Agent 派发正确率提升 13.5%。

这些环比数据印证了场景反哺模型的有效性，但环比增速只代表进步幅度，不代表行业站位。

况且，部分数据的宣传口径偏向有利场景：官方只提高频办公任务中 Token 消耗显著低于 GLM 5.2，却回避短板场景的消耗表现。在代码重构、复杂推理等劣势场景，Token 消耗会因反复重试、无效调用而大幅上升，单价优势自然会被对冲——只算优势账、不算短板账，显然不是完整的真相。

行业普遍认为，腾讯做 AI 的底牌从来不是模型技术本身，而是独一无二的场景生态——微信 14.32 亿月活、社交关系链、小程序生态、内容生态，是所有竞争对手都不具备的 context 优势。姚顺雨选择加入腾讯，最核心的考量也是其“拥有大量真实场景”。

然而，这张底牌至今未与混元形成真正合力。最标志性的信号：微信原生 AI 助手“小微”以自研 WeLM 为主、部分场景调用 DeepSeek-v4。

作为腾讯流量与场景的核心阵地，微信事业群拥有独立 AI 团队、专属模型路线，甚至有独立的技术选型优先级。这很大程度上源于，WeLM 更适配微信的隐私、安全合规要求，也意味着混元尚未成为腾讯内部统一的 AI 底座——至少在微信体系内，它只是选项之一，而非默认选择。

据虎嗅了解，腾讯不会在未经用户允许的情况下使用微信数据训练模型，微信数据涉及用户隐私与产品体验，是内部绝对红线。

有鉴于此，腾讯手握全行业最丰富的 context，却无法真正汇聚到模型训练的闭环里。除内部办公场景外，Hy3 在金融、游戏等垂直赛道的落地也多为点状功能升级，尚未形成场景壁垒：

• 金融赛道：腾讯自选股 7 月 7 日宣布全场景接入 Hy3，主打行情解读与异动分析，内部金融建模评测表现与 GLM 5.2 基本持平。

• 游戏赛道：WeGame 的《流放之路：降临》AI 助手接入后幻觉率下降、成功率提升，但本质仍是游戏内问答工具，未触及玩法设计、内容生成、数值平衡等研发核心环节。

姚顺雨的局限性

Hy3 的产品逻辑，是姚顺雨“AI 下半场”理念的具象化。他认为，AI 上半场是找到方法论，下半场是解决真实世界问题；如今看来，实用主义可以快速补短板、打磨体验，但要支撑腾讯在 AI 下半场实现弯道超车，难度不小。

姚顺雨经常强调模型与产品的 Co-Design（联合设计），主张用真实产品反馈定义评测标准、迭代模型能力。从 preview 到正式版的迭代也证明了这一路线的有效性：50 多个业务团队的反馈，帮助模型修复了大量榜单发现不了的底线问题，幻觉、多轮跑偏、工具调用错误等体验痛点也得到明显改善。

但 Co-Design 的前提是跨部门深度协同、数据顺畅流通、目标高度一致。据虎嗅了解，为推进与元宝的合作，姚顺雨曾派后训练最强的骨干力量支援元宝团队，哪怕当时预训练还没准备好——这恰恰说明，跨部门协作阻力之大，需要负责人强力推动。

这也解释了为何汤道生与姚顺雨的对谈中，建立信任、换位思考、对齐目标被反复提及，因为协同成本堪称互联网大厂最大的隐形成本。

技术路线层面，Hy3 走出了一条差异化路径：不追万亿参数，不卷百万超长上下文，依托中等参数量底座搭配极致推理工程优化，主打高性价比生产力落地场景；叠加 1 元 / 百万 Tokens 输入、4 元 / 百万 Tokens 输出的低价策略，再辅以商用友好的 Apache 2.0 开源协议，试图在中高端模型市场撕开一道口子。

这条路线的优势很明显：推理成本低、落地周期短、运行体验稳，对预算敏感的中小企业与开发者吸引力极强。preview 版上线至正式版发布，日均 Token 消耗量增长 20 倍，也印证了性价比路线的市场需求。

可硬币的另一面，风险同样清晰。

首先，性价比赛道正变得越发拥挤：DeepSeek 有 V4 Flash，智谱有轻量旗舰版，各家都在推出高性价比中量级模型。随着技术整体进步，轻量模型的能力持续上探、价格持续下探，Hy3 当前的价格优势能维持多久，要打一个大大的问号。

其次，顶级模型的溢出效应正在加速显现。GPT、Claude 持续降价，国内头部旗舰模型成本快速下探，中高端模型的生存空间势必会受到持续挤压。企业用户的选择逻辑很简单：如果顶级模型成本只高一点点、能力却强一大截，多数人会选择一步到位。性价比路线永远有细分市场，但很难成为主流，更难支撑腾讯 AI 的战略野心。

所以，姚顺雨操刀的 Hy3 正式版上线，腾讯终于算是上桌了——它让腾讯拥有了一款拿得出手、用得上的主流大模型，补上了过去几年落下的功课，摸到了 AI 下半场的门槛；但腾讯 AI 的核心挑战，从来都不是能否做出一款合格的大模型，而是能不能把自身的场景优势、生态优势，真正转化为 AI 时代的竞争优势。

姚顺雨说，AI 是一场长跑，下半场才刚刚开始；如今，Hy3 上桌后，腾讯 AI 还未到亮底牌的时刻。