7月6日消息，腾讯正式发布混元 Hy3，这是 4 月 23 日发布的 Hy3 preview 的正式迭代版本。模型架构不变，仍为 295B 总参数、21B 激活参数的 MoE 架构，支持 256K 上下文。核心变化有三项：基于 50 多个内部业务线反馈优化后训练质量和规模后，代码与智能体方向的基准分数全面提升；开源许可协议从此前的"腾讯混元社区许可协议"改为 Apache 2.0；腾讯云 API 输入价格从 1.2 元降至 1 元/百万 Token。Hy3 已在 GitHub、HuggingFace、ModelScope 和 GitCode 开源，模型权重可直接下载部署。
preview 到正式版：同一架构，后训练推动基准全面上行
Hy3 与 preview 使用相同的预训练基座，变化集中在后训练阶段。官方称在 preview 发布后的两个多月里，团队扩大了强化学习算力规模，提升了后训练数据的质量和多样性。
基准数据上，代码和智能体方向进步最明显。SWE-bench Verified 从 preview 的 74.4% 升至 78.0%，SWE-bench Pro 从 46.0% 升至 57.9%，Terminal-Bench 2.1 从 58.0% 升至 71.7%。官方给出的对比表显示，Hy3 以 21B 激活参数在多项基准上接近激活参数为其 2 至 5 倍的旗舰模型。在 SWE-bench Verified 上，78.0% 高于 GLM-5.1 和 Seed-2.1 pro，但与 DeepSeek-V4 pro、Qwen-3.7 Max 仍有数个百分点的差距，距 GLM-5.2、Claude Opus 4-8 和 GPT-5.5 更远。
官方还组织了一场 270 位内部专家参与的盲测，要求专家基于真实工作任务对模型输出评分。Hy3 均分 2.67（满分 4），高于 GLM-5.1 的 2.51，在前端开发、CI/CD 和数据存储类任务中优势更明显。这项盲测由腾讯内部设计和执行，共收集 312 份有效对比，尚无外部复现。
产品可靠性指标是这次发布的核心叙事
与 preview 侧重基准分数不同，Hy3 正式版的发布材料将大量篇幅放在了产品体验层面。官方给出了四组内部评测数据。
幻觉率从 preview 的 12.5% 降至 5.4%，常识错误率从 25.4% 降至 12.7%。官方称基于"有依据才回答、无依据明示缺失、多来源信息不乱拼、数据和状态不乱编"的原则，在 SFT 和 RL 阶段进行了细粒度的数据清洗和训练约束。多轮对话方面，内部综合评测的多轮问题率从 17.4% 降至 7.9%，长对话理解基准 MRCR 从 42.9% 升至 75.1%。工具调用稳定性也是重点优化方向：Hy3 在 CodeBuddy、Cline、KiloCode 三种不同脚手架下的 SWE-bench Verified 分数标准差控制在 4 个百分点以内，意味着换一个 Agent 框架不会出现大幅波动。
这些产品可靠性数据均来自腾讯内部评测体系，评测方法和数据集未公开披露。
50 多个业务线接入后的具体表现数据
Hy3 已部署至腾讯内部超过 50 个产品。官方引述了多个产品团队的量化反馈。WorkBuddy 的数据显示，相比 preview，任务解决率从 72% 升至 90%，平均耗时缩短 34%。在高频办公任务中，Hy3 的 Token 消耗比 GLM-5.2 低 47% 至 49%，文档处理和 PPT 制作两个场景的降幅最明显。元宝 Agent 在覆盖信息查询、数据处理、文档办公、网页制作的内部评测中，文档生成综合分提升 7%，网页制作与自动化脚本提升 6%。ima 反馈称知识库问答的推理质量净提升 19%，幻觉率下降 15 个百分点。 游戏场景的反馈来自 WeGame。《流放之路：降临》AI 助手接入 Hy3 后，多轮推理与工具调度综合成功率升至 92%，幻觉率从 4.5% 降至 2.8%。QQ 浏览器的编程与代码输出类任务成功率提升了 37.6%。微信公众号的 AI 客服测试中，意图识别准确率从 98.28% 提升至 98.94%。微信读书在网络文学标签标注场景中，准确率提高了 14.1%。这些数据覆盖了办公、开发、游戏、阅读、客服等不同场景，但全部来自腾讯生态内部产品。
Apache 2.0 和降价是面向外部开发者的明确信号
这次发布中最值得注意的变化不在模型能力，而在许可协议。preview 版本使用的"腾讯混元社区许可协议"附带区域限制，不适用于欧盟、英国和韩国，商用也有额外条件。正式版改为 Apache 2.0，这是目前开源社区接受度最高的宽松许可之一，外部开发者和企业可以无区域限制地商用、修改和分发模型权重。
API 定价同步下调。输入价格从 preview 的 1.2 元/百万 Token 降至 1 元，缓存命中价格从 0.4 元降至 0.25 元，输出价格维持 4 元不变。许可协议的升级和持续降价指向同一个方向：preview 阶段侧重收集内部反馈、验证模型在自有业务中的表现，正式版开始面向外部生态推广。
产品可靠性叙事是差异化策略，但验证场景还局限于内部
Hy3 的发布策略选择值得关注。在 benchmark 分数上，78% 的 SWE-bench Verified 放在当前竞争格局中属于中上水平，与国际旗舰模型仍有明显差距。腾讯选择将发布重心放在产品可靠性指标和内部业务反馈上，本质上是在传递一个判断：对于真正用模型干活的场景，幻觉率、工具调用稳定性和多轮保持能力，比 benchmark 排名更重要。
这个判断本身并不新鲜，但腾讯有一个大多数模型公司没有的条件：50 多个自有业务线构成的大规模真实验证场，覆盖办公、社交、游戏、阅读、客服等差异极大的使用环境。问题在于，这些在腾讯内部验证过的可靠性提升，能否在外部开发者的工作流中复现。腾讯内部产品有统一的工具调用规范、成熟的 Agent 脚手架和大量业务数据做定向优化，外部使用环境远比这碎片化。跨脚手架标准差控制在 4 个百分点以内是一个积极信号，但测试覆盖的三个框架还不足以代表生态全貌。
外部开发者的真实反馈将是第一次市场检验
从 1 月底重建基础设施到 7 月正式发布，腾讯混元用不到半年完成了从基建重构到产品级模型的完整迭代。21B 激活参数的效率优势使 Hy3 在推理成本和部署门槛上低于同级别的更大模型，Apache 2.0 和低定价降低了外部采用的门槛。接下来最值得观察的是两件事：一是 Hy3 在 OpenClaw、KiloCode 等外部 Agent 框架中的实际表现是否与官方数据一致；二是开源社区对模型能力的独立评测结果。preview 版本在 OpenRouter 上曾登顶全球调用量榜首，正式版能否延续这一趋势，是对"产品可靠性优先"叙事的第一次外部检验。 
