Hy3 – 腾讯混元发布的新一代开源大语言模型

腾讯混元Hy3是腾讯发布的新一代开源大语言模型，采用混合专家（MoE）架构，在保持较小激活参数量的同时实现与更大尺寸旗舰模型相当的性能。高性价比的实用型模型，重点强化了Agent能力、推理稳定性及办公自动化场景的落地效果，已通过Apache 2.0协议开源并接入腾讯多款核心产品。

Hy3技术原理

1. MoE混合专家架构

稀疏激活机制：Hy3总参数量达2950亿，但推理时仅动态激活210亿参数。通过门控网络为每个输入token选择最相关的专家子网络，显著降低计算成本，同时保留大规模参数的知识容量。
共享专家与路由专家协同：模型包含共享专家（处理通用任务）和路由专家（专注特定领域），通过动态路由机制分配任务，避免冗余计算。部分资料提及采用随机补偿路由策略，将因专家负载过高的token重新分配至空闲专家，提升训练稳定性。

2. 快慢思考融合机制

双模式推理：支持“快速思考”（即时响应简单任务）和“深度思考”（复杂任务分步推理），兼顾效率与精度。例如在代码生成或长文档处理中，模型会主动拆解步骤并验证逻辑连贯性。
长上下文优化：原生支持256K上下文长度，结合指代消解与省略还原技术，确保长对话中意图不衰减。内部评测显示，多轮问题率从17.4%降至7.9%，长对话理解能力（MRCR）从42.9%提升至75.1%。

3. 抗幻觉与知识约束

细粒度数据清洗：针对长文本和搜索场景的幻觉问题，通过多源证据校验和训练约束，要求模型“有依据才回答、无依据明示缺失”，避免逻辑矛盾或虚构信息。
效果提升：幻觉率从preview版的12.5%降至5.4%，常识错误率从25.4%降至12.7%，显著减少“张冠李戴”或无中生有现象。

Hy3核心功能特点

1. Agent能力质变

工具调用稳定性：系统稳定性达95.1%，盲目重试、应止未止等无效操作大幅减少，复杂办公任务可一步规划到位。
多步骤工作流优化：在Marvis Agent的文件编辑、电脑诊断等场景中，任务完成率提升至93.7%（较preview提升12.7%）；6个Agent协作时任务派发正确率达92%。
推理质量提升：知识库问答的推理质量净提升近19%，信息覆盖更全面，长文写作与方案生成的结构完整度明显增强。

2. 生产力场景专项优化

办公自动化：可自主完成资料读取、信息提炼、内容撰写及多工具协同输出，报告撰写、数据整理等连续工作流执行稳定性显著提升。WorkBuddy中任务解决率从72%升至90%，平均耗时缩短34.4%。
代码与前端开发：在SWE-bench等编程基准中表现突出，能稳定生成、调试及排错代码，前端开发全链路效率提升。内部盲测中，Hy3在前端、数据存储、CI/CD等类别均优于GLM5.1。
多模态文件生成：元宝等产品中支持通过对话直接生成PPT、Excel、PDF、HTML等文件，用户仅需描述需求即可触发自动任务拆解与交付。

3. 高性价比实用设计

成本控制：API定价为输入1元/百万tokens、输出4元/百万tokens，输入命中缓存价格低至0.25元/百万tokens，显著低于同类模型。
真实场景验证：基于腾讯内部270位专家的真实工作盲测，Hy3均分2.67/4，在前端开发等生产力任务中表现优于GLM5.1（均分2.51/4）。

Hy3项目地址

项目官网：https://hy.tencent.com/research/hy3
GitHub仓库：https://github.com/Tencent-Hunyuan/Hy3
HuggingFace模型库：https://huggingface.co/tencent/Hy3

Hy3实际应用效果

1. 腾讯生态深度整合

微信场景：公众号AI分身的意图识别准确率达98.94%，能结合账号定位理解不完整表达，避免机械套模板。
游戏与阅读：WeGame中《流放之路：降临》AI助手的多轮推理成功率提升至92%，幻觉率从4.5%降至2.8%；微信读书的标签标注准确率提高14.1%。

2. 开发者友好性

开源与部署：采用Apache 2.0协议开源，支持Hugging Face、ModelScope等平台调用，并适配海光DCU、天数智芯等国产算力。
缓存机制优化：高频重复请求可通过缓存命中大幅降低延迟与成本，适合企业级长周期任务。

3. 与preview版关键升级

稳定性提升：任务解决率、多轮对话连贯性、工具调用错误恢复能力显著优化。
幻觉抑制：通过细粒度训练约束，常识错误率与幻觉率均下降超50%。
场景泛化：跨脚手架（如CodeBuddy、Cline）的性能标准差控制在4个百分点内，减少环境适配成本。

Hy3同类竞品对比

表格

对比维度	腾讯混元 Hy3	DeepSeek-V3
开发商	腾讯混元团队	深度求索 DeepSeek
模型架构	MoE 快慢思考融合架构	MoE + MLA 多头潜在注意力架构
总参数量	295B（2950 亿）	671B（6710 亿）
激活参数量	21B（每次推理激活约 7%）	37B（每次推理激活约 5.5%）
上下文长度	最高 256K tokens	128K tokens
开源协议	Apache 2.0（商业友好度极高）	MIT（完全开源免费商用）
核心能力侧重	Agent 智能体、代码工程、中文理解、指令遵循	数学推理、多语言均衡、训练效率、长链推理
代码基准成绩	SWE-Bench Verified 74.4%（逼近 Claude Opus）	SWE-Bench Verified 约 65%
API 定价	输入 1 元 / 百万 tokens，输出 4 元 / 百万 tokens	输入 0.5 元 / 百万 tokens，输出 2 元 / 百万 tokens
工程落地能力	强，原生支持 Vibe 编程、全流程开发、前端建模	中等，通用能力均衡，垂直场景需二次微调
中文优化程度	深度优化，中文对话与创作体验领先	良好，中英文能力相对均衡
适用场景	企业级 Agent 开发、代码自动化、中文内容生产、智能客服	科研数学推理、通用大模型底座、多语言应用
优势总结	高性价比工程之王，Agent 与代码能力国产第一梯队，中文生态完善	开源社区标杆，数学推理突出，训练成本极低，生态工具链最成熟

Hy3将MoE架构的参数效率与真实业务场景深度结合，通过稀疏激活降低推理成本，同时以针对性优化解决办公、代码等生产力场景中的稳定性与幻觉问题。其价值不仅体现在技术指标上，更在于快速接入腾讯内部产品并验证实用效果，例如元宝的免费文件生成、WorkBuddy的任务自动化等，标志着大模型从“能回答问题”向“能完成任务”的关键演进。