Hy3 preview发布并开源：混元重建后首个模型，Agent能力大幅提升 | 前沿在线

编辑：腾讯混元

4月23日，腾讯混元 Hy3 preview 语言模型发布并开源。这是一个快慢思考融合的混合专家模型，总参数 295B，激活参数 21B，最大支持 256K 上下文长度。

今年 2 月，我们重建了预训练和强化学习的基础设施，以及模型追求实用性的三个原则：

能力体系化：我们不推崇“偏科”，因为即使是代码智能体的单一应用，也涉及推理、长文、指令、对话、代码、工具等多种能力的深度协同。

评测真实性：我们主动跳出易被“刷榜”的公开榜单，通过自建题目、最新考试、人工评测、产品众测等多种方式评估和改进模型的“真实战斗力”。

性价比追求：实用性离不开商业合理性，我们深度协同模型架构和推理框架的设计，大幅降低任务成本，让智能用得起、用得好。

Hy3 preview 是我们重建后训练的第一个模型，也是混元迄今最智能的模型，在复杂推理、指令遵循、上下文学习、代码、智能体等能力及推理性能上实现了大幅的提升。

·详细Bench数据和Case可访问混元博客（https://hy.tencent.com/hy3-preview）了解更多。

复杂推理

推理能力是模型解决各种问题的基础。Hy3 preview 在FrontierScience Olympiad、IMO Answer Bench 等高难度理工科推理任务中表现突出，并在最新的清华大学求真书院数学博资考（26春）和全国中学生生物学联赛（CHSBO 2025）中取得优异成绩，展现出可泛化的强推理能力。

上下文学习和指令遵循

在各种真实的生产与生活场景，理解杂乱冗长的上下文并遵从复杂多变的规则是模型的首要挑战。基于我们多种业务场景的灵感，我们提出了 CL-bench 和 CL-bench-Life 来创新性地评估模型的上下文学习能力，并在 Hy3 preview 显著地提升了模型上下文学习和指令遵循能力。

· 更多Case可访问混元博客（https://hy.tencent.com/hy3-preview）了解。

代码和智能体

代码和智能体是 Hy3 preview 提升最为显著的方向。得益于预训练及强化学习框架的重建和强化学习任务规模的提升，我们以较快的速度在 SWE-Bench Verified、Terminal-Bench 2.0 等主流代码智能体基准以及 BrowseComp、WideSearch 等主流搜索智能体基准中取得了强竞争力的结果。

在数字世界中，代码关注的是模型在开发环境中的执行能力，搜索则聚焦于开放信息空间中的检索、筛选与整合能力，两者共同决定了模型在复杂智能体场景（例如OpenClaw）中是否真正具备可用性。Hy3 preview 在 ClawEval 和 WildClawBench 等评测中表现突出，进一步表明我们的智能体能力的全面与实用性。

除了公开榜单，我们进一步构建了多个内部的评测集，对模型在真实开发场景中的表现进行评估。结果表明，无论是在后端工程任务集 Hy-Backend，贴近真实用户开发交互的 Hy-Vibe Bench，还是高难度软件工程开发任务集 Hy-SWE Max上，Hy3 preview 均体现出了强竞争力。

比较各个开源模型的大小与智能体综合表现，Hy3 preview 展现出高性价比。

Case

prompt：请帮我使用微信小程序原生框架（或指定框架）开发一个完整、可直接编译运行的徒步路线与旅游计划推荐小程序，请一次性输出包含 app.json 等全局配置、所有页面（WXML/WXSS/JS/JSON）以及完整的 Mock数据，核心需求包括：一个带有精美图片轮播、‘当季推荐’及‘路线难度’分类导航的首页；一个包含行程时间轴、精美沿途图库、适宜季节与装备建议的路线详情页；以及一个支持本地缓存收藏功能的个人中心页，UI设计需清新自然、图文并茂，请确保代码逻辑闭环、无缺失文件或引用错误，生成后我可以直接导入微信开发者工具成功预览并体验完整交互。

模型输出

自然对话和用户理解

在探索智能上限的同时，我们始终关注模型与人的交互和对人的理解。为此，我们与元宝团队进行了深度的合作，使用 URM (User-Feedback RM) 对用户的真实反馈进行建模，并结合 RLHF 技术进行了细粒度的优化。结合推理、长文、指令、智能体等能力的优化，这带来了用户体验的大幅提升：Hy3 preview 的事实性错误显著降低，能更精准理解用户的模糊意图和碎片化的输入，回复风格更加共情，内容更具深度。在元宝的灰度测试上，我们看到 Hy3 preview 在元宝用户活跃度上较之前模型实现了大幅增长。

· 更多Case可访问混元博客（https://hy.tencent.com/hy3-preview）了解。

产品的上线和初步反馈

Hy3 preview 已在元宝、CodeBuddy、WorkBuddy、QQ、ima、QQ浏览器、腾讯文档、腾讯乐享上线，并在微信公众号、腾讯新闻、腾讯自选股、和平精英、腾讯客服等多个产品陆续上线中。另外，Hy3 preview 已支持流行的开源智能体产品，如 OpenClaw、OpenCode、KiloCode 等。

元宝产品经理 Logan 表示，Hy3 preview 研发过程中，混元与元宝进行了深度Co-Design。一方面针对性地提升了模型在意图理解精准度、文本创作质量、深度搜索等硬核指标上的表现；另一方面对文风、文笔、情商、内容组织和内容专业度上进行了精细化调优。模型与产品的深度协同，为用户带来了更智能且更具“活人感”的交互体验。

ima 产品经理 kaycee 表示，目前 ima 已经接入Hy3 Preview，在 ima 知识库问答和通用问答两个场景下，测试结果显示，Hy3 preview 处理长文的能力出色，特别是检索类任务，在回答信息的准确性、覆盖度和全面性上表现较好。

在CodeBuddy、WorkBuddy 产品上，Hy3 preview 首 token 延迟降低 54%、端到端时长降低 47%、成功率提升至 99.99%+。实际用户环境中，Hy3 preview 已稳定驱动最长 495 步的复杂 Agent 工作流，覆盖文档处理、数据分析、知识检索、MCP 工具链编排等多样化办公场景。

微信公众号产品经理 Astrid 表示，在公众号AI 分身和 AI 客服的场景专项评测中，Hy3 preview 展现出相比 Hy2更全面的能力升级。新模型在用户意图理解、复杂上下文承接和知识信息组织方面表现更成熟，面对模糊提问、短句追问和多轮对话时，能够更准确地把握用户诉求，并输出更清晰、更稳定的回复。结合知识库、用户记忆与上下文生成回答时更贴合AI 分身和 AI 客服的角色，过度脑补、主观代入和情绪化表达显著减少，使整体交互体验更贴近“可信、自然、高效”的回复目标。

和平精英AI玩法负责人jessexue表示，Hy3 preview 模型上线后，和平精英第一时间在 AI NPC 场景中完成接入并开展评测，整体表现令人印象深刻。在游戏局外的人设扮演场景中，Hy3 preview 不仅能够精准理解角色设定，还能针对开放性问题输出高度关联、富有增量价值的内容，带来了更加真实、自然、沉浸的对话体验。而在游戏局内的复杂对战场景中，模型回复节奏贴近真实玩家聊天体验，展现出优秀的稳定性与出色的拟人化扮演能力，整体效果表现亮眼。

腾讯文档AI Agent 研发负责人 Johnny 表示，Hy3 preview 模型上线后，腾讯文档 Agent 团队围绕核心场景开展综合评测，以 AI PPT 场景为例，Hy3 preview模型较上一版本（Hy2）取得了显著进步：生成成功率提升 20%，评测得分提升 10%，同时生成耗时缩短 20%。整体而言，新模型在评测场景中表现优异，在模版选择，色彩匹配，生成大纲，补充内容多个阶段，均体现出优秀的表现，无幻觉，契合主题，视觉效果好，展现了明显的技术突破，后续应用值得期待。

QQ AI助手 小Q产品负责人Tea表示，Hy3 preview 相较上一代Hy2，在小Q助手场景上，新模型在长文本首字节时延、整体响应速度与流式输出效率方面显著优化；核心能力上，数学推理表现提升尤为明显，多场景指令遵循与泛化能力进一步增强；在工具调用推理及多轮指代消解方面表现更稳定高效，在 OpenClaw官方 PinchBench QQ智能体场景测试中取得突出效果，综合体验实现明显跃升。

开源、API、Token Plan

Hy3 preview 的模型权重、代码已在 GitHub、HuggingFace、ModelScope、GitCode 等平台开源，支持 vLLM、SGLang 等主流推理框架，开发者可以直接下载使用。（详细链接见文末）

得益于模型架构和推理框架的深度协同，以及我们在推理框架、算子性能、量化算法等方面的优化，Hy3 preview 的成本相比上一代模型大幅下降。在腾讯云上，我们推出了有竞争力的 API 价格以及定制化的 Token Plan，个人版定价最低28元/月。

Hy3 preview 是我们重建的第一步。虽然模型效果已经取得了巨大进步，但仍存在一些已知问题，我们希望通过这次开源和发布，获得来自开源社区和用户的真实反馈，帮助我们提升 Hy3 正式版的实用性。与此同时，我们也在继续扩大预训练和强化学习的规模，提升模型的智能上限，并通过与腾讯更多产品的深入协同，持续改进模型在真实场景中的实用性并探索差异化能力。

欢迎大家体验并给我们反馈。

附：开源和 API & Token Plan 链接

• Github：https://github.com/Tencent-Hunyuan/Hy3-preview

• Hugging Face：https://huggingface.co/tencent/Hy3-preview

• ModelScope：https://modelscope.cn/models/Tencent-Hunyuan/Hy3-preview

• GitCode：https://ai.gitcode.com/tencent_hunyuan/Hy3-preview

• 腾讯云TokenPlan接入地址：https://console.cloud.tencent.com/tokenhub/tokenplan/hy?regionId=1

• 腾讯云API接入地址：

  https://console.cloud.tencent.com/tokenhub/models/detail?modelId=hy3-preview&regionId=1

点「在看」，给前前加鸡腿