腾讯混元 Hy3 上线即爆，WorkBuddy 紧急扩容，实测三个真实任务后我服了

文 | AI 大模型工场，作者｜琪琪，编辑｜星奈

是不是好用就一定意味着贵？你想选效果还是选成本？今天，我不做选择，我两个都要。

7 月 6 日，腾讯混元 Hy3 正式版发布。参数只有旗舰的几分之一，却在内部盲测里跑赢了 GLM5.1。

它把快慢思考融进 MoE 架构，总参数 295B，激活参数 21B，支持 256K 上下文。每次推理只激活 21B，但知识储备是 295B 的量级，推理成本底，能力却不低。

这次的关键升级在三个方面。

第一，模型智能。从 preview 到正式版，腾讯老老实实提升后训练的算力规模，同时把数据质量和多样性拉上去。270 位专家盲测，Hy3 均分 2.67，优于 GLM5.1 的 2.51。以不到对方四分之一的激活参数，拿到了更高的综合评分。

第二，Agent 能力。Workbuddy 任务成功率从 72% 升到 90%，平均耗时缩短 34%。元宝幻觉率降了一半以上，常识错误率降了一半。ima 系统稳定性 95.1%，Mavis 六 Agent 协作正确率 92%。这些背后是 Hy3 在多步任务、工具编排、幻觉控制上的实质提升。

第三，性价比。输入 1 元、百万 tokens，输出 4 元、百万 tokens，缓存命中 0.25 元。中小团队日均 50 万输入 +10 万输出的 API 调用，一天不到一块钱。preview 上线以来日均 token 消耗涨了 20 倍。

目前，腾讯元宝和 WorkBuddy 都已经全面接入 Hy3。元宝基于 Hy3 上线了 Agent 功能。输入需求，直接交付 PPT、Word、Excel、PDF、HTML 文件，而且全部免费。

Hy3 在 WorkBuddy 也迎来了一波用户高峰。7 月 8 日，算力资源一度打满，下午排队率超过 50%，项目团队随后紧急扩容。而这也恰恰证明了 Hy3 的实用价值——好的东西，大家自然会用脚投票。

实测 Hy3：代码、Agent、长文

我给 Hy3 的第一个任务，是一个带业务逻辑的后端需求：用 Python 写一个异步任务队列，支持优先级调度、超时重试、死信队列，还要能接 Redis 做持久化。这种需求在我们团队内部，初级工程师至少要写大半天。

Hy3 的输出让我有点意外。它给出了一个 AsyncTaskQueue 主类，里面把优先级调度、超时检查、重试逻辑、死信队列全部串了起来，类之间的调用关系很清晰。

Task 做数据承载，TaskPriority 和 TaskStatus 用枚举管状态，AsyncTaskQueue 统一调度。没有给你一个空骨架让你自己填，整个链路从入队、处理、超时检测、重试到落死信队列，全跑通了。

我注意到了几个细节：优先级调度用的是 Redis Sorted Set，score 把优先级和时间戳组合在一起，保证同优先级下先进先出。这个设计我在生产环境见过不少，Hy3 直接给到位了；任务从 pending 移到 processing 用了 Lua 脚本保证原子性，防并发竞争；超时任务单独用 ZSET 追踪，worker 循环里定期检查。这几个点我没有在 prompt 里提，但做过生产系统的人都知道，线上不处理这些就会出事。

代码跑了一下，逻辑通，没有语法错误。重试机制目前是固定延迟，注释里也老实写了 " 示例中为固定延迟 "，算是一个可以优化的点。生产环境一般会加指数退避。Redis 连接池的配置也是默认值，没有针对高并发场景的调优建议。不过瑕不掩瑜，整体完成度已经很高了。

这让我觉得，Hy3 是真的带着真实开发经验的痕迹在写。

单个任务的代码生成，很多模型都能做到。我更想测的是 Agent 场景——连续多步、需要工具调用、中间不能跑飞。

于是，我设计了这样一个测试：让 Hy3 扮演一个数据处理 Agent，任务是 " 从一份销售 CSV 中提取本月 TOP10 客户，生成柱状图，然后写一份简短的月度销售总结邮件，收件人从公司通讯录 API 获取 "。

这涉及三步：数据提取与排序→可视化生成→调用 API+ 文案输出。任何一步出错，后面全白搭。

Hy3 先正确地读取了 CSV，并主动做了数据校验。金额字段均为正数、无空值，数据质量良好。这个步骤我没提，它自己补上了。然后进行 TOP10 客户汇总。它按客户名称聚合求和，给出了完整的计算明细。同时生成了柱状对比图。

最后，关键的来了。我给了它一个模拟的通讯录 API 地址，它先进行 GET 请求拿到通讯录全员列表，返回 200 OK。然后做了响应校验，解析嵌套 JSON 结构，再筛选销售部成员。最后把图表和数据分析整合成一封邮件。

它还有自己的执行日志，知道打勾自检。这些我没要求，是它自己加的。这说明 Hy3 在多步任务里不只是在执行，还在自我验证。ima 评测说系统稳定性 95.1%、无效操作大幅减少，体验下来确实如此。

最后一个测试，我让 Hy3 写一篇 2000 字的行业分析，主题是 "2026 年国内大模型 Agent 落地趋势 "。

Hy3 交出来的东西，让我刮目相看。全文六部分，从范式跃迁、市场数据、技术底座、场景分层、商业模式到隐忧展望，层层递进，不是平铺的 list，而是有主线的叙事。它给的数据也不是胡编的。我抽了几个交叉验证，都有出处。案例也很具体，不是泛泛的 " 某企业提升了效率 "，而是有名字、有数字、有对比。

更让我意外的是它对市场结构的判断。它提出了中科院计算所白硕的 "Harness 工程 " 概念，点出模型 - 工程 - 场景 " 三件套 " 缺一不可。还敏锐地捕捉到商业模式从 MaaS 向 Agent-as-a-Service 的演进，以及资本流向。

当然它也有谨慎的一面。在技术隐忧部分，它老老实实写了三道坎：幻觉控制、组织治理、数据壁垒，没有因为自己是模型就回避行业痛点。

整篇读下来，结构完整、数据扎实、观点有纵深，没有排比，没有感叹号，没有纵观全局那种公文腔。不过，如果能再加一点一手访谈或独家观点，这篇就真能当行业报告用了。但作为一篇模型自动生成的分析，这个完成度已经远超我的预期。

不仅够用、够稳，还够便宜

从 1 月底基础设施重建，到 4 月 Hy3 preview，再到 7 月 Hy3 正式版，不到半年，混元跑通了底层重构到产品反哺的完整链路。加上腾讯多元的产品矩阵，为模型优化提供了海量真实反馈，而模型能力的提升又反哺到所有产品。

这不是简单的 " 模型升级 "，而是 " 模型 - 产品 - 数据 " 的飞轮开始转起来了。对话场景中意图理解的优化赋能 Agent，Agent 工具调用能力的提升反哺搜索——可迁移、可泛化、可复利。

也是它让我看到模型的 " 好用 " 不一定和 " 贵 " 绑定。它从来没有要去争 " 最强模型 " 的虚名，而是想要让 21B 激活参数的模型，在绝大多数真实场景下够用，同时让开发者用得起。

就像 MoE 架构总参数 295B 但只激活 21B，这个设计本身就说明混元的态度——靠效率，不靠蛮力。256K 上下文长度、快慢思考融合，它在架构层面就在为 " 实用 " 做选择。

技术改变的不只是能力的边界，更是人敢不敢迈出第一步。当 21B 激活参数的模型能在 Agent 实战中稳定交付，我们的想法也有了变成现实的可能。