腾讯混元团队正式发布了 Hy3 的完整版本。作为一款拥有 2950 亿总参数、210 亿活跃参数的混合专家（MoE）模型，Hy3 最引人注目的变化是其采用了宽松的 Apache 2.0 许可证，彻底消除了此前预览版中针对欧盟、英国等地区的法律限制。这一举措使其成为企业级部署中极具吸引力的开源选项，尤其是在合规性要求严格的跨国业务场景中。
- GitHub：https://github.com/Tencent-Hunyuan/Hy3
- 模型：https://huggingface.co/tencent/Hy3
核心定位：可靠性与经济性优于极致编码性能
与智谱 AI 最新发布的 GLM-5.2（约 7440 亿参数，400 亿活跃参数）相比，Hy3 在参数量上仅为对手的一半左右。腾讯并未试图在纯编码能力上全面超越 GLM-5.2，而是选择了一条差异化的竞争路径：在搜索、工具编排和长上下文检索等智能体工作负载上确立优势，同时提供极高的部署经济性和生产可靠性。
1. 性能表现：非编码领域的全面胜出
根据腾讯内部的盲测与基准测试：
- 智能体搜索与工具链：在 BrowseComp (84.2分) 和 DeepSearchQA (91.0分) 上领先所有开放权重模型，表现可与 Claude Opus 4.8 和 GPT-5.5 媲美。
- 长上下文与多轮对话：在 MRCR 长对话基准上得分从预览版的 42.9% 跃升至 75.1%，显著提升了复杂交互中的稳定性。
- 编码能力：虽然在 SWE-bench 等编码基准上略逊于参数规模更大的 GLM-5.2，但在前端开发、CI/CD 及数据存储工作流中仍表现出强劲竞争力（盲测得分 2.67 vs GLM-5.1 的 2.51）。
2. 生产级可靠性：幻觉率减半
腾讯特别强调了 Hy3 在企业真实场景中的稳定性指标：
- 幻觉率：从预览版的 12.5% 降至 5.4%。
- 常识错误率：从 25.4% 降至 12.7%。
- 多轮交互问题率：从 17.4% 降至 7.9%。
这些改进得益于细粒度的数据清洗和针对明确行为模式的训练约束，旨在解决企业用户在生产环境中对“自信捏造”的担忧。
3. 部署经济性：适配受限硬件的高效架构
Hy3 的设计充分考虑了地缘政治背景下的硬件约束：
- 内存占用低：FP8 精度下权重占用低于 300GB，远低于 GLM-5.2 的 ~744GB。这意味着仅需 8x NVIDIA H20-3e（符合美国出口限制的增强版 H20）即可实现全精度服务，而无需昂贵的 H200 集群。
- 推理效率高：每 Token 计算量几乎减半，为 KV 缓存和批处理留出更多空间，显著降低了单次请求的成本。
- 广泛兼容性：由于对算力要求较低，该模型在西方数据中心常见的 H100/H200/B200 上运行更加轻松，支持 vLLM、SGLang 及 MTP 推测解码。
技术架构与迭代历程
- 架构细节：总参数 295B，激活参数 21B，路由前 8/192 专家，配备 3.8B 参数的多 Token 预测层用于推测解码，支持 256K 上下文窗口。
- 快速迭代：从 4 月预览版到正式版仅用时十周，期间收集了内部 50 多个产品团队的反馈，重点修复了任务执行和交互逻辑问题。
市场影响与展望
Hy3 的发布标志着中国开源模型策略的转变：从追求榜单上的绝对高分，转向提供合规、可靠且易于部署的生产级解决方案。
- 对于中国企业：Hy3 提供了在受限硬件（H20）上运行接近前沿能力模型的最佳路径。
- 对于全球企业：Apache 2.0 许可证消除了法律顾虑，使其成为除了 Llama 系列之外，少数可用于商业闭源产品的强大基座模型之一。
尽管其编码能力尚未超越 GLM-5.2，但 Hy3 在智能体搜索、工具调用及长文本处理上的优势，使其成为构建复杂 AI Agent 系统的理想选择。随着 OpenRouter 等平台提供免费试用，以及独立基准验证的跟进，Hy3 有望在全球开源模型生态中占据重要一席。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
