腾讯Hy3：半参数性能新标杆

从预览版到正式产品，十周内完成，由50个内部团队打磨腾讯的盲测显示Hy3优于GLM-5.1，但GLM-5.2仍主导编程领域可靠性宣传：幻觉率减半部署计算：7440亿参数世界中的2950亿参数模型——使用合规芯片

在过去一年中，开源大模型热潮中一个不为人知的问题是：许多最优秀的中国发布模型对许多最感兴趣的企业而言是受限的。许可证条款排除了欧盟、英国和韩国，这意味着法律团队在工程团队完成评估前就否定了部署计划——不仅针对总部位于这些地区的公司，还包括任何向这些地区提供服务的机构。对于权衡开源模型的IT团队而言，这种取舍异常明显。

腾讯最近移除了这一障碍。该公司的混元团队发布了完整版的Hy3模型，这是一个拥有2950亿参数的混合专家(MoE)模型，每前向激活210亿参数，并且与四月份的预览版相反，这次采用了更加宽松的Apache 2.0许可证发布。开源模型社区的反应立竿见影，研究人员在X平台上特别指出许可证变更才是真正的头条新闻，一篇广泛分享的帖子认为，如果测试结果保持不变，腾讯已成为开源领域的领导者之一。腾讯表示，该模型将在OpenRouter上免费使用两周。

这些测试结果值得仔细审视——它们并非全部指向同一方向。但更有趣的故事是腾讯选择强调的内容：针对实际应用部署的可靠性和经济指标。

Hy3四月的预览版是腾讯重建的预训练和强化学习基础设施的首个模型，在二月份重建后不到三个月就发布。首席AI科学家姚顺宇将早期的公开发布描述为一种刻意行动，目的是在正式版本发布前收集开发者和用户的反馈——腾讯表示这正是发生的事情。根据模型卡片，团队在四月底预览版后收集了超过50个产品团队的反馈，修复了任务执行和交互中的问题，并扩展了其后期训练流程。

架构保持不变：总计2950亿参数，通过192个专家之间的top-8路由实现每前向210亿激活参数，一个38亿参数的多令牌预测(MTP)层用于推测解码，以及256K上下文窗口。改变的是性能表现。腾讯的定位是，完整版本显著优于同规模模型，并能与参数量是其两到五倍的旗舰开源模型相媲美。

这种”两到五倍”的定位模型是有针对性的，这也促使了与当前开源编程领导者GLM-5.2的直接对比。

腾讯的主要评估是一项盲人研究而非排行榜。公司认为公共基准测试不能全面反映情况，因此进行了一项盲测，邀请了270名各领域专家参与实际工作流程，收集了312次有效对比。腾讯报告称，Hy3在4分制中得分为2.67，而GLM-5.1为2.51——在前端开发、CI/CD以及数据和存储工作方面优势最为明显。

对手的选择很重要。智谱AI在六月中旬发布了GLM-5.2，腾讯自己的基准附录显示GLM-5.2在几乎所有智能体编程套件上都领先于Hy3：SWE-bench Verified（84.2比78.0）、SWE-bench Multilingual（83.0比75.8）、Terminal-Bench 2.1（81比71.7）以及DeepSWE（46.2比28.0）。盲测试的对象是旧版模型；新版模型仍然保持着编程领域的优势地位。

考虑到两者规模相当，GLM-5.2的编程优势并不令人意外：GLM-5.2大约是7440亿参数的MoE模型，每令牌激活约400亿参数，而Hy3总计2950亿参数，每令牌激活210亿参数。腾讯推出的模型参数不到其落后对手的一半——每令牌计算量也几乎少了一半。

Hy3真正的优势在于其他方面。在智能体搜索方面，它在BrowseComp上达到84.2分，在DeepSearchQA上达到91.0分——超过腾讯表格中的所有开源模型，与Claude Opus 4.8和GPT-5.5相当。它在工具编排（公共MCP-Atlas集上79.1分）、智能体评估如ClawEval以及长上下文检索（AA-LCR上73.4分）方面领先开源领域。综合来看，附录表明该模型可以说是搜索和工具密集型智能体工作负载的最佳开源选择，同时在仓库规模编程方面让步给GLM-5.2。

对于优势和劣势都存在一个需要注意的问题：腾讯附录中几乎所有竞争对手的数字都标明来自腾讯自己的测试运行。截至发布时，来自人工分析等独立验证仍然有待进行。

对于企业购买者而言，这次发布最引人入胜的是腾讯选择强调的一组数据，而非基准测试。模型卡片看起来不像排行榜公告，而更像一份生产可靠性报告。

在实际场景的内部评估中，腾讯表示Hy3的幻觉率相比预览版从12.5%降至5.4%，常识错误率从25.4%降至12.7%——这些改进归因于细粒度的数据清理和围绕明确行为模式构建的训练约束：有依据时回答，证据缺失时说明，不混淆来源，不编造数据。多轮对话行为也得到相同处理：内部多轮测试中的问题发生率从17.4%降至7.9%，腾讯报告模型在开放MRCR长对话基准上的得分从42.9%跃升至75.1%。

腾讯还强调在智能体框架间的一致性——无论模型运行在Claude Code式工具、Cline还是KiloCode中，SWE-bench分数差异仅为几个百分点。这是一个被低估的特性：企业很少控制团队采用哪种智能体框架，而只在一种工具中表现良好的模型会带来隐藏的集成成本。这些都是自我报告的内部测量，它们应与任何厂商基准测试一样受到质疑。但选择突出这些数字表明腾讯认为其客户是谁：那些在演示中表现良好但在生产环境中自信编造数据的模型吃过苦头的团队。

可靠性的故事直接与经济性相关，这也是Hy3与GLM-5.2之间的编程差距开始看起来像是刻意权衡而非不足之处的原因。

GLM-5.2大约是7440亿参数的MoE模型，每令牌激活约400亿参数；在FP8格式下，仅其权重就消耗约744GB，使得8倍H200节点成为生产服务的实际最低要求。Hy3在2950亿总参数的情况下，FP8占用不到300GB——内存不到一半，每令牌激活参数也大约少一半，驱动着每请求更低的计算量。对于决定自行部署的组织而言，这是一个高性能节点与更易实现方案之间的差别，KV缓存和批处理仍有余量。

部署指南中还有一个地缘政治细节值得注意：腾讯推荐的配置目标针对英伟达的H20-3e——这是H20的内存增强版，是英伟达专门为符合美国对华出口限制而设计的GPU。与GLM-5.2不同，没有提到华为芯片。