腾讯 Hy3 preview来了！姚顺雨印迹明显，混元重回牌桌｜附实测

  作者｜董道力

邮箱｜dongdaoli@pingwest.com

4 月 23 日，腾讯正式发布 Hy3 preview。这是混元经历团队重组、架构重构，以及明星科学家姚顺雨接手关键团队后，交出的第一份成绩单。

官方口径称：Hy3 preview 有295B 总参数、21B 激活参数、256K 上下文，快慢思考融合的 MoE 架构，定位"解决真实世界复杂工程问题"。

我们在第一时间测试后发现，Hy3 preview 并不是当前最强的模型，但此前腾讯真正的问题是没有一个够用的基座，能撑起自己的产品线，同时在模型能力上回到牌桌上。

从这个标准看，Hy3 preview 给出了一个肯定的答案。

我们的测试围绕这个定位设计：真实世界的复杂工程问题，这也是姚顺雨加入腾讯后一直在强调的方向。

他到腾讯参与的第一篇论文叫CL-bench，全称Context Learning Benchmark，在这个研究里它没有考察模型推理能力或代码生成，而是在追问一件更基础的事：对于上下文，模型真的读进去了吗？这对真实世界至关重要。

当时的研究结论很难看，十个前沿模型平均任务解决率只有 17.2%。

我们在这次第一时间的测试里，就用了姚顺雨“辣评”其他模型的方法，来看看Hy3 preview的表现。

实测 Hy3 preview

测试 1：做个人展示页

网站开发对模型来说并不稀奇，但可以看出一个模型的审美能力。

在 workbuddy 中，选择 Hy3 preview，模型。让其帮我设计一个个人展示页，UI 设计要有现代艺术感，要有炫酷的动效。

可以看到，Hy3 preview 首选的是比较科幻的风格，开头文字的报错设计，以及后续滚动弹出效果，以及鼠标交互效果都有，并不是常见的 AI 味很重的网页。

测试 2：核实内容，打败幻觉

AI 时代，流言满天飞，DeepSeek V4 鸽了又鸽，永远在"下周发布"；家族群每隔几天就冒出一条 AI 生成的假新闻，真假混在一起，比以前更难分辨。

我们决定换个思路，既然 AI 会制造噪音，那让 AI 来核实噪音呢？

我们尝试让 Hy3 preview，核实一下最近比较火的“鱼油到底有没有用的争议”

任务不是简单的"查一查"，而是需要其提供完整的信源分析，搜集不同背景的来源，识别矛盾点，给出信度评分。

Hy3 preview 同时调取了央视、腾讯新闻、澎湃、FTC 执法记录、Nature/Scientific Reports 以及 PubMed/Cochrane，共 7 个信源。此外，它没有给出模糊的"存在争议"式结论，而是把问题拆开，针对健康人群给出 35 分低信度，针对心血管疾病患者给出 65 分，有效性高度依赖人群、剂量和产品纯度等。

它还识别出市场层面的信息污染，央视调查发现有直播间销售的"高纯度鱼油"实际未检出任何 EPA、DHA；FTC 执法记录显示 BASF 自己赞助的临床试验中产品效果不优于安慰剂。

当然，报告也有局限，信度评分有伪精确感，对小鼠实验的篇幅略重，对人体意义并不大。但重点是 Hy3 preview 引用信源的能力，知道什是官媒、什么是专业作者，什么是学术论文。

测试 3：针对权限虚假文档答题

为了验证 Hy3 preview 的 context learning 能力，我们参照 CL-Bench 的核心设计原则，测试材料必须是模型预训练阶段从未见过的内容，正确答案只能从当下提供的文档中推导，设计了道工业操作手册题。

我们虚构了一份参数密集的《Helios-7 压缩机组操作手册》，将关键判断条件藏在第 4.3 节的注意事项中：振动超限期间，若同时出现主轴承温度超过 82°C，须立即停机，不得尝试降速运行。

Hy3 preview 回答正确。它找到了第 4.3 节的禁止条款，判断操作员做法不正确，理由准确指向轴承温度 84°C 已超过 82°C 阈值这一关键事实，没有用"降速是保守操作"的工程常识覆盖文档规则。

但有一个细节值得注意。Hy3 preview 的回答开头出现了一段思维链独白，其中写道"I need to check what those steps are to determine if reducing speed is the correct response"，紧接着却直接给出了结论。

这个到底是真实推理轨迹还是一种“伪装”，在解决这种搭建出来的环境里的问题时，模型的推理过程是否真实反映了它读取文档的路径，值得更多研究。

单题答对不足以定论。CL-Bench 的测试结论是，当前前沿模型的平均任务解决率只有 17.2%，最强模型也不过 23.7%，失败的主要原因是"读到了但用错了"。Hy3 preview 在这道题上没有犯这个错误。

测试 4：Agent 能力

说实话，当前模型能力正在趋同，真正拉开差距的反而是 Harness 构建的水平。那么模型能不能用好 Skill，能不能更好适配 Harness，有时比跑分更能说明问题。

我们以 Hy3 Preview 为例，调用浏览器 Skill（要配置 Chrome 远程调试）和腾讯在线文档 Skill，完成了一个世界杯赛程网页的制作任务，任务中既涵盖表格、PDF 等多模态输出，也将直接检验 Hy3 Preview 的 Skill 调用能力。

可以看到，Hy3 Preview 在 workbuddy 环境下，为这个任务调用了 32 个工具，也不知道为啥能那么多。

第一步搜索阶段，Hy3 Preview 先完成了浏览器环境检查，然后检索并整理出了基本赛事信息：48 支参赛队、16 个举办城市、12 个小组的分组结果，以及赛制和奖金方案。值得注意的是，在启动浏览器之前，它识别出了环境未就绪的问题，主动停下来提示完成 Node.js 版本检查和远程调试端口配置。

第二步内容生成阶段，任务切换后模型明显提速：其直接生成了赛程网页并完成预览。相比第一步的大量工具调用，面对结构清晰、输出目标明确的任务，模型能够收敛调用链路。

过程中有一个细节，当我打断环境安装步骤后，Hy3 Preview 会识别并选择新的方式。在经历浏览器自动化和办公 Skill调用后，Hy3 preview也成功生成了网页和对应的多模态内容。

四项测试测下来，Hy3 preview 的表现不输当前主流模型的日常使用水准。代码生成有审美判断，信息核实能区分信源权威度，context learning 的测试里没有用常识覆盖规则，Agent 任务里能识别环境变化并调整路径。

但也有值得持续观察的地方。思维链的"表演感"是当前推理模型的通病，Hy3 preview 也没有跳出来。信度评分的伪精确、对小鼠实验的过度展开，说明信息筛选的权重判断还有空间。32 步工具调用完成任务，效率层面不算极致。

这些问题都还在。但它们不是这次评测的主角。

没人怀疑在AI竞争里，腾讯强大的c端产品能起到的作用。但它有天花板——当用户开始用 AI 做多步推理、长文档分析、复杂 Agent 任务，底层模型的能力终究会直接影响留存。产品层能弥补的差距是有限的。

腾讯在 AI 这场仗里，产品腿和模型腿的长度一直不一样。

Hy3 preview 的出现是一次基模补齐，而不是在模型能力上的超越。

腾讯从来不是靠最强技术赢的公司。微信赢的时候，技术并不比米聊强多少。但技术弱到一定程度，是会拖死产品。

Hy3 preview 在此刻的“任务”也许就在这里：不是要做最强的模型，而是让腾讯的 AI 产品终于有底气只用自家的基座。

据透露，该系列更大尺寸的模型接下来也会发布，竞争会变得更加有趣了。

点击关注我哦