腾讯终于上桌了？

出品｜虎嗅黄青春频道
作者｜商业消费主笔 黄青春
题图｜视觉中国

7 月 6 日，腾讯腾讯混元 Hy3 正式版正式发布。终于从 4 月 23 日 Hy3 Preview 亮相到正式版发布，上桌历时仅两个多月；自首席 AI 科学家姚顺雨空降腾讯主导架构重建，腾讯也不过 201 天。终于

作为姚顺雨治下的上桌首款正式大模型，Hy3 承载着双重象征意义：它既是腾讯腾讯 AI 底层基础设施重构后的首份答卷，也被外界视为腾讯补齐短板、终于正式入局 AI 下半场的上桌标志性产品。

官方数据显示，腾讯这款采用 MoE（混合专家）架构的终于模型总参数达 295B，激活参数仅 21B。上桌其宣称实现了比肩 2~5 倍参数规模旗舰模型的腾讯效果，并配合开源权重、终于极具竞争力的上桌 API 定价及全产品线接入，展现出领跑“高性价比生产力模型”的姿态。

然而，若将 Hy3 置于行业坐标系与腾讯生态语境中审视，姚顺雨想要托起腾讯的 AI 下半场，绝非易事。

实用主义下的“偏科”现象

Hy3 的核心标签是“小身板对标大模型”。官方强调其以 21B 激活参数实现了超越自身参数规模 2~5 倍的旗舰模型效果。但深入拆解技术规格可见，这并非底层架构的创新突破，而是稀疏模型路线下的工程化调优，其能力边界在参数规模上已注定受限。

架构与参数：工程调优而非代际跨越

从架构看，Hy3 正式版沿用了 Preview 版本的底层设计：
* 架构类型：MoE 混合专家架构。
* 参数配置：总参数 295B，推理时激活 Top-8 共 21B 参数。
* 辅助结构：搭配 3.8B 的 MTP 层参数，主网络结构为 80 层。
* 上下文长度：支持 256K。

换言之，正式版未进行架构层面的改动，性能提升主要源于后训练数据提质、RL（强化学习）算力扩容与工程调优。这是一种典型的“架构不动、数据补位”策略，属于补短板式升级，而非代际跨越。

在行业坐标系中，295B 的总参数量仅与 DeepSeek V4 Flash、MiniMax M3 处于同一梯队，而国内外第一梯队模型的总参数量已普遍突破万亿级门槛。

上下文窗口：务实背后的战略收缩

在上下文窗口选择上，Hy3 并未盲目追逐 1M 甚至 2M 的超长窗口噱头，而是聚焦于 256K 区间内的性能打磨，以降低真实业务场景中的出错率。这体现了姚顺雨的实用主义思路：绝大多数日常办公、代码开发场景，256K 已足够覆盖。

然而，务实的代价是战略收缩。Hy3 难以适配超长源码库、全量知识库等硬核场景。对于企业级客户而言，长上下文能力是刚需，也是大模型弱化传统检索依赖的核心价值。Hy3 将自己定位为中高端生产力工具而非全场景旗舰，虽换取了成本与稳定性优势，却在战略上放弃了大模型竞赛中单点性能极限的突破。

快慢思考：调度能力而非技术领先

Hy3 的另一大卖点——“快慢思考”融合机制，本质上是推理阶段的分级档位调度：
* 常规请求：采用轻量化推理深度，实现快速响应。
* 高复杂度任务：提升算力投入，延长思考链路以提升准确率。

这一机制的核心价值在于平衡速度与成本，凸显的是工程团队的精细化调度能力，而非底层模型技术路线的代际领先。

能力评估：长板突出，短板明显

评判大模型需横向对比 Benchmark，纵向考察真实场景落地。Hy3 呈现出鲜明的“偏科”特征：长板集中在细分赛道，短板则落在 AI 下半场的核心竞争领域。

长板：信息检索与单工具执行

Hy3 最强的维度集中在信息检索与单工具执行，精准命中办公场景痛点：

• 搜索智能体：在 BrowseComp 基准中得分 84.2，与 GPT-5.5 的 84.4 分几乎持平，跻身第一梯队；在 WideSearch 与 DeepSearchQA 中同样表现前列。这意味着在网页导航、多源信息交叉验证、长文档抽取等任务中，Hy3 已接近国际顶流的稳定性与准确率。
• Agent 执行：
• ClawEval 基准得分 68.5，仅次于 Claude Opus 4.8，超过 DeepSeek V4 Pro 与 Qwen 3.7 Max。
• SkillsBench 从 Preview 的 29.1 分跃升至 55.3 分，涨幅近 90%，位列第二。
• 这表明 Hy3 在单 Agent、可控环境下的工具调用准确率与步骤规划能力已跻身行业头部。

内部 270 位专家盲测显示，Hy3 在办公、前端等场景评分高于 GLM 5.1，其能力分布高度贴合内部日常需求。

短板：复杂推理与硬核代码

然而，细分赛道领先不等于综合能力领跑。信息检索与单工具执行主要考验指令遵循与稳定性，而决定大模型上限的是复杂推理、硬核代码及多工具生态协同。在这些核心赛道上，Hy3 差距明显：

• 代码赛道（表现平庸）：
• SWE-bench Pro：57.9 分（虽较 Preview 提升超 25%，但大幅落后于 Claude Opus 4.8 的 69.2 分及 GLM 5.2 的 62.1 分）。
• SWE-bench Multilingual：75.8 分，同样落后于 Claude 与 GLM 5.2。
• Terminal Bench 2.1：71.7 分，与前三存在明显差距。
• NL2repo：45.6 分，仅处行业中游。

• 结论：Hy3 的代码优势主要体现在前端生成、简单脚本编写等轻量场景；面对仓库级重构、复杂系统 Debug、多语言工程迁移等硬核任务，与第一梯队存在清晰代差。

• 数学与推理（差距甚远）：

• MathArena Apex：38.7 分（较 Preview 的 12.8 分增长 207%，但不到 GPT-5.5 的一半，低于 Qwen 3.7 Max 的 44.5 分）。

• GPQA Diamond：90.4 分（博士级科学问题，仍与 GPT-5.5 的 93.6 分有距离）。

• 多工具协同（生态短板）：

• MCP Atlas：79.1 分，在参与对比的 6 个主流模型中排名末位，低于 Claude Opus 4.8、GLM 5.2 及 Seed 2.1 Pro。
• 结论：MCP 是当前 Agent 生态的事实标准。Hy3 在单工具、可控环境中表现亮眼，但在跨多工具、需异常处理的复杂任务中，其容错能力与稳定性仍是硬伤。

串联生态的钥匙？

Hy3 上线即享受“众星捧月”待遇，WorkBuddy、元宝、ima、Marvis、QQ 浏览器、微信读书、WeGame 等数十款产品接入。但它真能成为串联腾讯内部 AI 生态的钥匙吗？

数据提升背后的局限

官方披露的数据主要强调相较于 Preview 版的提升幅度：
* WorkBuddy：办公任务成功率从 72% 升至 90%，平均耗时缩短 34%，Token 消耗较 GLM 5.2 节省近 50%。
* 通用体验：幻觉率从 12.5% 降至 5.4%，常识错误率从 25.4% 降至 12.7%，多轮问题率从 17.4% 降至 7.9%，长对话理解基准 MRCR 从 42.9% 升至 75.1%。
* Agent 赛道：Marvis 任务完成率提升 12.7%，多 Agent 派发正确率提升 13.5%。

这些环比数据印证了场景反哺模型的有效性，但环比增速仅代表进步幅度，不代表行业站位。此外，部分宣传口径存在选择性披露：官方强调高频办公任务中 Token 消耗低于 GLM 5.2，却回避了在代码重构、复杂推理等劣势场景中，因反复重试和无效调用导致的 Token 消耗激增。只算优势账、不算短板账，并非完整真相。

微信生态的“隔阂”

行业共识认为，腾讯做 AI 的底牌并非模型技术本身，而是独一无二的场景生态——微信 14.32 亿月活、社交关系链、小程序及内容生态，构成了竞争对手不具备的 Context 优势。姚顺雨加入腾讯的核心考量，正是其拥有的“大量真实场景”。

然而，这张底牌至今未与混元形成真正合力。最标志性的信号是：微信原生 AI 助手“小微”以自研 WeLM 为主，部分场景调用 DeepSeek-v4。

微信事业群拥有独立的 AI 团队、专属模型路线及技术选型优先级。WeLM 更适配微信的隐私与安全合规要求，这意味着混元尚未成为腾讯内部统一的 AI 底座——至少在微信体系内，它只是选项之一，而非默认选择。据虎嗅了解，腾讯严禁在未经用户允许的情况下使用微信数据训练模型，数据隐私是内部绝对红线。因此，腾讯虽手握最丰富的 Context，却无法将其真正汇聚到模型训练的闭环中。

垂直赛道：点状突破，未成壁垒

除内部办公场景外，Hy3 在金融、游戏等垂直赛道的落地多为点状功能升级，尚未形成场景壁垒：
* 金融赛道：腾讯自选股于 7 月 7 日宣布全场景接入 Hy3，主打行情解读与异动分析。内部金融建模评测表现与 GLM 5.2 基本持平。
* 游戏赛道：WeGame 的《流放之路：降临》接入 AI 助手后，幻觉率下降、成功率提升，但本质仍是游戏内问答工具，未触及玩法设计、内容生成、数值平衡等研发核心环节。

姚顺雨的局限性

Hy3 的产品逻辑是姚顺雨“AI 下半场”理念的具象化。他认为，AI 上半场是寻找方法论，下半场是解决真实世界问题。实用主义可以快速补短板、打磨体验，但要支撑腾讯在 AI 下半场实现弯道超车，难度不小。

Co-Design 的协同困境

姚顺雨强调模型与产品的 Co-Design（联合设计），主张用真实产品反馈定义评测标准、迭代模型能力。从 Preview 到正式版的迭代证明了这一路线的有效性：50 多个业务团队的反馈帮助模型修复了大量榜单无法发现的底线问题，显著改善了幻觉、多轮跑偏、工具调用错误等体验痛点。

但 Co-Design 的前提是跨部门深度协同、数据顺畅流通及目标高度一致。据虎嗅了解，为推进与元宝的合作，姚顺雨曾派出后训练最强的骨干支援元宝团队，即便当时预训练尚未准备好。这恰恰说明，跨部门协作阻力巨大，需要负责人强力推动。这也解释了为何在汤道生与姚顺雨的对谈中，建立信任、换位思考、对齐目标被反复提及——协同成本堪称互联网大厂最大的隐形成本。

性价比路线的风险

技术路线上，Hy3 走出了一条差异化路径：不追万亿参数，不卷百万超长上下文，依托中等参数量底座搭配极致推理工程优化，主打高性价比生产力落地场景。叠加 1 元/百万 Tokens 输入、4 元/百万 Tokens 输出的低价策略，以及商用友好的 Apache 2.0 开源协议，试图在中高端模型市场撕开一道口子。

优势明显：推理成本低、落地周期短、运行体验稳，对预算敏感的中小企业与开发者吸引力极强。Preview 版上线至正式版发布，日均 Token 消耗量增长 20 倍，印证了性价比路线的市场需求。

风险清晰：
1. 赛道拥挤：DeepSeek 有 V4 Flash，智谱有轻量旗舰版，各家均在推出高性价比中量级模型。随着技术整体进步，轻量模型能力上探、价格下探，Hy3 当前的价格优势能维持多久存疑。
2. 顶级模型溢出效应：GPT、Claude 持续降价，国内头部旗舰模型成本快速下探，中高端模型生存空间受挤压。企业用户逻辑简单：若顶级模型成本仅略高、能力却强一大截，多数人会选择一步到位。性价比路线虽有细分市场，但难成主流，更难支撑腾讯 AI 的战略野心。

结语

姚顺雨操刀的 Hy3 正式版上线，标志着腾讯终于“上桌”——它让腾讯拥有了一款拿得出手、用得上的主流大模型，补上了过去几年落下的功课，摸到了 AI 下半场的门槛。

但腾讯 AI 的核心挑战，从来不是能否做出一款合格的大模型，而是能否将自身的场景优势、生态优势，真正转化为 AI 时代的竞争优势。

姚顺雨称 AI 是一场长跑，下半场才刚刚开始。如今，Hy3 上桌后，腾讯 AI 还未到亮底牌的时刻。

# 虎嗅商业消费主笔黄青春、黄青春频道出品人，关注文娱社交、游戏影音等多个领域，行业人士交流加微信：724051399，新闻线索亦可邮件至huangqingchun@huxiu.com

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4873333.html?f=wyxwapp

本文地址：https://www.dr-wine.com/html/702e13299165.html