騰訊終于上桌了？

出品｜虎嗅黃青春頻道

作者｜商業消費主筆黃青春

題圖｜視覺中國

7 月 6 日，騰訊混元 Hy3 正式版發布，距離 4 月 23 日 Hy3 preview 亮相僅兩個多月，距離姚順雨以首席 AI 科學家身份空降騰訊、主導混元架構重建不過 201 天。

作為姚順雨治下首款正式版大模型，Hy3 被賦予了雙重象征意義：它既是騰訊 AI 底層基礎設施推倒重建后的首份完整答卷，也被外界視作騰訊補齊短板、入局 AI 下半場的標志性產品。

官方口徑中，這款總參數 295B、僅激活 21B 參數的 MoE 模型，實現了比肩 2~5 倍參數規模旗艦模型的效果，搭配開源權重、極低 API 定價與全產品線接入，儼然一副領跑高性價比生產力模型的姿態。

然而，將 Hy3 的公開數據放回行業坐標系、嵌入騰訊生態語境審視便會發現：姚順雨要托起騰訊 AI 下半場，絕非易事。

實用主義走向“偏科”

Hy3 最核心的標簽是“小身板對標大模型”。官方強調其以 21B 激活參數，實現了參數規模 2~5 倍于自身的旗艦模型效果；然而，拆解其技術規格不難發現：這并非底層架構層面的創新突破，只是稀疏模型路線下的工程化調優，能力邊界從一開始就被參數規模鎖死。

從架構上看，Hy3 沿用了 preview 版本的底層設計：MoE 混合專家架構，總參數 295B，每次推理激活 Top-8 共 21B 參數，搭配 3.8B 的 MTP 層參數、80 層主網絡結構，支持 256K 上下文長度。

換言之，正式版未做架構層面的改動，提升全部來自后訓練數據提質、RL 算力擴容與工程調優，典型的架構不動、數據補位，注定它是補短板式的升級，而非代際跨越。

放在行業坐標系中，295B 參數規模僅與 DeepSeek V4 Flash、MiniMax M3 處于同一梯隊，而國內外第一梯隊模型總參數量已普遍跨過萬億級門檻。

上下文窗口的選擇，同樣值得玩味。

當下行業普遍以 1M 甚至 2M 超長窗口作為性能噱頭秀技術實力，Hy3 正式版不盲目追超大長度，轉而在 256K 區間內打磨性能上限，減少真實業務場景中的出錯率，充分體現出姚順雨的實用主義思路：絕大多數日常辦公、代碼開發場景，256K 足以覆蓋。

可務實的代價是戰略收縮——Hy3 難以適配超長源碼庫、全量知識庫等硬核場景，而對企業級客戶而言，長上下文能力屬于剛需，是大模型弱化傳統檢索依賴的核心價值。Hy3 將自身定位為中高端生產力工具而非全場景旗艦，雖換取了成本與穩定性優勢，卻從戰略上放棄了大模型競賽中單點性能極限的突破。

不止參數規模與上下文窗口，被視作 Hy3 賣點的快慢思考融合機制，本質是推理階段的分級檔位調度：常規請求采用輕量化推理深度實現快速響應，高復雜度任務則提升算力、加長思考鏈路以提升準確率。

這套機制的核心價值在于平衡速度與成本，凸顯的是工程團隊的精細化調度能力，而非底層模型技術路線的代際領先。

當然，評判一款大模型的真實水平，既要橫向看 benchmark，也要縱向看真實場景的落地表現。Hy3 呈現出鮮明的“偏科”特征：長板足夠突出，但集中在細分賽道；短板同樣明顯，恰恰落在 AI 下半場的核心競爭領域。

Hy3 表現最強的維度，集中在信息檢索與單工具執行。

• 搜索智能體方向，BrowseComp 基準 84.2 分，與 GPT-5.5 的 84.4 分幾乎持平，躋身第一梯隊；

• WideSearch 與 DeepSearchQA 同樣躋身前列。這意味著在網頁導航、多源信息交叉驗證、長文檔抽取等任務中，Hy3 已接近國際頂流模型的穩定性與準確率。

Agent 執行層面同樣可圈可點。

• ClawEval 基準 68.5 分，僅次于 Claude Opus 4.8，超過 DeepSeek V4 Pro 與 Qwen 3.7 Max；

• SkillsBench 從 preview 的 29.1 分躍升至 55.3 分，漲幅近 90%，位列第二。說明 Hy3 在單 Agent、可控環境下的工具調用準確率與步驟規劃能力已躋身行業頭部。

這些長板精準命中辦公場景痛點：信息整理、文檔生成、簡單工具調用均是白領最高頻的需求。難怪內部 270 位專家盲測中，Hy3 在辦公、前端等場景評分高于 GLM 5.1，敢情其能力分布高度貼合內部日常需求。

當然，細分賽道領先，不等于綜合能力領跑。

信息檢索與單工具執行，本質是對已有信息的整合落地，考驗的是指令遵循與穩定性；而真正決定大模型能力上限的，是復雜推理、硬核代碼、多工具生態協同等底層能力——在這些核心賽道上，Hy3 差距肉眼可見。

比如，最考驗硬核工程能力的代碼賽道，Hy3 的表現只能用“平庸”形容。

• SWE-bench Pro 基準上，Hy3 拿到 57.9 分，雖較 preview 版提升超 25%，但大幅落后 Claude Opus 4.8 的 69.2 分，也低于 GLM 5.2 的 62.1 分。

• SWE-bench Multilingual 75.8 分，同樣落后于 Claude 與 GLM 5.2。

• Terminal Bench 2.1 終端命令基準 71.7 分，與前三存在明顯差距。

• NL2repo 自然語言轉代碼倉庫任務 45.6 分，僅處行業中游。

換言之，Hy3 的代碼升級更多體現在前端生成、簡單腳本編寫等輕量場景，這與內部盲測前端類別優勢顯著的結論吻合；但面對倉庫級重構、復雜系統 Debug、多語言工程遷移等硬核軟件工程任務，它與第一梯隊之間仍有清晰的代差。

數學與推理維度差距更甚。MathArena Apex 數學競賽基準上，Hy3 拿到 38.7 分，盡管較 preview 版的 12.8 分實現 207% 的爆發式增長，但橫向對比不到 GPT-5.5 的一半，也低于 Qwen 3.7 Max 的 44.5 分。即便是表現較好的 GPQA Diamond 博士級科學問題基準，90.4 分仍與 GPT-5.5 的 93.6 分有明顯距離。

甚至，在 MCP Atlas 工具調用基準上，Hy3 僅 79.1 分，在參與對比的 6 個主流模型中排名末位，不僅低于 Claude Opus 4.8、GLM 5.2，也略遜于 Seed 2.1 Pro。

要知道，MCP 是當前 Agent 生態的事實標準，多工具協作、跨系統調度的能力直接決定 Agent 能否落地復雜工作流。這從側面印證：單工具、可控環境中 Hy3 表現亮眼；但跨多工具、需異常處理的復雜任務中，其容錯能力與穩定性仍是硬傷。

串聯生態的鑰匙？

Hy3 剛上線就享受了眾星捧月的待遇，WorkBuddy、元寶、ima、Marvis、QQ 瀏覽器、微信讀書、WeGame 等數十款產品接入，但它真能成為串聯騰訊內部 AI 生態的鑰匙嗎？

官方披露的數據都在強調相較于 preview 版的提升幅度：

• WorkBuddy 辦公任務成功率從 72% 升至 90%，平均耗時縮短 34%，Token 消耗較 GLM 5.2 節省近 50%；

• 通用體驗層面，幻覺率從 12.5% 降至 5.4%，常識錯誤率從 25.4% 降至 12.7%，多輪問題率從 17.4% 降至 7.9%，長對話理解基準 MRCR 從 42.9% 升至 75.1%；

• Agent 賽道，Marvis 任務完成率提升 12.7%，多 Agent 派發正確率提升 13.5%。

這些環比數據印證了場景反哺模型的有效性，但環比增速只代表進步幅度，不代表行業站位。

況且，部分數據的宣傳口徑偏向有利場景：官方只提高頻辦公任務中 Token 消耗顯著低于 GLM 5.2，卻回避短板場景的消耗表現。在代碼重構、復雜推理等劣勢場景，Token 消耗會因反復重試、無效調用而大幅上升，單價優勢自然會被對沖——只算優勢賬、不算短板賬，顯然不是完整的真相。

行業普遍認為，騰訊做 AI 的底牌從來不是模型技術本身，而是獨一無二的場景生態——微信 14.32 億月活、社交關系鏈、小程序生態、內容生態，是所有競爭對手都不具備的 context優勢。姚順雨選擇加入騰訊，最核心的考量也是其“擁有大量真實場景”。

然而，這張底牌至今未與混元形成真正合力。最標志性的信號：微信原生 AI 助手“小微”以自研 WeLM 為主、部分場景調用 DeepSeek-v4。

作為騰訊流量與場景的核心陣地，微信事業群擁有獨立 AI 團隊、專屬模型路線，甚至有獨立的技術選型優先級。這很大程度上源于，WeLM 更適配微信的隱私、安全合規要求，也意味著混元尚未成為騰訊內部統一的 AI 底座——至少在微信體系內，它只是選項之一，而非默認選擇。

據虎嗅了解，騰訊不會在未經用戶允許的情況下使用微信數據訓練模型，微信數據涉及用戶隱私與產品體驗，是內部絕對紅線。

有鑒于此，騰訊手握全行業最豐富的context，卻無法真正匯聚到模型訓練的閉環里。除內部辦公場景外，Hy3 在金融、游戲等垂直賽道的落地也多為點狀功能升級，尚未形成場景壁壘：

• 金融賽道：騰訊自選股 7 月 7 日宣布全場景接入 Hy3，主打行情解讀與異動分析，內部金融建模評測表現與 GLM 5.2 基本持平。

• 游戲賽道：WeGame 的《流放之路：降臨》AI 助手接入后幻覺率下降、成功率提升，但本質仍是游戲內問答工具，未觸及玩法設計、內容生成、數值平衡等研發核心環節。

姚順雨的局限性

Hy3 的產品邏輯，是姚順雨“AI 下半場”理念的具象化。他認為，AI 上半場是找到方法論，下半場是解決真實世界問題；如今看來，實用主義可以快速補短板、打磨體驗，但要支撐騰訊在 AI 下半場實現彎道超車，難度不小。

姚順雨經常強調模型與產品的 Co-Design（聯合設計），主張用真實產品反饋定義評測標準、迭代模型能力。從 preview 到正式版的迭代也證明了這一路線的有效性：50 多個業務團隊的反饋，幫助模型修復了大量榜單發現不了的底線問題，幻覺、多輪跑偏、工具調用錯誤等體驗痛點也得到明顯改善。

但 Co-Design 的前提是跨部門深度協同、數據順暢流通、目標高度一致。據虎嗅了解，為推進與元寶的合作，姚順雨曾派后訓練最強的骨干力量支援元寶團隊，哪怕當時預訓練還沒準備好——這恰恰說明，跨部門協作阻力之大，需要負責人強力推動。

這也解釋了為何湯道生與姚順雨的對談中，建立信任、換位思考、對齊目標被反復提及，因為協同成本堪稱互聯網大廠最大的隱形成本。

技術路線層面，Hy3 走出了一條差異化路徑：不追萬億參數，不卷百萬超長上下文，依托中等參數量底座搭配極致推理工程優化，主打高性價比生產力落地場景；疊加 1 元 / 百萬 Tokens 輸入、4 元 / 百萬 Tokens 輸出的低價策略，再輔以商用友好的 Apache 2.0 開源協議，試圖在中高端模型市場撕開一道口子。

這條路線的優勢很明顯：推理成本低、落地周期短、運行體驗穩，對預算敏感的中小企業與開發者吸引力極強。preview 版上線至正式版發布，日均 Token 消耗量增長 20 倍，也印證了性價比路線的市場需求。

可硬幣的另一面，風險同樣清晰。

首先，性價比賽道正變得越發擁擠：DeepSeek 有 V4 Flash，智譜有輕量旗艦版，各家都在推出高性價比中量級模型。隨著技術整體進步，輕量模型的能力持續上探、價格持續下探，Hy3 當前的價格優勢能維持多久，要打一個大大的問號。

其次，頂級模型的溢出效應正在加速顯現。GPT、Claude 持續降價，國內頭部旗艦模型成本快速下探，中高端模型的生存空間勢必會受到持續擠壓。企業用戶的選擇邏輯很簡單：如果頂級模型成本只高一點點、能力卻強一大截，多數人會選擇一步到位。性價比路線永遠有細分市場，但很難成為主流，更難支撐騰訊 AI 的戰略野心。

所以，姚順雨操刀的 Hy3 正式版上線，騰訊終于算是上桌了——它讓騰訊擁有了一款拿得出手、用得上的主流大模型，補上了過去幾年落下的功課，摸到了 AI 下半場的門檻；但騰訊 AI 的核心挑戰，從來都不是能否做出一款合格的大模型，而是能不能把自身的場景優勢、生態優勢，真正轉化為 AI 時代的競爭優勢。

姚順雨說，AI 是一場長跑，下半場才剛剛開始；如今，Hy3 上桌后，騰訊 AI 還未到亮底牌的時刻。

# 虎嗅商業消費主筆黃青春、黃青春頻道出品人，關注文娛社交、游戲影音等多個領域，行業人士交流加微信：724051399，新聞線索亦可郵件至huangqingchun@huxiu.com

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4873333.html?f=wyxwapp