腾讯新模型Hy3调用激增，WorkBuddy紧急扩容，算力资源消耗达到峰值，这款被冠以"姚顺雨腾讯首秀"的大模型，到底有哪些能力边界的突破。
AGI-Eval大模型评测社区在第一时间对Hy3正式版进行了多维度开箱实测，覆盖复杂推理、代码生成、智能体Agent与长文本处理四大核心能力模块。
一、行业现状：大模型进入"下半场"
当前，大模型产业正处于从训练阶段向推理阶段过渡的时期。需求侧，国内日均Token调用量持续增长；供给侧，推理成本控制成为行业关注重点。
与此同时，模型能力的竞争焦点也在发生变化，从参数规模竞争转向实际场景中的应用效果。2026年，AI Agent方向受到较多关注。
在此背景下，腾讯混元Hy3正式版上线。该模型采用MoE架构，总参数295B，激活参数21B，支持256K上下文。目前，Hy3已接入元宝、WorkBuddy、CodeBuddy、Marvis、ima等腾讯产品。
二、模型开箱实测
那么，腾讯混元Hy3在实测中的表现究竟如何？
2.2.1 复杂推理能力
我们设计了涵盖博弈论、应用数学和逻辑推理的三个高难度问题，以测试模型的思维深度和严谨性。
- Case 1: 多轮博弈最优决策推理
- 两人轮流取 1-5 颗棋子，共 32 颗，拿到最后一颗获胜，先手采用最优策略，写出完整操作步骤，证明先手必胜。
☞【AGI-Eval大模型评测】看原版实测视频
- Case 2: 线性规划与成本计算
- 工厂采购甲乙两种原料，3 份甲 + 5 份乙成本 410 元；5 份甲 + 2 份乙成本 340 元。现生产产品每份消耗 2 甲 1 乙，订单需求 1200 件，原料采购单价上浮 15%，求调整后总生产成本，写出完整方程组与分步计算。
☞【AGI-Eval大模型评测】看原版实测视频
AGI-Eval 点评：
HY3 在处理这类需要严格步骤和逻辑链条的问题时，展现了良好的解题框架能力。它能够准确建立数学模型（如方程组）并按步骤求解，对逻辑约束的理解也基本到位。这表明其具备了处理复杂分析任务的基础，但其稳定性及在更抽象、多层嵌套逻辑下的表现，仍是评判顶尖模型能力的关键。
2.2.2 代码生成能力
代码是检验模型逻辑和工程能力的核心标准。我们从代码重构、安全和并发编程三个角度进行了测试。
- Case 1: Python 代码重构
- 输入一份冗长、无注释、重复函数的 Python 数据清洗脚本，要求完成模块化拆分、类型注解、日志封装、冗余逻辑删除、性能优化，输出重构后完整代码 + 改造对比说明。
☞【AGI-Eval大模型评测】看原版实测视频
- Case 2: 代码安全漏洞修复
- 给出一段存在 SQL 注入、XSS 漏洞的 Python Flask 查询代码，先逐行标注风险点，再重写无漏洞可运行版本，附安全加固说明。
☞【AGI-Eval大模型评测】看原版实测视频
AGI-Eval 点评：
代码生成是 HY3 的强项。生成的代码大体完成得很优雅，代码简洁逻辑清晰，符合现代软件工程规范。但在并发编程的边缘 case 处理上，暴露出一些逻辑瑕疵，例如中途取消任务时状态反馈不明确，以及计数器更新时机不严谨，这可能在生产环境中导致数据统计偏差。
2.2.3 智能体 Agent 任务
Agent 能力是衡量模型能否从"聊天机器人"进化为"行动助理"的关键。我们设计了覆盖信息检索、多步规划、分析总结等多个场景的任务。
- Case 3: 产品购买指南
- 基于网络评测，筛选 3 款便携咖啡机，总结优缺点，撰写购买指南。
☞【AGI-Eval大模型评测】看原版实测视频
- Case 4: 市场调研分析师
- 针对某款新饮品，检索媒体、社媒、投诉平台信息，总结评价基调、核心槽点和市场风险。
☞【AGI-Eval大模型评测】看原版实测视频
- Case 5: 消费电子选购报告
- 扮演分析师，针对特定预算和人群，完成真无线耳机的市场扫描、参数提取、口碑聚类、多维对比和决策建议报告。
☞【AGI-Eval大模型评测】看原版实测视频
AGI-Eval 点评：
在此项任务中，HY3 展现了其出色的工具调用、Agent 编排和调度能力。模型似乎对这类任务进行了原生优化，能够熟练地运用搜索工具，并从冗余的检索信息中精准分辨出官方或高价值的内容。其背后体现的推理逻辑，特别是在信息筛选和整合环节，是其作为生产力工具的核心优势。
2.2.4 长文本处理能力
处理海量信息是衡量模型"智力"和"耐力"的标尺。我们测试了 HY3 在处理数万字文档时的摘要和检索能力。
- Case 1: 长文档摘要
- 输入一份 2 万字的 PDF 年报，要求提取核心财务指标。
☞【AGI-Eval大模型评测】看原版实测视频
- Case 2: 长上下文检索
- 输入多轮对话历史或长篇小说片段，回答末尾的细节问题。
AGI-Eval 点评：
HY3 的长文档处理和文字识别能力突出，仅用 44 秒就处理完数万字的年报，模型推理速度极快。然而，其优势似乎更体现在对单一长文档的快速"消化"上。实测发现，当面临需要跨多个文档进行信息检索和定位的复杂场景时，模型由于上下文窗口的限制，能力稍显不足，这可能是其未来需要重点突破的方向。
三、总结
那么，Hy3 到底处在什么位置？
它并没有想成为那个无所不能的模型，而是更像一位术业有专攻的搭档。如果你的日常就是和代码、数据和自动化任务打交道，它会是一个反应敏捷、干活利落的好帮手。但如果你面对的是极其深奥的数理推演，或是需要模型同时阅读并理解一整书架的资料，那些重量级选手依然是更稳妥的依靠。