腾讯混元 Hy3 这波开源，把大模型门槛踩碎了

大家好，我是小悟。

这两年大模型一个比一个能吹，真到干活的时候，问题全冒出来了。写代码写到一半开始胡说八道，上下文一长就忘了前面说了啥，最要命的是让模型去调工具、跑 Agent，十次有八次卡在格式不对或者调用失败。还有幻觉，一本正经编数据，你信了就倒霉。

我自己被这些坑折磨得够呛。所以看到腾讯 7 月 6 号把混元 Hy3 正式开源，我第一反应是：先别管参数多漂亮，能不能真把活干漂亮才是关键。

图片

Hy3 到底是什么

混元 Hy3 是腾讯混元团队重建训练基础设施之后的第一个正式版。今年 1 月底他们把预训练和强化学习的基础设施整个重做了一遍，4 月底先放了个 preview 试水，收到 50 多个产品线的反馈，磨了两个月，7 月 6 号推出这个正式版。

它用的是 MoE 架构，总参数 2950 亿，但每次只激活 210 亿，外加 38 亿的 MTP 层参数，支持 256K 上下文。这个名字里的路子是快慢思考融合——简单问题直接给答案，复杂任务才进入深度推理。

图片

最实在的一点，它走 Apache 2.0 协议开源，意味着你能下载、能改、能直接拿去免费用。

真正能打的核心能力

我看了官方放出来的材料和内部测评，几个点确实让我眼前一亮。

Agent 能力是这次的重头戏。代码生成、办公处理、金融建模、前端设计、游戏开发，这几个生产力场景的进步最明显。

官方给了个很硬的指标：在自家产品里任务成功率从 72% 干到了 90%，平均耗时还砍了 34%。

工具调用的稳定性他们专门修过，在 SWE-Bench Verified 上，不同脚手架之间的准确率波动控制在 4% 以内，说明它不是只能在某一个框里跑，换个壳也稳。

图片

幻觉这块也下了狠手。官方说基于真实场景的内部评测里，幻觉率从 12.5% 掉到 5.4%，常识错误率从 25.4% 降到 12.7%。逻辑矛盾、张冠李戴这种事少了一大半。

长上下文和多轮对话的记性也好了。多轮综合测试的问题率从 17.4% 降到 7.9%，前面交代的约束到后面还能接得住。

图片

我上手之后的真实体感

我自己的体验集中在 WorkBuddy 上，因为它已经接了 Hy3。

元宝那边也上线了 Agent，你直接说需求，它能跑完复杂任务顺手把 PPT、Word、Excel、PDF、HTML 都给你交付了，而且全免费。

图片

ima、Marvis 也接进去了，连微信的公众号 AI 客服、WeGame 里的游戏助手都吃上了 Hy3。

为什么推荐它

我推荐它，不是因为它是腾讯出的就捧。真就几个实打实的理由。

一是性价比太离谱。2950 亿总参数，激活才 210 亿，用 8 张显存大点的卡就能跑起来服务。同等尺寸里它比肩的是参数规模 2 到 5 倍的旗舰模型，等于用小身板干了大块的活，推理成本压得很低。

二是开源协议友好。Apache 2.0 意味着商用门槛几乎为零，小团队和个人开发者能直接使用去造东西。

三是它真的在解决刚才说的那些痛点，而不是堆跑分。任务成功率、幻觉率、多轮记性，这些全是实际干活会撞上的坎，它一个一个填了。

四是生态铺得开。Github、Huggingface、ModelScope、GitCode同步放权重，海外还陆续覆盖 OpenRouter、Cline、Cherry Studio 一堆平台，你用什么工具链都能够得着。

Github：https://github.com/Tencent-Hunyuan/Hy3
Huggingface：https://huggingface.co/tencent/Hy3
Modelscope：https://modelscope.cn/models/Tencent-Hunyuan/Hy3
Gitcode：https://ai.gitcode.com/tencent_hunyuan/Hy3

怎么把它跑起来（部署脚本）

最省事的两条路：vLLM 和 SGLang，都支持 Hy3 的 MTP 加速。

vLLM 路线：

# # 1. 源码装 vLLM
uv venv --python 3.12 --seed --managed-python
source .venv/bin/activate
git clone https://github.com/vllm-project/vllm.git
cd vllm
uv pip install --editable . --torch-backend=auto

# 2. 启动服务，开 MTP speculative decoding
export VLLM_FLASHINFER_ALLREDUCE_BACKEND=trtllm
vllm serve tencent/Hy3 \
  --tensor-parallel-size 8 \
  --speculative-config.method mtp \
  --speculative-config.num_speculative_tokens 2 \
  --tool-call-parser hy_v3 \
  --reasoning-parser hy_v3 \
  --enable-auto-tool-choice \
  --port 8000 \
  --served-model-name hy3

SGLang 路线：

# 1. 装 SGLang
git clone https://github.com/sgl-project/sglang
cd sglang
pip3 install pip --upgrade
pip3 install "transformers>=5.6.0"
pip3 install -e "python"

# 2. 启动服务
python3 -m sglang.launch_server \
  --model tencent/Hy3 \
  --tp-size 8 \
  --tool-call-parser hunyuan \
  --reasoning-parser hunyuan \
  --speculative-num-steps 2 \
  --speculative-eagle-topk 1 \
  --speculative-num-draft-tokens 3 \
  --speculative-algorithm EAGLE \
  --port 8000 \
  --served-model-name hy3

服务起来之后，走 OpenAI 兼容接口就能调。想让模型深度推理就切到 high，简单问答用默认的 no_think 直接回：

from openai import OpenAI

client = OpenAI(base_url="http://127.0.0.1:8000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="hy3",
    messages=[{"role": "user", "content": "帮我写个快速排序"}],
    temperature=0.9,
    top_p=1.0,
    extra_body={"chat_template_kwargs": {"reasoning_effort": "high"}},
)
print(response.choices[0].message.content)

显存吃紧的话还有 FP8 量化版 Hy3-FP8 可以下，官方给了 AngelSlim 工具做压缩，小卡也能试着扛一扛。

写在最后

混元从年初重建，到 4 月 preview，再到现在这个正式版，不到半年走完了一条从底盘重构到产品反哺的路。这种节奏感，是我觉得最值得关注的地方——它不像在凑热闹发个版，而是一圈一圈把能力往上夯。

我已经把它挪进日常工作流了。写代码、理资料、跑 Agent，省下的时间实实在在。技术这东西，别人说得再好，不如自己上手敲一遍。

图片

谢谢你看我的文章，既然看到这里了，如果觉得不错，随手点个赞、转发、在看三连吧，感谢感谢。那我们，下次再见。

您的一键三连，是我更新的最大动力，谢谢

山水有相逢，来日皆可期，谢谢阅读，我们再会

我手中的金箍棒，上能通天，下能探海