姚顺雨交卷，腾讯混元Hy3能力大突破：295B参数只激活21B，Agent解决率飙到90%

一个27岁的清华姚班毕业生，ReAct论文作者，从OpenAI跳到腾讯，三个月重建整个大模型团队的预训练和强化学习基础设施，然后交出一个295B参数但只激活21B的模型，Agent能力吊打一众同尺寸选手。这不是小说剧情，这是腾讯混元2026年上半年的真实故事。

7月6日，腾讯正式发布了混元Hy3——继4月底Hy3 Preview之后的正式版。

先说几个关键数据：

• Agent任务解决率：90%（Preview版72%，提升18个百分点）
• 幻觉率：5.4%（Preview版12.5%，砍掉一半多）
• BrowseComp：84.2分，追平GPT-5.5的84.4
• GPQA Diamond：90.4分，逼近GPT-5.5的93.6
• 定价：输入1元/百万tokens，Apache 2.0完全开源

一句话评价：Hy3是目前国产大模型中Agent能力最强的选手之一，而且性价比极其炸裂。

今天这篇文章，先聊姚顺雨是谁、他为什么重要，再深入拆解Hy3的架构和成绩。

一、姚顺雨：Agent领域的"祖师爷"级人物

1.1 履历有多硬？

1.2 为什么他是关键人物？

如果你做过AI Agent开发，你一定用过或者间接受益于姚顺雨的研究成果：

ReAct（2022）——首次提出让LLM"一边推理一边行动"的框架，是几乎所有现代Agent系统的理论基础。LangChain、AutoGen、CrewAI的Agent设计都能追溯到这篇论文。

思维树（2023）——让LLM不再沿着单条路径思考，而是像下棋一样探索多条路径、回溯、选择最优解。

SWE-agent（2024）——第一个能自主修复GitHub Issue的AI Agent，后来的Devin、OpenHands等编码Agent都受其影响。

用人话说：姚顺雨不是一个"做模型的人"，而是一个"定义Agent该怎么做的人"。 他的博士论文标题就是《Language Agents: From Next-Token Prediction to Digital Automation》（语言智能体：从下一个Token预测到数字自动化）。

这也解释了为什么Hy3的最大亮点不是"更聪明"，而是"Agent能力更强"——这正是姚顺雨最擅长的领域。

1.3 三个月重建混元

姚顺雨2025年底入职腾讯后做的第一件事不是训练模型，而是重建基础设施：

从启动训练到Preview上线，不到三个月。 这个速度在大模型领域是非常快的——说明基础设施重建是有效的。

二、Hy3架构：295B参数只激活21B的效率怪兽

2.1 模型参数

2.2 为什么选MoE？

MoE架构的核心思想：不是每个问题都需要用到所有知识。 就像医院有192个科室的专家，看感冒只需要叫8个相关科室的医生会诊，不需要把192个专家全叫来。

对AI应用开发者来说，MoE意味着：

1. 推理成本低——虽然模型有295B参数的"知识储备"，但每次推理只激活21B，成本和一个21B模型差不多
2. 适合高频Agent调用——Agent场景需要频繁调用模型，低激活参数意味着每次调用更便宜
3. 性价比极致——用21B的成本，获得接近295B密集模型的效果

用人话说：你付的是21B的电费，享受的是295B的服务。这就是MoE的核心卖点。

2.3 快慢思考融合

Hy3支持快慢思考融合——可以根据问题复杂度自动切换：

• 快思考：简单问题直接回答，低延迟
• 慢思考：复杂推理问题启动深度思考链，更准确

这不是两个模型，而是一个模型的两种模式。 类似于人类面对"1+1等于几"直接脱口而出，面对"证明黎曼猜想"则需要长时间深度思考。

三、基准测试：打遍同尺寸无敌手，追平GPT-5.5部分能力

3.1 Agent和工具编排能力（最大亮点）

ClawEval是Agent能力的核心测试——Hy3拿下68.5分，超过DeepSeek V4 Pro和Qwen 3.7 Max。 考虑到这两个竞品的参数规模是Hy3的2-5倍，这个成绩相当炸裂。

BrowseComp（网页搜索Agent能力）直接追平GPT-5.5——84.2 vs 84.4，差距可以忽略不计。

3.2 代码智能

代码方面Hy3表现中上。SWE-Bench Verified的78.0分虽然低于GPT-5.5的84.4，但在国产模型中属于第一梯队。

有意思的是SWE-Bench Pro——GLM-5.2的62.1分超过了所有人，包括GPT-5.5的58.6。 代码能力上，国产模型已经不输了。

3.3 STEM和推理

GPQA Diamond 90.4分非常强——这是研究生级别的科学问答，和GPT-5.5的93.6只差3.2分。

CL-Bench（上下文学习能力）23.8分，是国产模型最高分，仅次于Claude Opus 4.8的24.8。

3.4 数学推理：最大短板

MathArena Apex是目前最难的数学推理测试，Hy3得分38.7。 和GPT-5.5的85.4差距巨大。

但公平地说，这不是Hy3独有的问题——Qwen 3.7 Max也只有44.5。 在高阶数学推理上，国产模型整体和GPT-5.5之间存在结构性差距。

3.5 成绩总结

四、生产落地：WorkBuddy任务解决率从72%飙到90%

基准测试是考试成绩，生产数据才是真功夫。 Hy3在腾讯内部的落地数据更有说服力：

4.1 WorkBuddy（办公AI助手）

任务解决率从72%到90%是质的飞跃。 72%意味着每4个任务有1个失败——用户体验很差。90%意味着每10个任务只有1个失败——已经进入"可用"区间。

4.2 幻觉率大幅下降

幻觉率砍掉一半以上。 对于企业级应用来说，这是决定"能不能用"的关键指标。12.5%的幻觉率意味着每8句话有1句不靠谱——这在金融、法律、医疗场景是不可接受的。5.4%虽然还不完美，但已经大幅降低了风险。

4.3 推理性能优化

首Token延迟降低54%——用户提问后等待第一个字出来的时间减半。这对用户体验的影响巨大。

495步的Agent工作流——说明Hy3可以执行极其复杂的多步骤任务而不"迷路"或"遗忘"。

4.4 全面接入腾讯生态

Hy3已经接入了腾讯的12+核心产品：

元宝默认使用Hy3，CodeBuddy免费使用Hy3——这意味着腾讯对Hy3的质量有足够信心，敢把自家最核心的用户入口交给它。

五、开源和定价：性价比屠夫

5.1 定价对比

输入1元/百万tokens，带缓存只要2毛5。 这个价格基本上是"白菜价"了——比GPT-5.5便宜20倍，比DeepSeek V4还便宜一半。

5.2 Apache 2.0开源

Hy3采用Apache 2.0协议完全开源——这是商业友好度最高的开源协议之一：

• 可以免费商用
• 可以修改和分发
• 不需要开源你的衍生作品
• 全球开发者均可下载

模型权重已上线HuggingFace、ModelScope等平台，同时接入OpenRouter（发布首周就拿到了OpenRouter周榜总榜和市场占有率双第一）。

5.3 市场验证

根据OpenRouter数据：

• Hy3的日均token消费量比Hy2增长了20倍
• 发布首周即拿下周榜总榜第一和市场占有率第一

20倍的增长不是营销数字，是真实的开发者用脚投票。

六、技术路线分析：姚顺雨的"实用主义"

6.1 三个核心原则

姚顺雨在混元的技术路线可以概括为三个原则：

"不刷榜"这一条特别值得关注。 大模型行业有一个公开的秘密：很多模型的基准测试成绩是通过针对性训练"刷"出来的。姚顺雨明确表示要跳出这个游戏——你可以说我某个榜单分数不是最高的，但我在真实场景中好不好用，用户说了算。

6.2 "非同质化能力"的探索

姚顺雨提出了一个有趣的概念——"non-homogeneous capabilities"（非同质化能力）。

意思是：不同产品需要不同的"超能力"。CodeBuddy需要的是极强的代码理解和生成能力；元宝需要的是对话流畅和知识准确；WorkBuddy需要的是复杂任务编排和文件操作。

与其训练一个"在所有维度都平均"的通用模型，不如训练一个"基础能力强 + 针对具体产品微调"的模型。 Hy3就是这个思路的产物——基础模型足够强（295B知识储备），激活参数足够小（21B低成本），然后通过50+内部产品的反馈持续调优。

6.3 vs 竞品路线对比

每家都有自己的"长板"。 Hy3的长板是Agent能力和性价比——如果你的应用场景是"AI Agent执行复杂任务"，Hy3目前是国产最优解之一。

七、冷静看待：Hy3的短板在哪？

吹完优点，也得说说不足：

7.1 数学推理差距明显

MathArena Apex 38.7 vs GPT-5.5的85.4——这不是追不追得上的问题，是一倍多的差距。 在需要高阶数学推理的场景（金融建模、科学计算），Hy3目前还不是最优选。

7.2 代码能力中上但不是最强

SWE-Bench Pro 57.9分——虽然超过DeepSeek V4 Pro的55.4，但低于GLM-5.2的62.1和GPT-5.5的58.6。在纯编码场景，GLM-5.2目前更有竞争力。

7.3 生态成熟度有待观察

虽然OpenRouter首周数据亮眼，但长期的社区生态、微调工具链、第三方框架适配还需要时间验证。DeepSeek和Qwen在这方面的先发优势很大。

写在最后

姚顺雨用三个月交出了第一份答卷，成绩是令人惊喜的。

最让我印象深刻的不是某个具体的benchmark分数，而是整个技术路线的务实性。 不追求"所有维度都是SOTA"，而是聚焦在"Agent能力最强 + 成本最低 + 完全开源"这个组合上。这说明团队非常清楚自己的定位——在Agent时代，能力够用+成本够低+开源够彻底，就能赢得开发者。

295B参数只激活21B，这个效率设计堪称精妙。它让Hy3在保持旗舰级知识储备的同时，把推理成本压到了和小模型一个级别。对于需要高频调用LLM的Agent应用来说，这不是"更便宜"的问题，而是"用得起"和"用不起"的区别。

当然，数学推理的结构性差距还在，代码能力也不是最强。但作为一个"推倒重来"三个月的成果，Hy3已经证明了腾讯混元的重建方向是对的。

一句话总结：姚顺雨没有试图造一个"中国版GPT-5.5"，而是造了一个"Agent时代性价比最高的开源模型"——这个定位比什么都重要。在大模型军备竞赛中，找到自己的生态位比盲目追顶更聪明。