騰訊 Hy3 preview來了！姚順雨印跡明顯，混元重回牌桌｜附實(shí)測(cè)

作者 ｜ 董道力
郵箱 ｜ dongdaoli@pingwest.com

4 月 23 日，騰訊正式發(fā)布 Hy3 preview。這是混元經(jīng)歷團(tuán)隊(duì)重組、架構(gòu)重構(gòu)，以及明星科學(xué)家姚順雨接手關(guān)鍵團(tuán)隊(duì)后，交出的第一份成績(jī)單。

官方口徑稱：Hy3 preview 有295B 總參數(shù)、21B 激活參數(shù)、256K 上下文，快慢思考融合的 MoE 架構(gòu)，定位"解決真實(shí)世界復(fù)雜工程問題"。

我們?cè)诘谝粫r(shí)間測(cè)試后發(fā)現(xiàn)，Hy3 preview 并不是當(dāng)前最強(qiáng)的模型，但此前騰訊真正的問題是沒有一個(gè)夠用的基座，能撐起自己的產(chǎn)品線，同時(shí)在模型能力上回到牌桌上。

從這個(gè)標(biāo)準(zhǔn)看，Hy3 preview 給出了一個(gè)肯定的答案。

我們的測(cè)試圍繞這個(gè)定位設(shè)計(jì)：真實(shí)世界的復(fù)雜工程問題，這也是姚順雨加入騰訊后一直在強(qiáng)調(diào)的方向。

他到騰訊參與的第一篇論文叫CL-bench，全稱Context Learning Benchmark，在這個(gè)研究里它沒有考察模型推理能力或代碼生成，而是在追問一件更基礎(chǔ)的事：對(duì)于上下文，模型真的讀進(jìn)去了嗎？這對(duì)真實(shí)世界至關(guān)重要。

當(dāng)時(shí)的研究結(jié)論很難看，十個(gè)前沿模型平均任務(wù)解決率只有 17.2%。

在模型發(fā)布后，騰訊首席AI科學(xué)家姚順雨表示，Hy3 preview是混元大模型重建的第一步。“我們希望通過這次開源和發(fā)布，獲得來自開源社區(qū)和用戶的真實(shí)反饋，幫助我們提升 Hy3 正式版的實(shí)用性。與此同時(shí)，我們也在繼續(xù)擴(kuò)大預(yù)訓(xùn)練和強(qiáng)化學(xué)習(xí)的規(guī)模，提升模型的智能上限，并通過與騰訊眾多產(chǎn)品的深度Co-Design，持續(xù)提升模型在真實(shí)場(chǎng)景中的綜合表現(xiàn)，并開始探索特色模型能力。”

我們?cè)谶@次第一時(shí)間的測(cè)試?yán)铮陀昧艘樣辍袄痹u(píng)”其他模型的方法，來看看Hy3 preview的表現(xiàn)。

1

實(shí)測(cè) Hy3 preview

測(cè)試 1：做個(gè)人展示頁

網(wǎng)站開發(fā)對(duì)模型來說并不稀奇，但可以看出一個(gè)模型的審美能力。

在 workbuddy 中，選擇 Hy3 preview，模型。讓其幫我設(shè)計(jì)一個(gè)個(gè)人展示頁，UI 設(shè)計(jì)要有現(xiàn)代藝術(shù)感，要有炫酷的動(dòng)效。

可以看到，Hy3 preview 首選的是比較科幻的風(fēng)格，開頭文字的報(bào)錯(cuò)設(shè)計(jì)，以及后續(xù)滾動(dòng)彈出效果，以及鼠標(biāo)交互效果都有，并不是常見的 AI 味很重的網(wǎng)頁。

測(cè)試 2：核實(shí)內(nèi)容，打敗幻覺

AI 時(shí)代，流言滿天飛，DeepSeek V4 鴿了又鴿，永遠(yuǎn)在"下周發(fā)布"；家族群每隔幾天就冒出一條 AI 生成的假新聞，真假混在一起，比以前更難分辨。

我們決定換個(gè)思路，既然 AI 會(huì)制造噪音，那讓 AI 來核實(shí)噪音呢？

我們嘗試讓 Hy3 preview，核實(shí)一下最近比較火的“魚油到底有沒有用的爭(zhēng)議”

任務(wù)不是簡(jiǎn)單的"查一查"，而是需要其提供完整的信源分析，搜集不同背景的來源，識(shí)別矛盾點(diǎn)，給出信度評(píng)分。

Hy3 preview 同時(shí)調(diào)取了央視、騰訊新聞、澎湃、FTC 執(zhí)法記錄、Nature/Scientific Reports 以及 PubMed/Cochrane，共 7 個(gè)信源。此外，它沒有給出模糊的"存在爭(zhēng)議"式結(jié)論，而是把問題拆開，針對(duì)健康人群給出 35 分低信度，針對(duì)心血管疾病患者給出 65 分，有效性高度依賴人群、劑量和產(chǎn)品純度等。

它還識(shí)別出市場(chǎng)層面的信息污染，央視調(diào)查發(fā)現(xiàn)有直播間銷售的"高純度魚油"實(shí)際未檢出任何 EPA、DHA；FTC 執(zhí)法記錄顯示 BASF 自己贊助的臨床試驗(yàn)中產(chǎn)品效果不優(yōu)于安慰劑。

當(dāng)然，報(bào)告也有局限，信度評(píng)分有偽精確感，對(duì)小鼠實(shí)驗(yàn)的篇幅略重，對(duì)人體意義并不大。但重點(diǎn)是 Hy3 preview 引用信源的能力，知道什是官媒、什么是專業(yè)作者，什么是學(xué)術(shù)論文。

測(cè)試 3：針對(duì)權(quán)限虛假文檔答題

為了驗(yàn)證 Hy3 preview 的 context learning 能力，我們參照 CL-Bench 的核心設(shè)計(jì)原則，測(cè)試材料必須是模型預(yù)訓(xùn)練階段從未見過的內(nèi)容，正確答案只能從當(dāng)下提供的文檔中推導(dǎo)，設(shè)計(jì)了道工業(yè)操作手冊(cè)題。

我們虛構(gòu)了一份參數(shù)密集的《Helios-7 壓縮機(jī)組操作手冊(cè)》，將關(guān)鍵判斷條件藏在第 4.3 節(jié)的注意事項(xiàng)中：振動(dòng)超限期間，若同時(shí)出現(xiàn)主軸承溫度超過 82°C，須立即停機(jī)，不得嘗試降速運(yùn)行。

Hy3 preview 回答正確。它找到了第 4.3 節(jié)的禁止條款，判斷操作員做法不正確，理由準(zhǔn)確指向軸承溫度 84°C 已超過 82°C 閾值這一關(guān)鍵事實(shí)，沒有用"降速是保守操作"的工程常識(shí)覆蓋文檔規(guī)則。

但有一個(gè)細(xì)節(jié)值得注意。Hy3 preview 的回答開頭出現(xiàn)了一段思維鏈獨(dú)白，其中寫道"I need to check what those steps are to determine if reducing speed is the correct response"，緊接著卻直接給出了結(jié)論。

這個(gè)到底是真實(shí)推理軌跡還是一種“偽裝”，在解決這種搭建出來的環(huán)境里的問題時(shí)，模型的推理過程是否真實(shí)反映了它讀取文檔的路徑，值得更多研究。

單題答對(duì)不足以定論。CL-Bench 的測(cè)試結(jié)論是，當(dāng)前前沿模型的平均任務(wù)解決率只有 17.2%，最強(qiáng)模型也不過 23.7%，失敗的主要原因是"讀到了但用錯(cuò)了"。Hy3 preview 在這道題上沒有犯這個(gè)錯(cuò)誤。

根據(jù)騰訊的數(shù)據(jù)，Hy3 preview在CL-Bench的表現(xiàn)也較上一代模型有明顯提升。

測(cè)試 4：Agent 能力

說實(shí)話，當(dāng)前模型能力正在趨同，真正拉開差距的反而是 Harness 構(gòu)建的水平。那么模型能不能用好 Skill，能不能更好適配 Harness，有時(shí)比跑分更能說明問題。

我們以 Hy3 Preview 為例，調(diào)用瀏覽器 Skill（要配置 Chrome 遠(yuǎn)程調(diào)試）和騰訊在線文檔 Skill，完成了一個(gè)世界杯賽程網(wǎng)頁的制作任務(wù)，任務(wù)中既涵蓋表格、PDF 等多模態(tài)輸出，也將直接檢驗(yàn) Hy3 Preview 的 Skill 調(diào)用能力。

可以看到，Hy3 Preview 在 workbuddy 環(huán)境下，為這個(gè)任務(wù)調(diào)用了 32 個(gè)工具，也不知道為啥能那么多。

第一步搜索階段，Hy3 Preview 先完成了瀏覽器環(huán)境檢查，然后檢索并整理出了基本賽事信息：48 支參賽隊(duì)、16 個(gè)舉辦城市、12 個(gè)小組的分組結(jié)果，以及賽制和獎(jiǎng)金方案。值得注意的是，在啟動(dòng)瀏覽器之前，它識(shí)別出了環(huán)境未就緒的問題，主動(dòng)停下來提示完成 Node.js 版本檢查和遠(yuǎn)程調(diào)試端口配置。

第二步內(nèi)容生成階段，任務(wù)切換后模型明顯提速：其直接生成了賽程網(wǎng)頁并完成預(yù)覽。相比第一步的大量工具調(diào)用，面對(duì)結(jié)構(gòu)清晰、輸出目標(biāo)明確的任務(wù)，模型能夠收斂調(diào)用鏈路。

過程中有一個(gè)細(xì)節(jié)，當(dāng)我打斷環(huán)境安裝步驟后，Hy3 Preview 會(huì)識(shí)別并選擇新的方式。在經(jīng)歷瀏覽器自動(dòng)化和辦公 Skill調(diào)用后，Hy3 preview也成功生成了網(wǎng)頁和對(duì)應(yīng)的多模態(tài)內(nèi)容。

1

補(bǔ)齊短板之后？

四項(xiàng)測(cè)試測(cè)下來，Hy3 preview 的表現(xiàn)不輸當(dāng)前主流模型的日常使用水準(zhǔn)。代碼生成有審美判斷，信息核實(shí)能區(qū)分信源權(quán)威度，context learning 的測(cè)試?yán)餂]有用常識(shí)覆蓋規(guī)則，Agent 任務(wù)里能識(shí)別環(huán)境變化并調(diào)整路徑。

但也有值得持續(xù)觀察的地方。思維鏈的"表演感"是當(dāng)前推理模型的通病，Hy3 preview 也沒有跳出來。信度評(píng)分的偽精確、對(duì)小鼠實(shí)驗(yàn)的過度展開，說明信息篩選的權(quán)重判斷還有空間。32 步工具調(diào)用完成任務(wù)，效率層面不算極致。

這些問題都還在。但它們不是這次評(píng)測(cè)的主角。

沒人懷疑在AI競(jìng)爭(zhēng)里，騰訊強(qiáng)大的c端產(chǎn)品能起到的作用。但它有天花板——當(dāng)用戶開始用 AI 做多步推理、長(zhǎng)文檔分析、復(fù)雜 Agent 任務(wù)，底層模型的能力終究會(huì)直接影響留存。產(chǎn)品層能彌補(bǔ)的差距是有限的。

騰訊在 AI 這場(chǎng)仗里，產(chǎn)品腿和模型腿的長(zhǎng)度一直不一樣。

Hy3 preview 的出現(xiàn)是一次基模補(bǔ)齊，而不是在模型能力上的超越。

騰訊從來不是靠最強(qiáng)技術(shù)贏的公司。微信贏的時(shí)候，技術(shù)并不比米聊強(qiáng)多少。但技術(shù)弱到一定程度，是會(huì)拖死產(chǎn)品。

Hy3 preview 在此刻的“任務(wù)”也許就在這里：不是要做最強(qiáng)的模型，而是讓騰訊的 AI 產(chǎn)品終于有底氣只用自家的基座。

據(jù)透露，該系列更大尺寸的模型接下來也會(huì)發(fā)布，競(jìng)爭(zhēng)會(huì)變得更加有趣了。

點(diǎn)個(gè)“愛心”，再走 吧