腾讯混元 Hy3 正式发布：开源 295B MoE 模型，Agent 与产品接入成为主线
腾讯混元 Hy3 于 2026 年 7 月 6 日正式发布并开源，采用 295B 总参数、21B 激活参数的 MoE 架构，支持 256K 上下文，重点提升推理、代码、长上下文和 Agent 工作流能力，并已接入腾讯元宝、WorkBuddy/CodeBuddy、ima、Marvis 等产品。
腾讯混元 Hy3 在 2026 年 7 月 6 日正式发布并开源。它不是一次只面向榜单的模型更新：腾讯把 Hy3 的主线放在 Agent 能力、真实产品反馈和云端低成本调用上，同时开放 Hy3 与 Hy3-FP8 权重，让开发者可以通过模型社区下载，也可以通过腾讯云 TokenHub 接入 API。
从规格看，Hy3 采用混合专家架构，总参数 295B，激活参数 21B，包含 3.8B MTP 层参数，支持 256K 上下文长度。腾讯称它相比 4 月发布的 Hy3 preview，在推理、代码生成、长上下文和智能体工作流上继续提升，并在同尺寸模型中保持较强性价比。
这次发布对小团队最直接的意义，是腾讯把模型能力和产品落地绑定得更紧。Hy3 已接入 WorkBuddy/CodeBuddy、腾讯元宝、Marvis、ima 等业务，元宝也上线了 Agent 功能，可以根据用户需求生成 PPT、Word、Excel、PDF、HTML 等文件。模型不再只停留在“能不能答题”，而是要进入办公、开发、知识库和文件处理流程。
已确认的核心信息
维度 | Hy3 的公开信息 | 对使用者的含义 |
|---|---|---|
发布时间 | 2026 年 7 月 6 日正式发布 | 这是 Hy3 preview 之后的正式版本迭代 |
架构与规模 | MoE 架构，295B 总参数，21B 激活参数，3.8B MTP 层参数 | 兼顾大模型容量与单次推理成本，但部署门槛仍然不低 |
上下文 | 支持 256K 上下文长度 | 更适合长文档、代码库、知识库和多轮任务 |
开源方式 | Hy3 与 Hy3-FP8 权重已开放，协议为 Apache 2.0 | 开发者可下载、研究和商用，但部署资源需要单独评估 |
云端接入 | 腾讯云 TokenHub 已上线 Hy3 API | 小团队可以先走 API 测试，再决定是否本地部署 |
产品接入 | 已进入元宝、WorkBuddy/CodeBuddy、ima、Marvis 等产品 | 模型能力会更快反映到实际办公与 Agent 工作流中 |
价格也值得单独看。公开价格页显示，Hy3 在线推理价格为输入 1 元 / 百万 tokens、输出 4 元 / 百万 tokens，缓存命中为 0.25 元 / 百万 tokens。对于需要处理大量文档、代码库检索或多轮 Agent 任务的团队，缓存命中价格会影响真实成本，不能只看输入输出单价。
腾讯这次强调的不是参数，而是真实任务
Hy3 的官方材料反复提到“真实业务场景打磨”。这和一些开源模型发布的口径不同：腾讯没有只讲参数规模和公共 benchmark，而是把来自 50 多个产品团队的反馈放进模型迭代叙事里。
这种反馈会集中在普通榜单不容易覆盖的地方。例如工具调用格式是否稳定，长对话里是否遗忘约束，复杂上下文里能否保留用户意图，代码任务失败后能不能恢复，文件生成是否符合业务产品的交付格式。对 Agent 产品来说，这些细节往往比一次问答得分更接近用户体验。
模型卡披露的内部评估里，Hy3 在 270 位专家基于真实工作的盲测中取得 2.67/4 的平均分，高于同一评估中的 GLM-5.1 2.51/4；优势被描述为主要出现在前端开发、数据与存储、CI/CD 等类别。这个数字可以作为参考，但不应直接等同于你的项目会自动获得同样提升。真实效果仍取决于任务类型、上下文组织、工具权限和验收标准。
更实用的信号，是 Hy3 的改进方向和 Agent 工作流高度重合：
- 工具调用稳定性：面向不同 Agent 框架和工具配置，减少格式错误和调用失败。
- 长上下文保持：在长文档、多轮对话和跨文件任务中降低意图漂移。
- 知识与抗幻觉：内部真实场景评估中，幻觉率从 12.5% 降至 5.4%，常识错误率从 25.4% 降至 12.7%。
- 代码与生产力任务：重点覆盖软件开发、办公生产、金融建模、前端设计和游戏制作。
这些指标仍属于官方或模型卡披露数据，需要用实际任务复测。但它们说明腾讯正在把 Hy3 调成一个“可进入产品流程”的模型，而不是只服务聊天入口。
开源权重降低了试错门槛，但本地部署并不轻
Hy3 的 Apache 2.0 协议对开发者和创业团队是友好的。它允许更灵活的研究、二次开发和商用使用，也让团队可以在 Hugging Face、ModelScope、GitCode、CNB 等模型社区获取权重。
不过，开源不等于低成本部署。Hy3 总参数达到 295B，模型卡建议 8 卡高显存环境 serving，并提供了基于 vLLM 与 SGLang 的部署路线。对大多数独立开发者和小团队来说，直接本地部署完整模型并不现实，更合理的路径通常是：
- 先用腾讯云 TokenHub 或其他 API 平台做任务回放测试。
- 如果对数据边界、延迟或成本有特殊要求，再评估 FP8 版本、推理框架和私有化部署。
- 对 Agent 场景单独测试工具调用稳定性，不要只用普通聊天任务判断模型质量。
如果团队只是做文档摘要、内容初稿、轻量代码问答或内部知识库，API 测试通常足够。如果要做企业级代码 Agent、自动化办公 Agent 或需要处理敏感文件的场景，才需要进一步评估私有部署和权限隔离。
小团队应该优先测试哪些场景
Hy3 最值得先测的，不是开放式闲聊，而是那些会消耗大量上下文、需要调用工具、并且能用明确结果验收的任务。
第一类是长文档和知识库问答。把产品文档、客户材料、会议纪要和历史方案放进上下文，测试它能否准确定位信息、区分证据和推断，并输出结构化结论。256K 上下文能带来更大的输入窗口，但仍要看模型是否会在长内容里误合并事实。
第二类是 AI 编程和跨文件修改。可以选一个历史 bug、一个小型重构任务或一个前端页面改造任务，让 Hy3 在同样上下文下与现有主力模型对比。重点看它是否能理解项目结构、控制修改范围、处理测试失败，以及在多轮反馈后保持目标一致。
第三类是办公文件生成。腾讯元宝已经接入 Hy3 Agent 功能，文件生成是官方重点展示场景。内容团队和运营团队可以测试从需求描述到 PPT、Word、Excel、HTML 交付物的完整链路，尤其关注格式、事实准确性和二次编辑成本。
第四类是多工具 Agent 工作流。比如让模型读取资料、生成计划、调用搜索或文档工具、整理表格，再输出最终方案。这个场景最能暴露工具调用稳定性、错误恢复和上下文继承问题。
还需要继续观察的边界
Hy3 的正式发布释放了清晰信号：腾讯混元正在从模型研发转向产品反哺和生态分发。但对实际采用者来说，还有几件事不能只看发布稿。
首先是长期成本。当前 API 单价看起来有竞争力，但 Agent 工作流经常会产生多轮上下文、工具调用、失败重试和缓存策略差异。小团队应该用完整任务成本评估，而不是只比较单次 token 价格。
其次是框架适配。Hy3 支持通过 OpenAI 兼容 API 接入，也提供 vLLM、SGLang 等部署说明，但进入日常工作流还要看它和现有 IDE、终端 Agent、知识库、权限系统、日志审计之间是否顺畅。
最后是开放生态。腾讯称 Hy3 将陆续接入多个海外 API 平台，并已进入开源模型社区。接下来值得观察的是：主流 Agent 工具是否快速提供稳定适配，第三方量化版本和部署教程是否成熟，以及开发者社区会如何反馈它在真实代码和办公任务中的表现。
对 Inkmeta AI 的读者来说，Hy3 值得放进近期模型测试池。它的优势不在于“又一个大参数模型”，而在于开源协议、较低 API 成本、长上下文和腾讯产品接入同时到位。更务实的做法，是选三到五个真实工作任务，用同样输入、同样验收标准，把 Hy3 与你当前使用的模型跑一遍横向对比。能否进入主力工作流，最终应由任务完成率、人工修正成本、总调用成本和数据边界共同决定。
