Hy3（腾讯混元 Hunyuan 3）：开源 MoE 大模型的 Agent 与代码能力标杆

Hy3 的核心参数与统计

Hy3（Hunyuan 3）是腾讯混元团队推出的第三代混合专家（Mixture-of-Experts, MoE）大语言模型，也是腾讯迄今为止最强、最开放的基础模型。与上一代 Hy2 相比，Hy3 在参数量级、专家规模、上下文长度和推理能力上均实现了跨代升级，且以 Apache 2.0 许可全面开源，无地域使用限制。

项目	规格
产品名称	Hy3（Hunyuan 3 / 腾讯混元第三代）
产品类型	基础大模型（MoE）
总参数	295B（299B 含 MTP 层）
激活参数	21B
MTP 层参数	3.8B
专家数量	192 专家，Top-8 路由
网络层数	80 层（不含 MTP）
注意力头	64（GQA，8 KV heads，head dim 128）
隐层维度	4096
中间层维度	13312
上下文窗口	256K tokens
词表大小	120,832
支持精度	BF16 / FP8
许可协议	Apache 2.0
交付形态	开源权重（HuggingFace / ModelScope）+ API（OpenRouter 等第三方）
归属地	CN（腾讯）
支持语言	中文、英文
发布日期	Preview：2026-04-23；Full：2026-07-06

Hy3 的定位并非全知全能的通用模型，而是在「特定参数预算下追求最高推理质量」。21B 激活参数在运行推理时仅需约 4.2% 的网络参与计算（8/192 专家），这使得其部署成本远低于同智力水平的稠密模型。256K 的上下文窗口可一次性处理约 384 页 A4 文档，适合长文档分析与跨文件代码库理解。

效率提升的实际含义：以 21B 激活参数对标其他 100B+ 激活参数的模型，Hy3 在推理吞吐上具有天然优势。配合 vLLM 或 SGLang 部署时，单次推理的显存占用和 token 生成延迟均低于同等智力水平的稠密模型。对于高频 API 调用者，这直接体现为更低的单位 token 价格和更低的批量处理延迟。

推理模式设计：支持 reasoning_effort 三档控制——no_think（直出模式，适合翻译、摘要等确定性任务）、low（轻度思考，适合常规问答）、high（深度链式推理，适合数学证明、竞赛编程、复杂 Agent 规划）。选择 high 模式时输出 token 量会增加 3-8 倍，单次调用成本相应上升。

Hy3 的用户与市场认可

Hy3 的市场认可度呈现「腾讯内部生产验证 + 开源社区口碑」双轮驱动的格局。

内部生产规模：Hy3 在正式发布前已集成到腾讯内部 50+ 产品线，覆盖微信、QQ、腾讯云、游戏平台等核心业务。这种级别的内部部署意味着模型经过了真实流量和复杂业务逻辑的考验——包括多轮对话稳定性、长上下文衰减控制、多语言混写等工程难题已经过生产环境的打磨。

开源社区反响：截至 2026 年 7 月，GitHub 上的 Tencent-Hunyuan/Hy3 仓库已收获 530+ Star、120+ Fork，HuggingFace 上模型权重月下载量超 14,000 次。社区围绕 Hy3 已产生 10+ 微调变体和 65+ 量化版本（支持 llama.cpp、LM Studio、Jan 等工具链），15 个 HuggingFace Space 提供了在线体验入口。

第三方评测表现：在 Artificial Analysis 的 Intelligence Index 上，Hy3 以 41 分位列超大参数规模开源模型第 8 位（共 97 个模型对比），大幅高于同类中位数 25 分。关键基准得分包括：

GPQA Diamond：90.4%（知识推理，开源模型顶级水平）
SWE-bench Verified：78%（实际编码任务解决率）
SWE-bench Pro：57.9%（复杂工程任务）
Humanity's Last Exam：53.2%（综合知识挑战）
Deep-SWE：28%（自主代码修复）
Apex Agents：25.6%（Agent 任务）
LHTB（长时终端任务）：28.8%（长周期 Agent 任务）

盲测专家评价：腾讯联合 270 位行业专家进行盲测，Hy3 获得 2.67/4 的综合评分，超过 GLM-5.1 的 2.51/4，最大优势集中在前端开发、数据存储和 CI/CD 任务上。这一结果比单一基准更能反映真实场景中的模型实用性。

Hy3 的成本优势

Hy3 的成本结构由「Apache 2.0 开源零许可费 + 低激活参数推理效率 + 第三方 API 低价」三层构成，是当前最具性价比的开源大模型之一。

C 端/个人用户：通过 HuggingFace（tencent/Hy3）直接下载模型权重，完全免费。个人开发者可在自有硬件上运行推理，无需支付任何许可或 API 费用。但需自行承担 GPU 算力成本——以 8×H20-80G 或等效配置运行 Hy3 满精度推理，单次硬件投资在数万至数十万元量级。对于偶发使用场景，第三方 API 按量付费更为经济。

开发者/API 调用（以 OpenRouter 为例）：

计费项	价格（美元/百万 token）	对比参考
输入（缓存命中）	$0.035（-75% 折扣）	Claude Sonnet 5：$3/M
输入（标准）	$0.14	GPT-5.6：约 $15/M
输出	$0.58	Grok 4.5：$6/M
混合价格（7:2:1 比例）	约 $0.11	DeepSeek V4 Flash：约 $0.08

Hy3 的 API 价格约为同类智力水平闭源模型的 1/10 至 1/50。对于一个日均处理 100 万 token 输入、50 万 token 输出的轻量应用，月费用约为（$0.14 × 30 + $0.58 × 15）= $12.9/月，几乎可以忽略不计。

企业/私有化部署：开源权重免费（Apache 2.0），但基础设施成本——以 8×H20-80G 服务器为参考，单台月租赁费用约 $8,000-12,000（依云厂商和合约时长浮动），可支撑中等并发的 Hy3 推理。企业总成本应按「API 年费 vs 私有三年代价 TCO」模型评估，同时需纳入运维人力、模型版本迭代更新和量化部署（FP8 进一步降低显存需求）的隐性成本。

采购提示：API 定价以各服务商实时页面为准，不同区域（如中国内地 vs 海外）存在价格差异。私有化部署的建议硬件配置和性能指标以 GitHub 仓库的 Deployment 章节为准。

Hy3 的主要功能

Hy3 的功能设计围绕「代码生成 + Agent 工具调用 + 深度推理 + 长上下文」四条核心能力线展开。

代码生成与工程任务：覆盖 Python、JavaScript/TypeScript、Java、Go 等主流语言的代码生成、补全、重构、Bug 诊断和单元测试生成。在 SWE-bench Verified 上达 78% 的解决率，意味着模型能够理解真实 GitHub Issue 描述、定位相关代码文件并提出可合并的修复方案。落地提示：复杂工程任务建议启用 reasoning_effort=high 模式，直出模式下对边界条件处理可能遗漏。
Agent 工具调用（Function Calling）：Hy3 的 Tool Call 能力是本次升级的核心亮点。模型原生支持多轮工具调用、错误恢复和跨 Agent 框架泛化——在不同脚手架（CodeBuddy、Cline、KiloCode）下 SWE-bench Verified 准确率波动在 4% 以内。Tool 开放清单：支持 navigate（网页导航）、click（点击元素）、type/input（文本输入）、screenshot（页面截图）、extract（信息提取）、wait（等待条件）、read_file/write_file（文件读写）、execute_command（命令执行）、finish（任务结束报告）等标准工具行为。架构链路：LLM（Hy3）→ API/MCP Server → Tool Execution Environment → Observation 回传 LLM，形成「规划→执行→观察→调整」的交互闭环。
深度推理与思维链：支持可调节的链式推理（Chain-of-Thought）。在知识问答（GPQA Diamond 90.4%）和复杂推理任务（Humanity's Last Exam 53.2%）上达到开源模型顶级水平。内部评测显示，Hy3 的幻觉率从 Hy3 Preview 的 12.5% 降至 5.4%，常识性错误率从 25.4% 降至 12.7%，在事实准确性和逻辑一致性上有显著改善。
长上下文理解（256K tokens）：可一次处理约 384 页的文本内容，适用于法律合同集审阅、大型代码库全局分析、长对话历史理解等场景。通过 SFT 与 RL 的联合优化，多轮对话中的指代消解、省略恢复和约束继承问题率从 17.4% 降至 7.9%。落地提示：长上下文场景下推理延迟和 KV 缓存开销会显著增加，建议在真正需要跨章节关联的任务中启用完整上下文，日常任务控制在 32K 以内以平衡成本。
多模态扩展：Hy3 核心为文本模型，但可通过 Tencent 的视觉语言模型管线实现图文理解扩展。原生 Hy3 权重视觉模态不支持，纯文本场景无需关注此限制。
工程优化工具链：提供完整的微调（Finetune）管线（基于 vLLM/SGLang）、RL 后训练（GRPO via verl + Megatron-LM + vLLM rollout）和量化工具（AngelSlim 支持常见量化算法、低比特量化、推测采样）。开发者可基于 Hy3 权重构建垂直领域专用模型。

Hy3 的模型与版本演进

Hy3 的版本迭代遵循「Preview 验证→Feedback 收集→Full Release 优化」的节奏。

主线发布

Hy2（~2025-12）：混元第二代模型，SWE-bench 约 53.0%，为 Hy3 的 MoE 架构升级奠定基线。暂无官方精确发布日期。
Hy3 Preview（2026-04-23）：新基建上的首批训练模型，首次采用 295B MoE（21B 激活）架构和 192 专家 Top-8 路由。SWE-bench Verified 达到 74.4%，引起开发者社区关注。发布后腾讯收集了 50+ 内部产品的使用反馈。
Hy3 Full（2026-07-06）：基于 Preview 反馈的大规模后训练优化。关键改进包括：
- 工具调用稳定性与错误恢复能力显著提升
- 幻觉率从 12.5% 降至 5.4%，常识错误率从 25.4% 降至 12.7%
- 多轮对话意图追踪问题率从 17.4% 降至 7.9%
- 输出更简洁，同时保持复杂意图在长程交互中不衰减
- 同步发布 FP8 量化版本（Hy3-FP8），降低部署门槛

候选验证

Hy3-FP8（与 Full 同日发布）：与 AngelSlim 工具链配合的 FP8 量化版，在保持推理质量的前提下大幅降低显存需求，使更多开发者能在有限硬件上运行 Hy3。

版本说明：Hy3 的开源策略以 Apache 2.0 许可发布，无附加条款，无地域限制。旧版本（Hy2）的权重也已通过腾讯 HuggingFace 组织页面公开。后续版本迭代计划以 GitHub 仓库和官方 Twitter/X 账号发布信息为准。

Hy3 的技术优势

Hy3 的技术路线选择体现了腾讯在「有限算力预算下最大化推理质量」方面的工程积累。

MoE 架构与 192 专家 Top-8 路由：Hy3 的 MoE 并非简单增加专家数量，而是在 80 层 Transformer 中每层部署 192 个专家子网络，每 token 仅激活其中 8 个（约 4.2% 激活率）。这意味着 295B 参数中仅 21B 参与每步推理，存储了广泛知识的同时控制了推理计算量。不同 token 会路由到不同专家——代码 token 倾向于激活代码专长专家，自然语言 token 激活语言专长专家，形成隐式的任务分区。

MTP 层（多任务预测层）：3.8B 参数的共享 MTP 层协调不同专家的输出，确保即使不同 token 由不同专家处理，序列整体仍保持语义连贯性。这是 Hy3 在复杂多步推理中保持稳定输出的关键机制。

推理深度控制（Reasoning Effort）：模型可通过 reasoning_effort 参数在「速度」与「深度」之间动态调节。no_think 模式下模型直出答案，适合延迟敏感场景；high 模式下模型展开完整的链式推理。这一设计使得同一模型权重可以在不同延迟预算下自适应调整，无需部署多个版本。

后训练管线（SFT + RL）：Hy3 的 SFT 和 GRPO 强化学习管线在 verl + Megatron-LM 框架上运行，支持大规模分布式训练。后训练数据质量和多样性的提升是 Hy3 Preview 到 Full 版本质量跃升的主要原因。内部评测显示，针对幻觉率、常识错误和多轮一致性的联合优化效果显著。

生产级工具调用稳定性：Hy3 修复了多个基线可靠性问题，使工具调用在不同配置和输出约束下达到生产级标准。模型在不同 Agent 框架（CodeBuddy、Cline、KiloCode）上的 SWE-bench Verified 准确率方差保持在 4% 以内，说明工具调用能力不绑定于特定框架实现。

工程部署适配：Hy3 在 vLLM 和 SGLang 两个主流推理引擎上都有官方适配方案，支持 MTP 推测解码加速。部署时推荐使用 8×H20-80G 或更高显存 GPU，FP8 量化版可进一步降低显存需求。量化工具 AngelSlim 由腾讯开源，支持常见量化算法和低比特量化。

性能与吞吐参考：根据 Artificial Analysis 实测，Hy3 在第三方 API 上的输出速度中位数约 60.3 token/s（低于同类中位数 64.2，但差距不大），TTFT（首字延迟）中位数约 2.65 秒（略高于同类中位数 1.83 秒）。具体数值因部署硬件、量化方式和并发度而异，以实际测试为准。

Hy3 的适配边界与场景约束

最擅长：代码生成与 Agent 任务、数学推理与知识问答、中文/英文双语处理、工具调用与多步规划。

不擅长：英文文档风格的精细度略低于纯英文训练模型；对长尾西方框架和工具的熟悉度不如 DeepSeek 等生态更成熟的模型；视觉模态不支持（纯文本模型）；超长上下文（接近 256K 极限）场景下推理延迟显著上升。

与竞品的对比：

对比项	Hy3	DeepSeek V4 Pro	GLM-5.2	Claude Sonnet 5
总参数	295B	1.6T	约 744B	未公开
激活参数	21B	约 49B	约 100B+	未公开
上下文	256K	1M	约 256K	约 200K
许可	Apache 2.0	MIT	MIT	闭源
API 输入价	$0.14/M	¥1-3/M	$0.5-1/M	$3/M
SWE-bench	78%	约 75%	约 62%	约 70%

Hy3 的核心优势在于最小的激活参数下实现了最强的 SWE-bench 表现和 Apache 2.0 的完全开放许可。缺陷在于生态成熟度不如 DeepSeek，且 1M 超大上下文场景尚未覆盖。

如何使用 Hy3

Hy3 提供「开源自托管 + 第三方 API」两种使用模式，覆盖从个人实验到企业级部署的全场景。

使用方式	适合人群	特点	费用
第三方 API（OpenRouter 等）	开发者、小团队	即开即用，无需 GPU	按量付费（$0.14/$0.58 per M token）
自托管（vLLM）	企业、技术团队	数据不出域，完全控制	GPU 算力成本
自托管（SGLang）	企业、技术团队	官方适配，MTP 加速	GPU 算力成本
HuggingFace 权重下载	研究者、模型开发者	微调/量化/二次开发	免费（需自备硬件）

API 快速入门（OpenRouter 兼容 OpenAI SDK）：

from openai import OpenAI

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="<YOUR_API_KEY>",
)

response = client.chat.completions.create(
    model="tencent/hy3",
    messages=[
        {"role": "user", "content": "用 Python 实现一个带缓存的斐波那契数列计算。"}
    ],
    temperature=0.9,
    top_p=1.0,
    extra_body={
        "chat_template_kwargs": {"reasoning_effort": "high"}
    }
)
print(response.choices[0].message.content)

关键参数说明：temperature 推荐 0.9，top_p 推荐 1.0；reasoning_effort 可选 no_think（直出）、low（轻度思考）、high（深度推理）。代码和复杂推理场景推荐使用 high 模式。

自托管 - vLLM 部署（8 GPU 推荐配置）：

# 需先编译安装 vLLM（基于源代码）
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

自托管 - SGLang 部署：

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

部署完成后，即可通过 OpenAI 兼容接口调用本地服务。详细部署文档以 GitHub 仓库 Tencent-Hunyuan/Hy3 的 README 为准。

Hy3 的产品定价

Hy3 的定价延续「开源权重免费 + 第三方 API 按量付费」的模式。

开源权重：Apache 2.0 许可，无任何使用限制、无地域限制、无商业使用上限。用户可以自由下载、使用、修改和再分发。与 Meta 的 Llama 社区许可不同，Hy3 不需要额外申请商业授权。

第三方 API 定价：以 OpenRouter 上的中位价格为准，输入 $0.14/百万 token，输出 $0.58/百万 token。缓存命中可享受 75% 折扣（$0.035/百万 token）。不同服务商（如 Fireworks AI、Together AI 等）的价格可能略有差异，以各平台实时页面为准。

私有化部署成本：权重免费，但基础设施成本需自行承担。推荐配置 8×H20-80G 或等效 GPU，单台月租赁费用约 $8,000-12,000。FP8 量化版（Hy3-FP8）可在相同硬件上承载更高并发，或降低硬件门槛至单卡 A100-80G（仅限实验场景）。

企业批量采购：腾讯未公开 Hy3 的官方托管 API 定价。对于大流量场景，建议通过 [email protected] 联系腾讯团队获取商务方案，或在 OpenRouter 等平台按企业级合约谈判折扣。

Hy3 的应用场景

Hy3 的应用场景横跨软件开发、Agent 自动化、知识密集型分析和企业生产力提升四个维度。

软件研发（代码生成与工程任务）：这是 Hy3 最强的场景。覆盖代码补全、Bug 定位与修复、单元测试生成、代码审查、重构建议、技术文档编写等。SWE-bench Verified 78% 的表现意味着 Hy3 能够理解复杂的 GitHub Issue 描述并生成可合并的修复代码。落地提示：推荐结合 CodeBuddy、Cline 或 KiloCode 等 Agent 框架使用，以充分发挥其工具调用能力。复杂工程任务启用 reasoning_effort=high 模式。
AI Agent 与自动化工作流：Hy3 的 Tool Call 稳定性经过 50+ 腾讯内部产品的验证。适用于网页自动化（信息采集、表单填写）、命令行工具链编排、多步骤数据处理管线等场景。架构链路：LLM(Hy3) → Tool Parser → Function Execution → Observation → LLM Re-planning。工程踩坑指南：
1. 死循环与 Token 暴涨控制：通过 max_steps 参数限制最大执行轮数（建议 10-20），并设置单步超时，配合重复动作检测（连续 3 步返回相同 Observation 时终止）防止模型空转。
2. DOM / 上下文过载：对于网页 Agent 任务，建议禁用截图传递、仅回传 accessibility tree 或 DOM 摘要，避免整个 HTML 文档撑爆上下文窗口。
3. 安全与越权治理：对不可逆操作（删除文件、发送消息、支付、发布）设置确认点（Human-in-the-loop），或在执行环境以只读模式启动，防止模型执行误操作。
知识问答与文档分析：GPQA Diamond 90.4% 的表现说明 Hy3 在知识密集型任务上接近前沿闭源模型。256K 上下文使其适合长篇学术论文审阅、法律合同条款比对、技术白皮书摘要等场景。落地提示：文档分析场景中使用 reasoning_effort=no_think 或 low 模式即可，无需启用深度推理，有助于降低延迟和 token 消耗。
企业生产力（内部工具与 RAG 系统）：结合开源权重自托管和 RAG（检索增强生成）框架，企业可以构建私有知识问答系统。Apache 2.0 许可确保了数据不离开企业基础设施，无第三方 API 调用的隐私风险。落地提示：对于多语种混合文档场景，建议配合 Hybrid Search（关键词 + 语义检索）和 Rerank 机制以提升召回质量。Hy3 本身不提供文档级 RBAC，需要在 RAG 框架层实现权限隔离。

不适配场景：需要极致创意的品牌文案撰写（Hy3 的输出风格偏工程化，创意丰富度不如 Claude 系列）；对英文文档风格要求极高的非代码场景（如学术论文润色）；需要多模态输入的场景（如图像识别、视频理解）。

Hy3 的适用人群

软件开发者与工程师：Hy3 的核心受众。无论是日常编码辅助、Bug 诊断、代码审查还是复杂工程任务，Hy3 在 SWE-bench 上 78% 的表现意味着它可以成为开发者的可靠编程伙伴。不适配边界：对英文文档生成质量要求极高的团队（如开源项目的英文文档），建议搭配 Grammarly 等工具做二次润色。
AI Agent 开发者与自动化工程师：需要构建自动化工作流的开发者——从网页数据采集到命令行工具链编排，Hy3 的 Tool Call 稳定性和跨框架泛化能力使其成为 Agent 系统的理想基座模型。前置条件：需要配置 Agent 框架（如 Cline、CodeBuddy）并设置合理的步数预算和确认点策略。
企业与技术团队（私有化部署）：关注数据主权和合规的企业。Hy3 的 Apache 2.0 许可和自托管能力使其成为私有化 AI 基础设施的理想选择。采购前提：企业需具备或能够租赁 8×H20-80G 级别的 GPU 集群，并有相应的运维能力。建议先在 API 模式下验证 RoI，再决策是否转为自托管。
AI 研究者与模型开发者：开源权重和完整的微调/RL 管线使 Hy3 成为研究和二次开发的优秀基座模型。192 专家 MoE 架构本身也具有研究价值。不适配边界：对实验复现所需硬件要求较高（完整权重约 600GB 存储 + 多卡 GPU）。

慎用说明：对响应延迟极为敏感的实时交互场景（如在线客服实时回复），Hy3 的 TTFT 约 2.65 秒可能不够理想，建议选择专门优化过延迟的小模型或蒸馏版本。对超长文档（接近 256K 极限）的处理，建议分段提交而非单次全部输入以避免上下文窗口溢出风险。

总结与展望

Hy3 代表了中国大模型开源路线的一个重要转折点——腾讯以 Apache 2.0 许可发布了在 SWE-bench 上超越多数闭源模型的开源 MoE 模型，且不设任何地域限制。这不仅是对 Meta LLaMA、Mistral 等西方开源路线的回应，更是一种策略性选择：通过开源建立生态影响力，而非依赖 API 收入。

当前的核心优势：295B 参数中仅 21B 激活的 MoE 架构带来了极佳的性价比；SWE-bench Verified 78% 和 GPQA Diamond 90.4% 的表现在开源模型中处于第一梯队；Apache 2.0 许可彻底消除了商业使用的法律障碍；经过 50+ 腾讯内部产品验证的工程可靠性。

当前的主要限制：生态成熟度低于 DeepSeek 和 Qwen——第三方工具链、社区教程和中文技术文章仍在积累中；1M 超大上下文尚未支持；英文非代码场景的精细度不如纯英文模型；部署硬件门槛虽低于同智力稠密模型，但 8×H20-80G 仍非中小团队可轻松承担。

后续观察点：腾讯是否会将 Hy3 系列扩展到多模态（视觉、语音）领域；社区是否会围绕 Hy3 形成足够丰富的微调变体和专用工具链；腾讯是否会推出官方托管 API 以简化企业接入流程；下一个版本（Hy3.5 或 Hy4）是否会支持更大的上下文窗口和更高的激活参数预算。

采购与采用风险评估：对于个人开发者和创业团队，通过 OpenRouter 等第三方的 API 按量付费即可零风险体验 Hy3 的核心能力，建议将其纳入日常编码工具链进行 A/B 测试。对于计划私有化部署的企业，建议先在非关键流程（如内部代码审查、自动化测试生成）中部署试用，验证模型输出质量和团队接受度后再扩展到生产级 Agent 任务。采购前需重点确认：部署硬件的 GPU 型号和数量是否能满足目标负载（参考 vLLM/SGLang 官方的性能数据）、模型版本更新的向后兼容性保障（目前无官方承诺）、以及 Apache 2.0 许可是否完全覆盖企业的预期使用方式（如微调后的模型再分发）。在合规敏感行业（金融、医疗、政务），建议在私有化环境中完成一轮完整的红队测试和审计后再投入生产。

Hy3（腾讯混元 Hunyuan 3）

关于这个工具