腾讯朝微信里塞进Hy3的时候，没搞发布会，也没放论文轰炸。这枚295B总参数的MoE模型，激活参数只有21B，却直接把内部智能助手WorkBuddy的任务成功率从72%干到了90%，耗时还砍掉三分之一。这不是实验室里的跑分狂欢，是一个已经跑在十亿人手机里的Agent引擎，正用最脏最累的真实业务反馈淬火。看不懂这个动作，就很难理解为什么2025年的模型竞赛，卷参数已经彻底过时。
激活21B，却敢叫板千亿规模
MoE的老把戏，腾讯玩出了新效率
Hy3的核心架构是混合专家（MoE），总参数295B，每次推理只激活21B。这套玩法并不新鲜，但腾讯混元团队的落地手段相当务实：他们不追求稀疏度上的理论极限，而是盯着实际吞吐，让21B激活参数打出了相当于参数规模2到5倍旗舰模型的推理效率。翻译成人话，就是在同一块卡上，推理速度更快、成本更低，而回答质量还能正面对标几百B的稠密模型。这种工程定力少见，因为多数团队一旦选了MoE路线，就容易陷入“专家数量攀比”，忘了最终算的应该是每token成本与任务完成度之间的比值。
用50多个业务场景，磨掉幻觉的毛刺
从preview版到正式版，Hy3的进化没有依赖任何学术基准排行榜。团队接入了50多个腾讯内部真实业务线，包括社交、文档、客服、代码助手等，让模型在真正会被用户骂的场景里反复迭代。结果是幻觉和常识错误持续下降，而这些收益是用任何合成数据都无法替代的。更具体地看WorkBuddy这个内部Agent，任务成功率从72%跳到90%，耗时降低34%。这意味着它不仅能更准确地理解指令，还能少走弯路，少编造中间步骤。对于一款定位Agent向的LLM，这种在“长线任务执行”上的可靠性，比单轮问答的跑分重要十倍。
不刷榜，却铺进十亿用户的日常生活
微信里长出的AI，不是聊天玩具
腾讯把Hy3集成进微信，不是做个对话机器人解闷。当服务触及10亿+用户时，模型的每一次输出都会变成社会级实验。你在小程序里要开发票、在文档里续写报告、在企业微信里调用AI整理会议纪要，背后可能都是Hy3在干活。视频演示里，它直接生成可交互的HTML网页、运作一个Agent网页、输出10页PPT，这些不是炫技，而是打在工作流最痛的地方——普通人需要的是“帮我做一个能收集报名信息的页面”，而不是“给我介绍HTML标签”。这种能力落点，让模型从打发时间的陪聊，变成口袋里真正发烫的生产力扳手。
自报短板，比佯装全能更凶猛
一个很少有人谈的细节：Hy3会主动说明自己的不足。演示中遇到纯视觉问题，它直接承认“这个我不太行”。这种自我认知机制在当下的模型圈极度稀缺。太多产品习惯用“作为一种AI模型，我无法……”的回避话术，而Hy3的选择是说“这部分我处理不好，建议上传更清晰的图或者换种方式描述”。对于Agent模型，坦诚自身能力边界不是示弱，是防止在自动执行任务链时死磕错误路径，最终导致整体失败。能把“我不会”说清楚的模型，比那些强行回答的幻觉发动机可靠太多。
短板扎眼，但未必是产品缺陷
纯视觉能力掉队，刻意还是无奈？
实测中，Hy3的纯视觉理解明显是短板，多模态任务一旦脱离强文本线索就容易失准。这当然会损失一部分用户——比如想让它识别手绘草稿的设计师，或者拍照即问的普通用户。但换个视角，这种“偏科”可能恰恰是腾讯在资源与战略之间的主动选择。当一个模型的核心使命是作为Agent去调用工具、拆解步骤、读写数据，视觉信号在短中期内并不是主干。把有限的训练算力砸在代码生成、长程规划和防幻觉上，远比追求“能看图”的全能标签更符合Agent优先的落地逻辑。
先做“能干活”的，再求“什么都会”
腾讯给Hy3的定位异常清晰——Agent向LLM。这意味着它首先要当好一个数字员工的底座，能理解模糊指令、自主规划、调用外部工具、从失败中纠正。这些能力在coding和复杂办公任务上表现突出，背后是一套强化训练流程在刻意放大模型的任务执行稳定性。至于图像、音频的多模态华丽外衣，可以晚点再披。在行业集体追逐GPT-4o式全模态神话时，Hy3用实际应用的吞吐数据和成功率给出另一种答案：先把工位上的活干利索，比什么都重要。当对手们还在比拼参数表和跑分截图，腾讯已经把一款不完美的模型悄悄塞进了十亿人的聊天列表，这才是最需要拆解的冲击波。
