腾讯 Hy3 开源：295B MoE，激活21B，工具调用错误恢复与多脚手架泛化显著提升

魔搭ModelScope社区

35人浏览 · 2026-07-07 09:52:23

魔搭ModelScope社区 · 2026-07-07 09:52:23 发布

腾讯混元团队正式开源新一代大模型 Hy3。

作为 4 月发布的 Hy3 preview 在 50 多个业务场景反馈基础上的迭代版本，Hy3 总参数量 295B，激活21B，采用 Apache 2.0 协议开源，在推理、智能体、长上下文等任务上取得比肩参数规模 2~5 倍旗舰模型的效果。

开源地址：

模型链接：
https://modelscope.cn/models/Tencent-Hunyuan/Hy3
代码仓库：
https://github.com/Tencent-Hunyuan/Hy3
技术博客：
https://hy.tencent.com/research/hy3
在线体验：
https://aistudio.tencent.com/

更强大的智能体能力

Hy3 基于 preview 版本进一步提升了后训练数据的质量和多样性，扩大了 RL 算力规模，在推理、智能体、长上下文等任务上显著进步。

Hy3 在软件开发、办公生产、金融建模、前端设计、游戏制作等生产力任务上的进步尤其显著，可以成为高性价比的可靠选择。在内部组织的 270 位专家基于真实工作的模型盲测中，Hy3（均分 2.67 / 4）展现出优于 GLM5.1（均分 2.51 / 4）的表现，尤其在前端、数据与存储、CI/CD等类别优势显著。

比如，Hy3可以用模型来设计核聚变能源引擎的概念宣传网页。

实现基于摄像头通过手势交互控制图片粒子融解重组。

通过多轮交互制作一个落日飞车游戏。

或者是在办公场景中，从 101 个 SKU 销售数据中，产出 Excel 建模分析以及 30 页汇报PPT。

把公司三个地区的数据，用联动公式汇总成一张 5000 多个单元格的表。

更可靠的产品体验

模型的实用体验不完全与榜单成绩挂钩。基于广泛的用户反馈和分析，Hy3定位并优化了一系列体验向能力，获得了产品侧一致且积极的评价：

输出格式和工具调用稳定性： Hy3显著改善了一系列基础底线问题，确保模型在各种工具设置和输出要求下达到生产级标准，工具调用的错误恢复能力和效率大幅提升。另外，Hy3 还增强了跨脚手架泛化性，不同脚手架（如 Codebuddy、Cline、KiloCode）在 SWE Bench Verified 上的分数标准差控制在 4 个百分点以内。

知识常识和抗幻觉能力： 内生知识和外部幻觉问题相互关联，且对于真实体验至关重要。基于“有依据才回答、无依据明示缺失，多来源信息不乱拼，数据和状态不乱编”的理想态，Hy3进行了细粒度的数据清洗和训练约束。在基于真实产品的内部评测中，Hy3 的幻觉率从 12.5% 降至 5.4%，常识错误率从 25.4% 降至 12.7%，显著改善了“张冠李戴”、无中生有、逻辑矛盾等问题。

复杂上下文承接与多轮意图保持能力： Hy3 在 SFT 与 RL 阶段联合优化了指代消解、省略还原及多轮约束继承等业务痛点问题，内部评测的多轮问题率从 17.4% 降至 7.9% 。同时 Hy3 在长对话理解基准中取得显著跨越（如 MRCR 从 42.9% 升至 75.1%），整体输出更加精炼的同时确保复杂意图在长程交互中不衰减、不跑偏。

性能表现

Hy3 的长对话理解与幻觉控制两项核心指标改善最为显著，工具编排类任务盲目重试、应止未止等无效操作大幅减少，复杂办公任务用更少的 Token 消耗即可获得可用结果。

Hy3 在腾讯内部多个产品线的实测数据如下：

WorkBuddy

Context Engineering 负责人 Elden

内部测评数据显示：相比 Hy3 preview，任务解决率从 72% 跃升至 90%，平均耗时缩短 34%。Token 效率同样值得一提：高频办公任务中，Hy3 Token 消耗显著低于 GLM5.2——文档处理节省 47.4%，PPT 制作节省 49.0%。任务完成率上去了，单次消耗下来了，用户自然会把更多事情交给它。

元宝

Agent 算法负责人 Jim

接入 Hy3 后，用户使用元宝 Agent 感受到的是：Excel 不用反复调格式，数据分析结果直接可用，网页工具接入即跑。覆盖信息查询、数据处理、文档办公、生活决策、网页制作五大场景的内部评测，给出数字支撑：文档生成综合分提升 +7%，网页制作与自动化脚本提升 +6%。

ima

产品经理 Kaycee

在 Agent 任务中，Hy3 综合表现优异，工具编排能力尤为突出，盲目重试、应止未止等无效操作大幅减少，复杂办公任务用更少的 Token 消耗即可获得可用结果；知识库问答场景推理质量净提升近 19%，幻觉率下降 15pp，长文写作与方案生成的结构完整度、可用性明显增强。

Marvis

产品经理 Eva

多 Agent 协作最怕情况是任务派出去后，某个环节理解错了，发现的时候已跑偏。接入 Hy3 之后，用户感受到的是，每一步都接得上。在文件生成、电脑诊断与操作等 Agent 场景中，任务完成率达到 93.7%，产物卡与操作卡指令遵循率提升 18.3%。在任务耗时、Token消耗等工程中指标上也表现优异，对降本增效带来实质性帮助。

QQ浏览器

产品经理 Guangyun

Hy3 上线后，QQ浏览器的元宝助手的编程与代码输出类任务，成功率大幅提升 37.6%，覆盖HTML网页、插件开发等场景，网页理解及财经社会时事等专项调研也在稳定运转。用户感受到体验上的变化是：从"帮我写一个起点"，变成了"帮我写一个可以直接用的"。

微信读书

算法工程师 Hanzhen

推荐系统的好坏，用户感知到的是：这本书推得准不准，这个标签贴得像不像。Hy3 在网络文学标签标注场景中，相较 preview 在高质量人工标注数据集上准确率提高 14.1%，综合分类效能提升 8.4%。标签打得更准，意味着内容推荐的"第一步判断"更可靠。

微信公众号

产品经理 Astrid

不少用户沟通时只会说“上次那个”“能帮我看看吗”，没有完整描述需求，容易造成理解偏差。在AI分身和AI客服专项评测里，Hy3 针对这类场景的识别能力明显升级，意图识别准确率从 98.28% 提升到 98.94%；更关键的是应对方式的变化：面对不完整的表达，Hy3 能结合账号定位与上下文做出合理判断，不脑补过度，也不机械套模板。

腾讯游戏

WeGame 后台研发负责人 Anlan

游戏里问 AI 一个问题，最怕答错了，导致用户在游戏里踩了一个坑。《流放之路：降临》 AI 游戏助手接入 Hy3 后，多轮推理与工具调度综合成功率提升至 92%，幻觉率从 4.5% 降至 2.8%。对玩家来说，AI的回答不再需要再验证一遍，就是好体验。后续WeGame将接入更多游戏产品，把这套体验带给更多玩家。

本地部署

Hy3 总参数量 295B，8 卡部署建议使用 H20-3e 或其他更大显存的卡型。推荐 temperature=0.9、top_p=1.0；复杂任务（数学、编程、推理）建议设置 reasoning_effort="high" 启用深度思维链，日常对话使用默认 "no_think" 直接回复。

模型下载

modelscope download --model Tencent-Hunyuan/Hy3 --local_dir Tencent-Hunyuan/Hy3

vLLM 部署

从源码构建 vLLM：

uv venv --python 3.12 --seed --managed-python
source .venv/bin/activate
git clone https://github.com/vllm-project/vllm.git
cd vllm
uv pip install --editable . --torch-backend=auto

启动 vLLM 服务（开启 MTP）：

# 切换到 trtllm 后端以规避 mnnvl workspace 尺寸问题
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

SGLang 部署

从源码构建 SGLang：

git clone https://github.com/sgl-project/sglang
cd sglang
pip3 install pip --upgrade
pip3 install "transformers>=5.6.0"
pip3 install -e "python"

启动 SGLang 服务（开启 MTP + EAGLE 投机采样）：

python3 -m sglang.launch_server \
  --model tencent/Hy3 \
  --tp-size 8 \
  --tool-call-parser hunyuan \
  --reasoning-parser hunyuan \
  --speculative-algorithm EAGLE \
  --speculative-num-steps 2 \
  --speculative-eagle-topk 1 \
  --speculative-num-draft-tokens 3 \
  --port 8000 \
  --served-model-name hy3

OpenAI 兼容 API 调用

服务启动后可通过标准 OpenAI SDK 直接访问：

from openai import OpenAI
client = OpenAI(base_url="http://127.0.0.1:8000/v1", api_key="EMPTY")
response = client.chat.completions.create(
    model="hy3",
    messages=[{"role": "user", "content": "你好！请简单介绍一下你自己。"}],
    temperature=0.9,
    top_p=1.0,
    # reasoning_effort: "no_think"（默认）/ "low" / "high"（深度思维链）
    extra_body={"chat_template_kwargs": {"reasoning_effort": "no_think"}},
)
print(response.choices[0].message.content)

附录：模型得分