正文：
需要说明的是，本次评测侧重中文场景下的综合能力考察，覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及coding八个板块。
hy3版本表现：
测试题数：约1.5万
总分（准确率）：64.0%
平均耗时（每次调用）：64s
平均token（每次调用消耗的token）：618
平均花费（每千次调用的人民币花费）：1.8
1、新旧对决
本次对比对象是hunyuan-2.0-instruct-20251111，这是去年年底的腾讯混元模型；与2026年7月8日发布的hy3相隔约八个月。因此，这组对比不能只按短周期小版本迭代理解。hy3的变化并不是总分层面的快速上移，而是能力结构发生了重新分配：coding和金融明显改善，但推理数学、法律、Agent工具调用等维度有所回调。数据如下：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
*输出价格单位： 元/百万token
整体表现基本持平：hy3总分为64.0%，hunyuan-2.0-instruct-20251111为63.9%，仅提升0.1个百分点，排名从第66位小幅升至第64位。
Coding是最大增量：coding从46.4%提升至54.9%，提升8.5个百分点，是所有细分维度中变化最大的一项。这与官方强调代码和智能体能力的方向一致，也说明Hy3在开发类任务上相对上一代确实更有抓手。
金融与医疗有所改善：金融从76.4%提升至80.8%，提升4.4个百分点；医疗与心理健康从84.3%提升至86.0%，提升1.7个百分点。对于需要专业知识组织和风险判断的中文任务，Hy3保留了腾讯系模型原本较强的垂直领域表现。
语言指令小幅提升：语言与指令遵从从57.8%提升至58.9%，提升1.1个百分点，属于轻微改善。
多个维度出现回调：推理与数学计算从67.1%降至60.9%（-6.2个百分点），法律与行政公务从81.7%降至78.0%（-3.7个百分点），agent与工具调用从64.5%降至62.0%（-2.5个百分点），教育从58.8%降至56.6%（-2.2个百分点）。这也是本次结果中最需要留意的部分：官方复杂推理基准表现不弱，但在中文推理数学和Agent工具调用维度上，hy3并未跑出代际优势。
响应时间变慢，但输出更短：平均耗时从11s增加至64s，单次调用慢了53s；平均token从899降至618，减少约31%。
2、横向对比
在当前主流大模型竞争格局中，hy3作为腾讯混元新一代开源模型表现如何？我们从三个维度进行横向对比分析：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
同成本档位对比
低成本档位里的特殊位置：hy3（64.0%，1.8元）处在每千次调用2元以内的极低成本区间。附近可比模型包括hunyuan-2.0-instruct-20251111（63.9%，1.5元）、hunyuan-turbos-20250926（62.2%，2元）、LongCat-Flash-Thinking-2601（62.7%，0元）等。相比这些模型，hy3总分略高，但优势很小。
向上看：当成本放宽到约5至10元区间，Doubao-Seed-2.0-lite（70.5%，5.4元）、deepseek-v4-flash（68.8%，4.9元）、DeepSeek-V3.2-Think（66.9%，7.5元）、qwen3-max-2026-01-23（64.8%，9.7元）、step-3.5-flash（64.0%，9.8元）都成为参照。hy3的优势是成本更低，但准确率明显低于Doubao-Seed-2.0-lite和deepseek-v4-flash。
速度不是优势项：hy3平均耗时64s，慢于hunyuan-2.0-instruct-20251111（11s）、hunyuan-turbos-20250926（23s）和deepseek-v4-flash（49s）。因此，它更像是一个低调用成本、输出较短的开源模型，而不是低延迟模型。
新旧模型对比
腾讯模型线的分工更清晰：当前榜单中，hunyuan-2.0-thinking-20251109（68.6%，第36位，9.5元）仍是腾讯系中文总分最高的模型；hy3（64.0%，第64位，1.8元）高于hunyuan-2.0-instruct-20251111（63.9%，第66位，1.5元）和hunyuan-turbos-20250926（62.2%，第72位，2元）。这说明hy3在ReLE里不是替代thinking模型的高分路线，更接近低成本开源底座。
代际改善集中在coding：从hunyuan-2.0-instruct-20251111到hy3，coding提升8.5个百分点，金融提升4.4个百分点。若应用重点在代码生成、开发辅助或金融信息处理，这些细分提升比总分更值得关注。
开源VS闭源对比
开源阵营中的低成本底座：hy3属于开源模型，成本明显低于多数开源新模型。对比qwen3.5-flash（68.9%，10.4元）、deepseek-v4-flash（68.8%，4.9元）、DeepSeek-V3.2-Think（66.9%，7.5元）、step-3.7-flash（67.2%，40.6元），hy3总分不占优，但调用成本更低。对于自部署、二次开发和腾讯生态内集成，开源属性会放大它的实用价值。
Hy3的价值不能只看总分：hy3在中文综合准确率上仍处于榜单后段，但官方强调的是开源、256K上下文、代码智能体、搜索智能体、产品场景接入和低成本推理。也就是说，它更适合作为一个可下载、可改造、可规模化调用的工程底座，而不是以单轮中文总分冲击头部的模型。
3、官方评测
根据腾讯混元官方博客（https://hy.tencent.com/research/hy3），Hy3是Hy3 preview之后的正式版升级。官方表示，4月底发布preview后，混元在50多个业务中获得反馈，修复了一系列体验问题，并继续扩大后训练数据质量、多样性和RL算力规模。
智能体与生产力任务
官方对Hy3的核心描述是：相比同尺寸模型具备更强的智能水平，并在部分任务上接近更大尺寸旗舰模型。具体方向上，Hy3基于preview版本提升了后训练数据质量和多样性，并扩大RL算力规模，在推理、智能体、长上下文等任务上进一步改善。
生产力任务是官方着墨最多的部分。官方称，Hy3在软件开发、办公生产、金融建模、前端设计、游戏制作等任务上进步明显。在内部组织的270位专家真实工作盲测中，Hy3均分为2.67/4，高于GLM5.1的2.51/4，优势主要出现在前端、数据与存储、CI/CD等类别。
产品体验与可靠性
官方强调，Hy3的升级不只看榜单成绩，也包括一系列产品体验指标。首先是输出格式和工具调用稳定性：官方称Hy3改善了工具设置和输出要求下的基础底线问题，工具调用错误恢复能力和效率进一步提升；同时增强了跨脚手架泛化性，在CodeBuddy、Cline、KiloCode等不同脚手架下，SWE Bench Verified分数标准差控制在4个百分点以内。
其次是知识常识和抗幻觉能力。官方内部评测中，Hy3幻觉率从12.5%降至5.4%，常识错误率从25.4%降至12.7%。对于复杂上下文承接和多轮意图保持，官方称多轮问题率从17.4%降至7.9%，MRCR从42.9%提升至75.1%。这些指标与ReLE中的“语言与指令遵从”“agent与工具调用”不是同一套评测，但能解释官方为什么更强调产品体验而不只是通用榜单分数。
业务反馈
官方列举了WorkBuddy、元宝、ima、Marvis、QQ浏览器、微信读书、微信公众号、腾讯游戏、腾讯文档等业务反馈。其中WorkBuddy给出的内部数据较具体：相比Hy3 preview，任务解决率从72%提升至90%，平均耗时缩短34%。Token效率方面，官方称在高频办公任务中，Hy3相比GLM-5.2在文档处理上节省47.4% token，在PPT制作上节省49.0% token。
非线智能官网https://nonelinear.com 已上线hy3版，欢迎深度体验。 同时，非线智能API可连接超480+全球模型，支持一键Api聚合以及Api中转，提供稳定的企业级服务。 登录github账号，领20-50元体验金。接入hy3就用非线智能API。
