腾讯混元 Hy3 实测

腾讯混元 Hy3 实测 – 与 GLM 5.1、DeepSeek V4 Pro 横向对比

腾讯近期发布的混元 Hy3 模型，在 WorkBuddy 平台上线后，引发了广泛关注，甚至一度出现排队抢用的情况。Hy3 作为 4 月底发布的 Hy3 preview 的升级版本，其宣称的效果令人期待。

根据官方宣传，Hy3 在真实工作场景的模型盲测中，平均得分超越了 GLM 5.1，在推理、智能体、长上下文等复杂任务上，其表现甚至能与国内外参数规模大出 2-5 倍的旗舰模型相媲美。基于这一宣传，我们展开了一系列实测，旨在检验 Hy3 的实际能力。

为了进行全面横评，我们选择了参数量大于 Hy3 的 GLM 5.1 和 DeepSeek-V4-Pro，以及参数量与之相近的 DeepSeek-V4-Flash。我们将通过一系列具体场景的测试，来揭示这些模型的真实表现。

模型实测

场景一：前端设计

提示词：

请设计一个 AI 模型横评 Dashboard。

内容要求：

• 1. 顶部展示 Hy3、GLM 5.1、DeepSeek V4 Pro、DeepSeek V4 Flash 四个模型。
• 2. 中部为评分矩阵，包含代码、推理、写作、视觉、速度、稳定性等维度。
• 3. 右侧显示当前选中模型的优缺点。
• 4. 底部记录测试 case 的运行情况。

设计准则：

• 1. 避免营销落地页风格。
• 2. 追求专业 SaaS 工具的观感，信息密度高但不杂乱。
• 3. 兼容桌面和手机端。
• 4. 具备真实交互功能：模型切换、测试类型筛选、分数排序。
• 避免使用大面积渐变背景、玻璃拟态或空洞的装饰元素。

Hy3 的表现：

Hy3 在此场景下展现了出色的完成度，其信息架构最贴近真实评测工具的设想。页面顶部集成了关键指标，四个模型卡片清晰呈现，评分矩阵、模型详情、雷达图、维度细分、优缺点分析、规格区以及测试记录和筛选功能一应俱全。不过，在桌面视图的中部左侧，存在一块较为明显的空白区域，影响了页面的浏览节奏。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 的整体结构清晰，构建了包含 6 个维度和 4 个模型的评分矩阵。选中列、筛选按钮和测试历史表格均可正常运行。然而，其设计辨识度略显不足，整体风格更像一个“标准白底 SaaS 表格演示”。矩阵区域存在大片空白，页面信息密度控制不佳。此外，在细节方面，缺失了模型画像、规格信息以及图形化能力面板，记忆点不够突出。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 在卡片、条形图和表格的呈现上表现稳健，视觉设计克制，未滥用装饰元素。然而，其所谓的“评分矩阵”仅展示了当前选中模型的 6 个维度，而非真正的四模型横向对比矩阵。信息层级相对较少，更像一个模型详情页与记录表的结合，未能完全达到完整横评工作台的标准。

GLM 5.1 的表现：

GLM 5.1 在此场景下未能成功运行。浏览器报错显示“Invalid or unexpected token”，导致模型卡片、矩阵、详情及测试记录等所有元素均未渲染，页面仅显示了暗色外壳和空表头。

本场景排名：Hy3 > DeepSeek-V4-Pro > DeepSeek-V4-Flash > GLM 5.1

场景二：3D 物理交互

提示词：

请创建一个 3D 小球迷宫。

要求：

1. 使用 Three.js 技术栈。
2. 画面中包含一个倾斜的迷宫板和一个小球。
3. 通过键盘方向键控制迷宫板的倾斜角度。
4. 小球的滚动方向应随迷宫板的倾斜而变化。
5. 设置有墙体、终点和失败的掉落洞口。
6. 成功到达终点时，显示通关时间。
7. 小球掉落洞口后，游戏应重置。
8. 实现基础的物理效果，避免仅通过坐标修改来模拟滚动。

Hy3 的表现：

Hy3 在此场景下表现极其稳定，本地集成了 three.min.js，可直接运行。物理效果实现清晰，包含了倾斜板、滚动小球、墙体碰撞检测、洞口掉落重置、终点设置以及计时功能。此外，还支持移动端的 D-pad 操作。按键操作后，小球的位置和计时均有明显的变化。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 的实现思路颇具创意，引入了 React Three Fiber 和 Rapier，搭建过程也较为完整，显示了其对物理引擎的理解。然而，实际游玩过程中存在较大问题：左右重力的逻辑混乱，导致板子倾斜时小球反而向高处滚动。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 成功实现了 Canvas 渲染、迷宫结构、计时功能、掉落洞口以及通关弹窗。但其游戏系统的深度仍显不足：洞口数量较少，HUD 信息不够丰富，左右重力逻辑同样存在混乱，小球会向高处滚动。

GLM 5.1 的表现：

GLM 5.1 实现了较高的完成度，画面中包含了完整的迷宫、墙体、多个失败洞口、终点、阴影效果、HUD 信息、最佳时间记录、WASD/方向键控制、R 键重开以及鼠标视角旋转功能。然而，上下左右的重力逻辑均存在混乱，小球会向高处滚动。

本场景排名：Hy3 > GLM 5.1 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

场景三：塔防游戏

提示词：

请开发一款迷你塔防游戏。

要求：

1. 地图上存在固定路径，敌人沿路径移动。
2. 玩家可在指定空地上部署炮塔。
3. 炮塔自动攻击范围内最近的敌人。
4. 敌人死亡后掉落金币。
5. 每波敌人数量和速度递增。
6. 包含生命值、金币、波次、暂停和重新开始功能。
7. 炮塔至少包含两种类型：单体高伤和范围低伤。
8. 游戏应设计得能平衡到至少进行 5 波。

Hy3 的表现：

Hy3 提供了三种类型的炮塔：箭塔（单体高伤）、炮塔（范围低伤）和冰塔（减速），基本满足了要求。游戏还包含出售返还、暂停、重开、波次状态显示等功能。UI 设计清晰，敌人血条、路径指示、炮塔位反馈都做得很好，整体更像一个完整的小游戏原型。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 的 React/Vite 版本在部署炮塔和进行 5 波流程方面可用。但整体更像一个基础的演示 Demo：仅提供两种炮塔，缺少日志、出售、减速、敌人类型变化等功能，视觉效果也较为简单。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 在单文件完成度上表现不错，能够实现炮塔部署、开始波次、击杀返钱，并带有提示和炮塔属性面板。然而，其短板在于仅提供两种炮塔，敌人种类和策略深度一般，界面观感也有待提升。

GLM 5.1 的表现：

GLM 5.1 构建的游戏结构较为产品化：包含 10 波敌人、两种炮塔、多种敌人类型、速度调节按钮、日志以及右侧完整的商店信息。然而，画面风格偏暗，战斗反馈不够直观；炮塔类型较少，缺少出售或升级功能。

本场景排名：Hy3 > GLM 5.1 > DeepSeek-V4-Flash > DeepSeek-V4-Pro

场景四：代码调试

提示词：

以下 Python 代码旨在找出数组中和为 target 的两个数的下标，但存在 bug。请指出 bug，提供修复代码，并补充 3 个测试用例。

def two_sum(nums， target):

seen = {}

for i， n in enumerate(nums):

if target – n in seen:

return [i， seen[n]]

seen[n] = i

return []

Hy3 的表现：

Hy3 提供了清晰的标准用例解释，指出了当 `nums = [2,7,11,15]` 且 `target = 9` 时会出现 `KeyError`。修复代码正确，并提供了覆盖基本、重复和无解情况的测试用例。不过，对于“只有 n == target – n 才正确”的表述略显绝对，原始代码如果严格要求返回 `[0,1]`，在 `[3,3]` 的情况下返回顺序也可能颠倒。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 的修复方案和测试用例均正确，覆盖了 4 个场景。但其解释中提到 `seen[n]` 可能是“当前数字 n 的索引，即 i 本身”，这一说法不够严谨，因为 `seen[n] = i` 的操作发生在判断之后，此时 `seen` 中存储的 `n` 的索引通常不是当前的 `i`。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 的分析存在明显错误，将问题误判为“返回顺序反了”，但仍旧使用了 `seen[n]` 而非 `seen[target – n]`。在标准用例 `nums = [2,7,11,15]`，`target = 9` 的情况下，它仍然会触发 `KeyError`，并且给出的测试用例自身也无法通过。

GLM 5.1 的表现：

GLM 5.1 精准地抓住了核心问题：判断条件是 `target – n in seen`，因此返回值必须是 `seen[target – n]`。它还补充说明了 `seen[n]` 可能出现的 `KeyError` 或命中旧的重复值情况，解释非常严谨。修复代码和测试用例也均正确。

本场景排名：GLM 5.1 > Hy3 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

场景五：中文写作

提示词：

请将以下这段话改写成更自然的公众号正文风格，避免 AI 写作痕迹。

原文：

在人工智能快速发展的今天，Agent 已经不再只是一个技术概念，而是正在成为改变生产力的重要工具。对于普通人来说，理解 Agent 的意义非常重要，因为它不仅能够提升工作效率，还能够帮助我们重新思考人与机器的关系。

Hy3 的表现：

Hy3 展现了较强的审稿意识，能够准确识别原文中 AI 腔调的来源，并进行了有效的改写。改写后的文章开头具有公众号文章常见的吸引力。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 的改写风格干净、简洁、直接，不拖泥带水。但信息量偏少，将 Agent 简单描述为“普通效率工具”，忽略了“主动执行、多步骤任务、人机分工变化”等关键信息。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 的改写虽然比原文更口语化，但仍保留了明显的模板化痕迹，例如“不只是……、实打实地……、工作效率翻倍”等。其结尾“人和机器之间，到底谁该听谁的”带有较强的标题格。

GLM 5.1 的表现：

GLM 5.1 的改写具体且富有场景感，它没有仅仅停留在“提升效率”的层面，而是具体描述了如订机票、整理文档、盯进度、制作报表、处理邮件、资料归档等应用场景，使读者能够迅速理解 Agent 的实际用途。语言风格也较为自然，模板句较少。唯一的小瑕疵是“与其……不如……”句式重复使用了两次。

本场景排名：GLM 5.1 > Hy3 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

场景六：约束遵循

提示词：请以 JSON 格式输出，不要使用 Markdown，不要添加解释。

任务：为一家 AI 编程工具设计 5 条中文广告语。

约束条件：

• 1. 每条广告语不超过 16 个汉字。
• 2. 禁止使用“效率”“智能”“未来”这三个词。
• 3. 每条广告语必须包含一个动词。
• 4. JSON 输出的字段名为 slogans，值为字符串数组。

Hy3 的表现：

Hy3 生成的 JSON 格式规范，字段正确，恰好生成了 5 条广告语。所有广告语均为中文短句，不含英文、空格或多余解释。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 的 JSON 输出符合规范，文案更具画面感。但部分广告语略显超长，例如：“开口说需求，代码自己长”、“把想法丢进去就行”。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 的格式没有问题，但对约束条件的遵循最弱。使用了“bug”、“AI”等英文词汇。其广告语“改完 bug 直接上线”、“一人一 AI 撑起全栈”等表述过于夸张，更像宣传口号。

GLM 5.1 的表现：

GLM 5.1 表现稳定，生成的 5 条广告语均简短且节奏统一。但使用了“Bug”这个英文单词。

本场景排名：Hy3 > DeepSeek-V4-Pro > GLM 5.1 > DeepSeek-V4-Flash

场景七：代码重构

提示词：以下函数已在线上运行两年，现需支持优惠券、会员折扣和区域税率。请设计重构方案。

function calcTotal(items， user) {

let total = 0

for (const item of items) {

total += item.price * item.count

}

if (user.vip) total *= 0.9

total *= 1.06

return Math.round(total * 100) / 100

}

要求：

• 1. 避免过度设计。
• 2. 保持代码的可测试性。
• 3. 提供 TypeScript 代码实现。
• 4. 给出单元测试样例。
• 5. 说明哪些逻辑应进行配置化处理。

Hy3 的表现：

Hy3 成功地将原始函数拆分为纯函数，并引入了配置对象。其对税率、会员折扣和优惠券的边界划分讲解清晰，工程判断稳健。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 的方案落地扎实，测试覆盖广泛，并提供了零依赖可运行的代码。扣分点在于将 `user.vip` 改为了 `membership`，如果线上原字段为 `vip`，可能存在兼容性风险。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 的思路方向正确，将常量配置化，计算顺序固定，避免了策略模式的过度引入。然而，其实现存在较多问题：优惠券在会员折扣之前应用，且会员折扣基于小计金额扣除，这在叠加使用优惠券时可能与业务直觉不符。此外，固定券缺少最终的兜底逻辑，叠加多张券可能导致总金额为负数，整体像一个初版草稿。

GLM 5.1 的表现：

GLM 5.1 在设计理念上表现出色，它详细阐述了配置注入、迁移节奏以及避免过度设计的原则，特别强调了“先用旧硬编码配置回归，再对接运营后台”的实际工程处理方式。扣分点在于代码片段存在一些小瑕疵，例如 `pricing.ts` 未显示从 `types.ts` 导入类型，测试中的 `DiscountPolicy` 和 `TaxPolicy` 也未导入，直接复制可能无法运行。

场景八：Excel 自动化

提示词：

我有一张销售表，包含字段：日期、销售员、城市、产品、销售额、成本、客户类型。

请设计一个 Excel 分析模板，要求：

1. 自动计算毛利和毛利率。
2. 按月份、城市、销售员生成透视分析。
3. 找出毛利率低于 15% 的订单。
4. 生成一个管理层看板。
5. 提供所需公式、透视表字段配置和图表类型建议。

Hy3 的表现：

Hy3 实际交付了一个 .xlsx 文件，并附带了生成脚本、公式列表、条件格式、自动汇总以及 KPI 和 3 张图表。虽然未直接创建 Excel 透视表，但提供了详细的透视字段说明。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 的设计结构清晰，包含 6 张工作表。KPI 公式和 FILTER 低毛利清单的方案具有较强的落地性。在透视表中，使用“毛利 / 销售额”的计算字段来计算毛利率，显得非常严谨。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 提供的方案具备基本框架，但公式细节存在较多问题。例如，低毛利标记未考虑防除零错误，COUNTIF(I:I,<0.15) 少了引号。透视表中关于毛利率的建议也不够准确。

GLM 5.1 的表现：

GLM 5.1 的方案非常接近实际 Excel 搭建流程。它包含了超级表、透视表、低毛利预警、切片器、时间轴以及将阈值移至设置单元格等实用功能。但部分公式写法更偏向说明性质，例如“=总毛利/总销售额”。

本场景排名：Hy3 > GLM 5.1 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

场景九：DCF 估值

提示词：

基于以下假设，请进行 DCF 估值。

2026 年现金流为 1200 万，之后 4 年增长率分别为 18%、15%、12%、8%。永续增长率为 3%，WACC 为 10%。净债务为 2000 万，流通股为 1000 万股。

请计算：

1. 显性期现金流现值。
2. 终值。
3. 企业价值。
4. 股权价值。
5. 每股价值。
6. 进行 WACC 9%-11% 和永续增长率 2%-4% 的敏感性分析。

Hy3 的表现：

Hy3 的折现口径正确：2026-2030 年的五年现金流按 t=1 到 t=5 进行折现，2030 年末的终值也折现了 5 年。计算出的每股价值为 21.95 元，并且实际生成了 HTML 报告和计算脚本。

DeepSeek-V4-Pro 的表现：

DeepSeek-V4-Pro 提供了本地脚本，但核心口径存在错误：漏掉了 2026 年 1200 万的现金流，仅从 2027 年开始折现；终值也只折现了 4 年，因此估值被抬高至 23.14 元。

DeepSeek-V4-Flash 的表现：

DeepSeek-V4-Flash 与 DeepSeek-V4-Pro 犯了相同的 DCF 口径错误：漏掉了 2026 年的现金流，终值折现期也少了一年。相较于 DeepSeek-V4-Pro，其不足之处在于没有提供本地文件，且解释更为简略。

GLM 5.1 的表现：

GLM 5.1 在计算和口径方面严谨准确，明确指出了估值日、年末现金流约定以及终值折现 5 年。敏感性分析也完成了 5×5 的完整覆盖。结论中对终值占比以及交叉验证的提醒，体现了其金融建模的专业意识。可惜的是，未能生成本地交付文件。

本场景排名：Hy3 > GLM 5.1 > DeepSeek-V4-Pro > DeepSeek-V4-Flash

测试结果总结

从本次测试结果来看，Hy3 的宣传内容相当实在。整体表现确实优于 GLM 5.1，并且令人惊喜的是，其表现也略微领先于 DeepSeek-V4-Pro。

Hy3 在前端设计、塔防游戏、约束遵循、代码重构、Excel 自动化以及 DCF 估值等多个场景中都取得了第一名。其突出优势在于能够“交付”：它能够生成文件、运行页面、并将复杂需求转化为实际可用的产物。

GLM 5.1 在需要判断力的场景中表现出色，如代码调试、中文写作和 DCF 口径分析。它的解释严谨，金融建模意识较强。

DeepSeek V4 Pro 更像一个中规中矩的工程型选手，具备良好的结构化能力。在代码重构场景中，它甚至成功通过了 20 个测试用例。

DeepSeek V4 Flash 更适合执行轻量级任务。对于单文件页面、小型 Demo 或快速草稿，它能够胜任。但一旦涉及到严谨的推理、约束遵循或复杂的业务逻辑，其表现就显得稍显不足。

一些心得分享

经过本次测试，我对 Hy3 的定位有了清晰的认识：它已经能够胜任日常工作中的许多任务。需要说明的是，本次测试是通过 WorkBuddy 完成的。腾讯自家的 Agent 工具与腾讯自家的模型相结合，可能存在一定的适配优化。然而，最终的测试结果摆在那里：页面能够运行，文件能够交付，复杂的任务也能有效拆解，整体完成度确实令人印象深刻。

更重要的是，目前在 WorkBuddy 上使用 Hy3 仍是免费的，用户可以免费体验两周。对于经常需要编写代码、制作页面或进行数据分析的专业人士来说，这相当于节省了近半个月的 Token 费用。即使后续接入 API，其价格也相对合理，甚至比 DeepSeek-V4-Pro 还要略低一些。

另一个令人期待的方面是，Hy3 已被集成到腾讯旗下的多款产品中，例如元宝和微信读书，这些也恰好是常使用的工具。

我注意到 Hy3 在 7 月 8 日上午 10 点左右，算力消耗达到了峰值，随后出现了排队现象，下午的排队率一度超过 50%。这充分说明，认为它表现出色的用户，绝非我一人。

在本次测试结束后，我将把 Hy3 加入到我的日常工作备选工具列表中，并对国产模型的持续进步充满期待。