大家好我是小悟。这两年大模型一个比一个能吹真到干活的时候问题全冒出来了。写代码写到一半开始胡说八道上下文一长就忘了前面说了啥最要命的是让模型去调工具、跑 Agent十次有八次卡在格式不对或者调用失败。还有幻觉一本正经编数据你信了就倒霉。我自己被这些坑折磨得够呛。所以看到腾讯 7 月 6 号把混元 Hy3 正式开源我第一反应是先别管参数多漂亮能不能真把活干漂亮才是关键。Hy3 到底是什么混元 Hy3 是腾讯混元团队重建训练基础设施之后的第一个正式版。今年 1 月底他们把预训练和强化学习的基础设施整个重做了一遍4 月底先放了个 preview 试水收到 50 多个产品线的反馈磨了两个月7 月 6 号推出这个正式版。它用的是 MoE 架构总参数 2950 亿但每次只激活 210 亿外加 38 亿的 MTP 层参数支持 256K 上下文。这个名字里的路子是快慢思考融合——简单问题直接给答案复杂任务才进入深度推理。最实在的一点它走 Apache 2.0 协议开源意味着你能下载、能改、能直接拿去免费用。真正能打的核心能力我看了官方放出来的材料和内部测评几个点确实让我眼前一亮。Agent 能力是这次的重头戏。代码生成、办公处理、金融建模、前端设计、游戏开发这几个生产力场景的进步最明显。官方给了个很硬的指标在自家产品里任务成功率从 72% 干到了 90%平均耗时还砍了 34%。工具调用的稳定性他们专门修过在 SWE-Bench Verified 上不同脚手架之间的准确率波动控制在 4% 以内说明它不是只能在某一个框里跑换个壳也稳。幻觉这块也下了狠手。官方说基于真实场景的内部评测里幻觉率从 12.5% 掉到 5.4%常识错误率从 25.4% 降到 12.7%。逻辑矛盾、张冠李戴这种事少了一大半。长上下文和多轮对话的记性也好了。多轮综合测试的问题率从 17.4% 降到 7.9%前面交代的约束到后面还能接得住。我上手之后的真实体感我自己的体验集中在 WorkBuddy 上因为它已经接了 Hy3。元宝那边也上线了 Agent你直接说需求它能跑完复杂任务顺手把 PPT、Word、Excel、PDF、HTML 都给你交付了而且全免费。ima、Marvis 也接进去了连微信的公众号 AI 客服、WeGame 里的游戏助手都吃上了 Hy3。为什么推荐它我推荐它不是因为它是腾讯出的就捧。真就几个实打实的理由。一是性价比太离谱。2950 亿总参数激活才 210 亿用 8 张显存大点的卡就能跑起来服务。同等尺寸里它比肩的是参数规模 2 到 5 倍的旗舰模型等于用小身板干了大块的活推理成本压得很低。二是开源协议友好。Apache 2.0 意味着商用门槛几乎为零小团队和个人开发者能直接使用去造东西。三是它真的在解决刚才说的那些痛点而不是堆跑分。任务成功率、幻觉率、多轮记性这些全是实际干活会撞上的坎它一个一个填了。四是生态铺得开。Github、Huggingface、ModelScope、GitCode同步放权重海外还陆续覆盖 OpenRouter、Cline、Cherry Studio 一堆平台你用什么工具链都能够得着。Githubhttps://github.com/Tencent-Hunyuan/Hy3Huggingfacehttps://huggingface.co/tencent/Hy3Modelscopehttps://modelscope.cn/models/Tencent-Hunyuan/Hy3Gitcodehttps://ai.gitcode.com/tencent_hunyuan/Hy3怎么把它跑起来部署脚本最省事的两条路vLLM 和 SGLang都支持 Hy3 的 MTP 加速。vLLM 路线#1.源码装 vLLM uv venv--python3.12--seed--managed-python source.venv/bin/activate git clone https://github.com/vllm-project/vllm.git cd vllm uv pip install--editable.--torch-backendauto #2.启动服务开MTPspeculative decoding exportVLLM_FLASHINFER_ALLREDUCE_BACKENDtrtllm vllm serve tencent/Hy3\--tensor-parallel-size8\--speculative-config.method mtp \--speculative-config.num_speculative_tokens2\--tool-call-parser hy_v3 \--reasoning-parser hy_v3 \--enable-auto-tool-choice \--port8000\--served-model-name hy3SGLang 路线#1.装SGLanggit clone https://github.com/sgl-project/sglang cd sglang pip3 install pip--upgrade pip3 installtransformers5.6.0pip3 install-epython#2.启动服务 python3-m sglang.launch_server \--model tencent/Hy3\--tp-size8\--tool-call-parser hunyuan \--reasoning-parser hunyuan \--speculative-num-steps2\--speculative-eagle-topk1\--speculative-num-draft-tokens3\--speculative-algorithmEAGLE\--port8000\--served-model-name hy3服务起来之后走 OpenAI 兼容接口就能调。想让模型深度推理就切到 high简单问答用默认的 no_think 直接回from openaiimportOpenAIclientOpenAI(base_urlhttp://127.0.0.1:8000/v1,api_keyEMPTY)responseclient.chat.completions.create(modelhy3,messages[{role:user,content:帮我写个快速排序}],temperature0.9,top_p1.0,extra_body{chat_template_kwargs:{reasoning_effort:high}},)print(response.choices[0].message.content)显存吃紧的话还有 FP8 量化版 Hy3-FP8 可以下官方给了 AngelSlim 工具做压缩小卡也能试着扛一扛。写在最后混元从年初重建到 4 月 preview再到现在这个正式版不到半年走完了一条从底盘重构到产品反哺的路。这种节奏感是我觉得最值得关注的地方——它不像在凑热闹发个版而是一圈一圈把能力往上夯。我已经把它挪进日常工作流了。写代码、理资料、跑 Agent省下的时间实实在在。技术这东西别人说得再好不如自己上手敲一遍。谢谢你看我的文章既然看到这里了如果觉得不错随手点个赞、转发、在看三连吧感谢感谢。那我们下次再见。您的一键三连是我更新的最大动力谢谢山水有相逢来日皆可期谢谢阅读我们再会我手中的金箍棒上能通天下能探海
大家好我是小悟。这两年大模型一个比一个能吹真到干活的时候问题全冒出来了。写代码写到一半开始胡说八道上下文一长就忘了前面说了啥最要命的是让模型去调工具、跑 Agent十次有八次卡在格式不对或者调用失败。还有幻觉一本正经编数据你信了就倒霉。我自己被这些坑折磨得够呛。所以看到腾讯 7 月 6 号把混元 Hy3 正式开源我第一反应是先别管参数多漂亮能不能真把活干漂亮才是关键。Hy3 到底是什么混元 Hy3 是腾讯混元团队重建训练基础设施之后的第一个正式版。今年 1 月底他们把预训练和强化学习的基础设施整个重做了一遍4 月底先放了个 preview 试水收到 50 多个产品线的反馈磨了两个月7 月 6 号推出这个正式版。它用的是 MoE 架构总参数 2950 亿但每次只激活 210 亿外加 38 亿的 MTP 层参数支持 256K 上下文。这个名字里的路子是快慢思考融合——简单问题直接给答案复杂任务才进入深度推理。最实在的一点它走 Apache 2.0 协议开源意味着你能下载、能改、能直接拿去免费用。真正能打的核心能力我看了官方放出来的材料和内部测评几个点确实让我眼前一亮。Agent 能力是这次的重头戏。代码生成、办公处理、金融建模、前端设计、游戏开发这几个生产力场景的进步最明显。官方给了个很硬的指标在自家产品里任务成功率从 72% 干到了 90%平均耗时还砍了 34%。工具调用的稳定性他们专门修过在 SWE-Bench Verified 上不同脚手架之间的准确率波动控制在 4% 以内说明它不是只能在某一个框里跑换个壳也稳。幻觉这块也下了狠手。官方说基于真实场景的内部评测里幻觉率从 12.5% 掉到 5.4%常识错误率从 25.4% 降到 12.7%。逻辑矛盾、张冠李戴这种事少了一大半。长上下文和多轮对话的记性也好了。多轮综合测试的问题率从 17.4% 降到 7.9%前面交代的约束到后面还能接得住。我上手之后的真实体感我自己的体验集中在 WorkBuddy 上因为它已经接了 Hy3。元宝那边也上线了 Agent你直接说需求它能跑完复杂任务顺手把 PPT、Word、Excel、PDF、HTML 都给你交付了而且全免费。ima、Marvis 也接进去了连微信的公众号 AI 客服、WeGame 里的游戏助手都吃上了 Hy3。为什么推荐它我推荐它不是因为它是腾讯出的就捧。真就几个实打实的理由。一是性价比太离谱。2950 亿总参数激活才 210 亿用 8 张显存大点的卡就能跑起来服务。同等尺寸里它比肩的是参数规模 2 到 5 倍的旗舰模型等于用小身板干了大块的活推理成本压得很低。二是开源协议友好。Apache 2.0 意味着商用门槛几乎为零小团队和个人开发者能直接使用去造东西。三是它真的在解决刚才说的那些痛点而不是堆跑分。任务成功率、幻觉率、多轮记性这些全是实际干活会撞上的坎它一个一个填了。四是生态铺得开。Github、Huggingface、ModelScope、GitCode同步放权重海外还陆续覆盖 OpenRouter、Cline、Cherry Studio 一堆平台你用什么工具链都能够得着。Githubhttps://github.com/Tencent-Hunyuan/Hy3Huggingfacehttps://huggingface.co/tencent/Hy3Modelscopehttps://modelscope.cn/models/Tencent-Hunyuan/Hy3Gitcodehttps://ai.gitcode.com/tencent_hunyuan/Hy3怎么把它跑起来部署脚本最省事的两条路vLLM 和 SGLang都支持 Hy3 的 MTP 加速。vLLM 路线#1.源码装 vLLM uv venv--python3.12--seed--managed-python source.venv/bin/activate git clone https://github.com/vllm-project/vllm.git cd vllm uv pip install--editable.--torch-backendauto #2.启动服务开MTPspeculative decoding exportVLLM_FLASHINFER_ALLREDUCE_BACKENDtrtllm vllm serve tencent/Hy3\--tensor-parallel-size8\--speculative-config.method mtp \--speculative-config.num_speculative_tokens2\--tool-call-parser hy_v3 \--reasoning-parser hy_v3 \--enable-auto-tool-choice \--port8000\--served-model-name hy3SGLang 路线#1.装SGLanggit clone https://github.com/sgl-project/sglang cd sglang pip3 install pip--upgrade pip3 installtransformers5.6.0pip3 install-epython#2.启动服务 python3-m sglang.launch_server \--model tencent/Hy3\--tp-size8\--tool-call-parser hunyuan \--reasoning-parser hunyuan \--speculative-num-steps2\--speculative-eagle-topk1\--speculative-num-draft-tokens3\--speculative-algorithmEAGLE\--port8000\--served-model-name hy3服务起来之后走 OpenAI 兼容接口就能调。想让模型深度推理就切到 high简单问答用默认的 no_think 直接回from openaiimportOpenAIclientOpenAI(base_urlhttp://127.0.0.1:8000/v1,api_keyEMPTY)responseclient.chat.completions.create(modelhy3,messages[{role:user,content:帮我写个快速排序}],temperature0.9,top_p1.0,extra_body{chat_template_kwargs:{reasoning_effort:high}},)print(response.choices[0].message.content)显存吃紧的话还有 FP8 量化版 Hy3-FP8 可以下官方给了 AngelSlim 工具做压缩小卡也能试着扛一扛。写在最后混元从年初重建到 4 月 preview再到现在这个正式版不到半年走完了一条从底盘重构到产品反哺的路。这种节奏感是我觉得最值得关注的地方——它不像在凑热闹发个版而是一圈一圈把能力往上夯。我已经把它挪进日常工作流了。写代码、理资料、跑 Agent省下的时间实实在在。技术这东西别人说得再好不如自己上手敲一遍。谢谢你看我的文章既然看到这里了如果觉得不错随手点个赞、转发、在看三连吧感谢感谢。那我们下次再见。您的一键三连是我更新的最大动力谢谢山水有相逢来日皆可期谢谢阅读我们再会我手中的金箍棒上能通天下能探海
 与 FISTA：从 LASSO 到 O(1/k²) 收敛速度的 3 种推导)
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
