10 月 1 日，腾讯混元 Hy3 正式版发布。几个关键数字值得记一下：架构是混合专家（MoE），总参数 2950 亿，激活参数 210 亿，支持 256K 上下文长度。2950 亿总参、210 亿激活——这个比例正是这两年大模型"降本"的主流打法：把模型容量做大以保证能力上限，但每次推理只唤醒一小部分参数，于是成本按 210 亿算、能力按 2950 亿打。这条线，基本就是"用得起"和"用不起"之间的分界。
相比今年 4 月发布的 Hy3 preview 版本，正式版在复杂推理、指令遵循、上下文学习、代码生成和智能体能力上都有升级。接入情况也值得一提：模型已经接入腾讯 WorkBuddy、元宝、ima 等业务；API 在腾讯云 TokenHub 上线，后续会在多个海外平台陆续接入。对企业用户来说，更关键的一条是开源协议——Apache 2.0，可以免费商用。不是所有标着"开源"的模型都允许商用，有些只允许研究使用，这一点在企业选型时常常被忽略。
智能体能力是这一版的重点。官方和测试方的说法是，Hy3 驱动的智能体可以处理包含 5 到 10 个步骤的复杂工作流，错误率比前代模型明显下降。这里要区分一下"对话模型"和"智能体"：对话模型给你一段答案就算完事；智能体要自己拆解任务、调用工具、处理失败分支，最后交出一个可验证的结果。步骤越多，前一步出错对后面的影响越大，所以"错误率下降"在长链路任务里含金量很高。
为什么这件事值得普通人关心？因为多步骤串联的流程，恰恰是最耗人力的那一类工作。比如做电商或新媒体：选品、写稿、排版、投放、复盘，中间任何一环出错都要重来。能帮上忙的 AI，不是帮你写一句话的，而是能跟完整个流程的。Hy3 把"5 到 10 步工作流"作为卖点，本质上是在回应这类真实需求，而不只是刷榜。
当然也有现实约束。2950 亿总参的模型，即便只激活 210 亿，本地部署的显存门槛依然不低，多数团队还是会走 API。而且跑分和实测之间总有距离，具体好不好用，得自己接进去试。另外，智能体"能跑 5 到 10 步"只是起点，真实业务里的链路往往更长，对工具调用、状态管理和错误恢复的考验也更苛刻。
放到更大的图景里看，Hy3 正式版的发布，和同一周 DeepSeek 开源昇腾组件、OpenAI 推出常驻智能体 Dots，构成了一个有意思的对照：有人在夯实国产算力底座，有人在把智能体推向默认入口，也有人在用成熟的 MoE 工程把"又强又省"的模型直接摆上货架。大模型的下半场，比的不是谁的参数量更吓人，而是谁能让能力真正落到可部署、可商用的地方。