想像你去家電行買冷氣，老闆熱情推銷一台「性能超強」的頂級機型，但你翻到保固說明才發現——這台冷氣保固只管台灣、香港和中國大陸，歐洲、美國、韓國一律不保。你心裡大概會嘀咕：性能再好，賣給我這種地方用不是白搭嗎？

這一年來，大模型圈裡有個尷尬的「隱密」：很多中國釋出的開源模型確實很猛，但授權條款偏偏把歐盟、英國、南韓直接排除在外。結果就是，企業的法務團隊還沒看完工程團隊的評估報告，就直接把部署計畫給否了。不是公司總部在那邊不行，而是只要你的服務有流量會流向那些地區，就觸發了限制。

騰訊現在把這道牆拆了。他們的 Hunyuan 團隊在七月釋出了 Hy3 的完整版本，295B 參數的 MoE 模型，而且這次大方地掛上 Apache 2.0 授權——沒有地域排除、沒有使用限制。社群反應相當熱烈，研究員們在 X 上直言，授權才是真正值得關注的 headline。

模型本身到底長什麼樣子？

Hy3 的架構本身不算新奇，但細節值得多看兩眼。它總共有 295B 參數，不過每次前向推論只激活 21B——這種 MoE 設計就是讓模型「分派任務」，不用每次都動用全部大腦。它還加了個 3.8B 的多 token 預測層（MTP），專門加速推理過程，以及 256K 的上下文視窗，算是在同級模型裡算大的。

從四月的預覽版到完整正式版，騰訊只用了十週。首席 AI 科學家游順宇說，這次提前開放就是為了收集開發者和使用者的回饋，他們在預覽版後從超過 50 個內部產品團隊收到了大量建議，然後針對任務執行和互動體驗做了調整。所以這次發的不是「我已經很完美了」的版本，而是「我們聽了大家的意見後的更好版本」。

跟 GLM-5.2 比起來，誰比較強？

騰訊很誠實地做了個盲測對比。他們找來 270 位跨領域專家，在真實工作情境下對 Hy3 和 GLM-5.1 做了 312 組有效比較。結果 Hy3 拿到 2.67 分，GLM-5.1 是 2.51 分。不過這裡有個關鍵：他們比的對手是 GLM-5.1，不是 6 月中才出的 GLM-5.2。

GLM-5.2 在程式碼相關的測試上確實領先：SWE-bench Verified 是 84.2 對 78.0，SWE-bench Multilingual 是 83.0 對 75.8，DeepSWE 更是 46.2 對 28.0，差距不小。但如果你去翻參數規模，GLM-5.2 是 744B MoE、每次推論激活 40B 參數；Hy3 只有 295B 總參數、21B 激活。騰訊是在用不到一半的參數，去跟人家對打。

Hy3 真正贏的地方在哪？搜尋、工具調用、Agent 任務。在 BrowseComp 上拿到 84.2、DeepSearchQA 拿到 91.0，跟 Claude Opus 4.8 和 GPT-5.5 都有得一拼。MCP-Atlas 工具調用測試拿到 79.1，長上下文檢索（AA-LCR）拿到 73.4。換句話說，如果你的工作場景是「找資料、調用工具、跑 Agent 流程」，Hy3 在開源模型裡算是頂尖的選擇。

企業買單的真正關鍵：可靠度跟部署成本

這才是這篇文章最值得讀的部分。

騰訊在模型卡裡列出的數據，與其說是「我又贏了哪個排行榜」，不如說是一份「我怎麼減少翻車」的報告。內部測試顯示，Hy3 預覽版的幻覺率是 12.5%，正式版降到 5.4%；常識性錯誤從 25.4% 降到 12.7%。多輪對話的錯誤率從 17.4% 降到 7.9%。這些數字背後的訓練策略很明確：有根據就回答、沒根據就說沒根據、別把不同來源混為一談、別自己編資料。

他們還特別強調了一個很多企業忽略的點：Hy3 在不同 Agent 框架（Claude Code、Cline、KiloCode）下的表現差異很小。這聽起來不起眼，但現實是，企業很少能控制團隊最終會用哪套框架，如果模型只在單一環境下表現好，那對企業來說就是一個隱形的整合成本。

部署成本的部分更有意思。GLM-5.2 在 FP8 精度下，權重就需要約 744GB，所以至少需要 8 張 H200 的節點才能跑。Hy3 的 FP8 權重大小不到 300GB——記憶體不到一半，每次推論的活躍參數也幾乎只有一半。對想要自架模型的企業來說，這代表從「需要一台重裝卡車」變成「一台皮卡就夠了」，還有多餘空間放 KV cache 和做 batch。

更有趣的是，騰訊建議的部署配置明確指向 NVIDIA 的 H20-3e——那是 NVIDIA 為了符合美國出口管制設計給中國的版本。不像 GLM-5.2 那樣提到華為昇騰晶片。也就是說，這個模型的大小，剛好讓中國企業能合法買到的晶片，八張就夠跑了。但這對西方企業反而是好事：一台在「受限晶片」上跑得很順的模型，跑在 H100、H200、B200 上絕對更輕鬆。

所以，我們該怎麼看這件事？

坦白說，這篇文章的盲測和排行榜數據，幾乎都標註了是騰訊自己跑出來的。獨立驗證（像是 Artificial Analysis 的數據）在發表時還未完成。任何供應商自報的數據，都該保留一點懷疑。

但即使去掉這些數字，Hy3 的授權開放本身已經改變了遊戲規則。GLM-5.2 仍然是程式碼任務的開源首選，只要你預算夠買 8 張 H200。但如果你想做搜尋、工具調用、Agent 流程，或者你根本負擔不起那種級別的硬體，Hy3 現在是一個認真值得考慮的選項。

真正值得觀察的是：西方企業在授權限制消除後，會不會把騰訊的模型列入評估清單？還是說，等下一輪獨立驗證出來後，採購流程早就被其他因素決定了？

延伸思考與常見問題

  • MoE（Mixture of Experts，混合專家模型）是什麼？它跟傳統大模型在參數使用上有什麼差異？
  • Apache 2.0 授權到底允許和禁止什麼？它跟 GPL、MIT 等常見開源授權的主要區別在哪？
  • MTP（Multi-Token Prediction）是什麼技術？為什麼它能加速模型的推理過程？