混元 Hy3 在推理、代码生成和智能体能力上的表现如何？

1. 推理能力

在公开基准上，Hy3 在 GPQA Diamond 上取得 90.4 分，在 Terminal-bench 2.1 上取得 71.7 分，在 Apex Agents 上取得 25.6 分。官方对正式版的表述是：智能水平显著强于同尺寸模型，比肩参数规模 2～5 倍的旗舰模型，总体稳定性和成本效益方面亦有大幅提升。作为对照，preview 版本相比上一代 Hy2，已在复杂推理、指令遵循、上下文学习、代码生成与智能体能力上实现质变。

2. 代码生成与工程能力

代码相关基准包括 SWE-bench Verified 78 分、SWE-bench Pro 57.9 分、SWE-bench Multilingual 75.8 分与 Deep Swe 28 分。在 CodeBuddy、Cline、KiloCode 等不同的智能体框架（scaffold）下运行同一基准时，Hy3 的 SWE-bench Verified 准确率波动保持在 4% 以内，说明其工程表现对外部编排框架的依赖度较低。

3. 智能体能力与可靠性

在可靠性维度，混元公布的对比数据为：幻觉率由 12.5% 降至 5.4%，常识错误率由 25.4% 降至 12.7%，多轮综合测试的问题率由 17.4% 降至 7.9%。在工具调用链路上，模型支持 OpenAI 兼容的 tools 与 tool_choice 参数，响应以 finish_reason 为 tool_calls 标识，并可通过回填工具结果开启交错式思考的多轮流程。

4. 真实业务盲测结果

混元使用 270 位专家与真实工作任务开展盲测，Hy3 综合得分为 2.67 分（满分 4 分），作为对照的 GLM-5.1 为 2.51 分。官方分析指出，Hy3 优势最明显的领域为前端开发、数据与存储、CI/CD 三类任务。