混元 hy3 半小时实测 250 道评测题：能力与持平五倍参数大模型

腾讯正式官宣混元大模型 hy3 发布后，在 WorkBuddy 用它跑了一个收集大模型LLM评测题的任务，初步体验在日常任务已经和国产头部模型能力不相上下。

任务收集到 25 个网站评测题的来源，250 多道子题，从鸡兔同笼到摩斯密码，从莎士比亚十四行诗到"凶手不是背包客所以你是凶手"的逻辑陷阱：

• 有纯知识题（蝙蝠侠是谁、1955 年美国总统）

• 有数学计算题（123456 × 654321、鸡兔同笼、阶乘尾零）

• 有逻辑陷阱题（False Belief、狼羊菜过河、球棒谜题）

• 有密码破译题（摩斯码、凯撒加密、非标准映射）

• 还有创意写作题（老爸笑话、ASCII 大象、吴语俳句）

还有之前典型的大模型会翻车的题：9.11 和 9.9 谁大？strawberry 里有几个 r？一公斤棉花和一公斤铁哪个重？

直接把这整份题集丢给混元 hy3，让它逐一作答，并输出结果到文件中

答题过程

它没有一道道硬答，而是走了一套工程化流程。

1. 先建目录，按来源归档

收到任务第一件事，是在当天日期目录下建好文件夹，把题集按 25 个来源分门别类。先规划再动手，不搞"想到哪写到哪"。

2. 数学逻辑题，全部用 Python 验证

这个决策令我挺意外的，大模型知道自己算数不行，学会用代码来验证了。

所有硬计算题：乘积、鸡兔同笼、阶乘、几何、约束穷举，律写脚本跑，不靠推理输出。

比如：

# 鸡兔同笼：35 头 94 脚
# c + r = 35, 2c + 4r = 94  ->  r = 12, c = 23

# 123456 × 654321
print(123456 * 654321)   # 80779853376

# 15! 结尾几个 0
t = 15//5 + 15//25       # = 3

验证结果显示：123456 × 654321 = 80,779,853,376；

鸡兔同笼鸡 23、兔 12；

15! 尾零 3 个。

3. 约束类题，穷举求解

像"十六句真假""七位密码"，直接上 2¹⁶ 或 10⁷ 空间穷举，用代码枚举所有可能性再筛选。

4. 密码类题，暴力破解位移

对疑似凯撒加密的密文，把 26 种位移全跑一遍，挑出可读的那一个。

5. 题源有缺陷的，如实标注

遇到题目本身矛盾或信息不足，hy3 不硬凑一个"标准答案"，而是明确写出"此题无解 / 不唯一 / 规则未给出"，并把推导过程写清楚。

找出 3 处错误

大概半个小时，整份250道题集跑完。

给出了总结报告，还发现三类题源缺陷。

题面自相矛盾的"无解题"

来源 #5 的十六句真假之谜：16 句话每句要么全真要么全假，要你找出唯一一组真假分配。

hy3 把 16 条陈述按字面自指约束做 2¹⁶ = 65536 种穷举，结果一个一致解都没有。

推导链会强制第 8～12 句全为真且相邻，但这又和"不存在两个相邻句子同时为真"直接冲突。

所以：这道命题集本身自相矛盾，无解。

hy3 识别出了矛盾，这有点出乎我的意料。

信息不足的"不唯一题"

同一来源的七位保险箱密码：四人各猜一个数字（8395760 / 9427601 / 5783462 / 7912840），说每人恰好对 2 个数字且位置不相邻。

但穷举下来有 54 个候选解，题目给的约束无法推导出唯一答案。

这类题表面条件齐全，实际是个"超定不完"的废题。

hy3 的做法是列出候选并标注"无法唯一确定"，而不是随便挑一个糊弄。

非标准编码的"死密题"

好几道密码题（摩斯爱情密码、凯撒示例 oyfjdnisdr → Think step by step）用了非标准映射。

拿标准凯撒去穷举 26 种位移，目标密文全是乱码；

示例本身也不是标准凯撒，而且看起来是"每个明文字母对应两个密文字母"的 2:1 映射，规则题面根本没给。

这种题，没有规则就无法可靠还原明文。hy3 如实标注方法，不臆造"破译结果"。

hy3 在这个测试中，没有出现以前常会出现的幻觉，自圆其说的编一个答案，敢说"我不会 / 这题没答案"了。

专坑大模型的高频陷阱

除了题源缺陷，这套题集还集中暴露了一批"人觉得简单、模型常翻车"的陷阱。hy3 基本都稳住了，我挑几个最经典的：

数字比较陷阱

• • 9.11 和 9.9 谁大？9.9 = 9.90 > 9.11，9.9 更大。别把 9.11 当成"9 点 11 分"。
• • π 和 3.2 谁大？π ≈ 3.1416，3.2 更大。这条连人都会直觉答错，hy3 还特意做了纠正标注。
• • −9.11 和 −9.9 谁大？负数反向，−9.9 更大。

字母计数陷阱

• • strawberry 里有几个 r？3 个（s-t-r-a-w-b-e-r-r-y）。大模型因分词常被数成 2 个，hy3 用字符级计数稳过。
• • 同理 mirror 2 个 r、zoom 2 个 o、mammal 3 个 m。

物理常识陷阱

• • 一公斤棉花和一公斤铁哪个重？一样重，都是 1 kg。重量看质量，不看体积。
• • 月球上同时放羽毛和保龄球，哪个先落地？同时落地（无空气阻力，自由落体同加速度 g）。

身份/语义陷阱

• • "你们抓的是周树人，和我鲁迅有什么关系？"——鲁迅本名周树人，同一人，这是网友玩梗。
• • "昨天是明天，今天就是星期五"，今天星期几？推导得 周三（假设今天 = T+2 = 周五）。
• • 球和球棒总价 11 美元，球棒比球贵 10 美元，球多少钱？0.5 美元（很多人会脱口答 1）。

错误信念 False Belief 陷阱

• • Sarah 把高跟鞋放裙子下、去购物，姐姐借走放床下。
• Sarah 回来会认为鞋在哪？
• 裙子下面，她不知道姐姐动过。这是经典的"错误信念"测试，考的是模型能不能区分"自己知道"和"角色知道"。

关键数值核对，验证结论

hy3 把所有计算题用 Python 跑了一遍，结论如下：

SuperCLUE评测结果

SuperCLUE 也第一时间发布了一版 hy3 的评测报告，测评中取得总分 47.37 分，与 DeepSeek-V4-Pro (max) 得分持平。

Hy3(high) 总参数量仅为 295B，却能在解题能力上与比自己大四五倍的模型不相上下对标DeepSeek。

在推理效能方面，Hy3(high) 单题平均耗时 397.72 秒，响应速度位居前列，能够有效支撑实时编程与终端调试等对延迟敏感的开发场景。

在交互效率上，Hy3(high) 平均每题仅需 43.99 轮对话即可完成任务，对话迭代次数较少，无需反复修正便能完成代码分析、修改与验证，体现了较高的任务收敛效率。

在资源消耗维度，Hy3(high) 平均每题 Token 用量仅为 1.16 百万，算力开销控制较为出色，对云端推理资源占用更少。

在成本层面，Hy3(high) 平均每题仅需 0.43 元，属于经济适用型定价，兼顾性能与成本。

这就是后发优势：研发方向正确，再配合腾讯庞大的用户和产品生态，AI时代的船票，稳稳拿捏。

你用混元 hy3 了吗，使用体验如何？