从边沿人到要害拼图 ，韩鹏飞在成都蓉城实现了逆袭
文 | 字母 AI姚顺雨自从加入腾讯之后 ，可算是拿出了一个模子产品了。虽然说现在腾讯放出来的还只是个 preview 版本 ，但也能借此初看眉目。Hy3 preview 这个模子和市面上其他大模子最大的区别在于 ，它贯彻了姚顺雨对上下文独吞的那种 " 执着 "。当其他厂商都在卷 agent 能力、代码天生、多模态的时间 ，Hy3 把 " 精彩的上下文学习和指令遵照能力 " 单独拎出来 ，写进了焦点能力清单的第一条。别人模子宣传的第一张性能天梯图 ，放的都是什么 SWE-Bench Pro 或者 Terminal-Bench 2.0 这种 ，以表达模子在 agent 和代码上面何等精彩。Hy3 preview 纷歧样 ，它一上来放的是 AdvancedIF、AA-LCR ，以及姚顺雨自己弄的 CL-bench ，这些都是看上下文推理、检索和指令遵照的榜单。着实姚顺雨加入腾讯后宣布的第一个研究效果就是 CL-bench ，这是一个专门用来测试模子能否从上下文中学习新知识并准确应用的基准。在论文里 ，姚顺雨的看法是目今大模子的焦点短板不是读不全、找不到 ，而是 " 学不会、用差池、执行不了 "。模子可以在上下文里找到一条规则 ，但它不会把这条规则真正内化成目今使命的执行逻辑。Hy3 preview 的设计 ，就是要解决这个问题。这是姚顺雨对上下文这套叙事在产品层面的第一次完整落地。不过 ，让我们先从模子最先讲起。01 ?Hy3 preview 是一个怎样的模子？Hy3 preview 是一个 295B 总参数、21B 激活参数的混淆专家模子 ，支持 256K 上下文长度。这个模子最焦点的特征 ，是它在上下文学习和指令遵照上的体现。姚顺雨此前为测试模子真实的上下文能力 ，提出了 CL-bench 和 CL-bench-Life 这两个评测基准 ，检查模子能否从上下文中学习新知识并准确应用。Hy3 preview 在 CL-bench 上的得分是 26.7 ，相比 Hy2 的 19.2 提升了 39%。在 CL-bench-Life 上得分 22.8 ，相比 Hy2 的 16.5 提升了 38%。这个提升并不是通过给模子增添上下文窗口长度实现的 ，是靠模子真正学会了怎样从杂乱的上下文里 ，提取出有用的规则 ，并把这些规则应用到了目今使命中 ，后面我会枚举出一些例子 ，读到的时间你就懂了。姚顺雨对 Hy3 preview 明确提出了三个原则。第一条是能力系统化 ，不推许偏科 ，由于纵然是代码 Agent 这样的简单应用 ，背后也需要推理、长文、指令、对话、代码、工具等多种能力的深度协同。第二条是评测真实性 ，自动跳出容易被刷榜的果真榜单 ，通过自建问题、最新考试、人工评测、产品众测等方法 ，去评估模子在真实场景里的战斗力。第三条是性价比追求 ，深度协同模子架构和推理框架的设计 ，大幅降低使命本钱 ，让智能用得起、用得好。这三条原则 ，实质就是 " 让模子真正能在真实场景里事情 " 这件事的一体三面。姚顺雨知道一个原理 ，2026 年都快过一半了 ，各人早就清晰这些榜单刷分是没有意义的 ，以是模子一定要强调生产情形里稳固运行 ，在用户手里真正有用。Hy3 preview 的上下文学习能力、指令遵照能力、长文档处置惩罚能力 ，着实也都是为了这个目的服务的。详细来说 ，Hy3 preview 在处置惩罚真实场景使命时 ，展现出了三个要害能力。第一是从冗长文本中准确定位要害信息。它不是简朴地做要害词匹配 ，而是能够明确信息之间的逻辑关系 ，知道哪些信息是使命的条件条件 ，哪些信息是执行约束 ，哪些信息是优先级标记。第二是从隐含规则中推导出执行逻辑。许多真实使命的规则不会明确写出来 ，而是散落在对话、纪要、文档的各个角落。Hy3 preview 能够把这些碎片化的信息整合起来 ，形成一套完整的执行计划。第三是在多轮交互中坚持上下文的连贯性。它不会由于对话轮次增添 ，就丧失前面的要害信息 ，也不会由于中心插入了其他话题 ，就遗忘目今使命的目的。这三个能力 ，恰恰对应了姚顺雨在 CL-bench 论文里指出的问题。他以为目今大模子的焦点短板不是读不全、找不到 ，而是 " 学不会、用差池、执行不了 "。模子可以在上下文里找到一条规则 ，但它不会把这条规则真正内化成目今使命的执行逻辑。它更像是在做检索和拼接 ，但在现实使命中 ，模子应该是对上下文在做明确。而 Hy3 preview 的设计 ，就是要解决这个问题。腾讯混元团队在内部做了大宗真实场景测试 ，来验证 Hy3 preview 的上下文学习能力。一个典范场景是聚会纪要提取待服务项。给模子一份几千字的聚会纪要 ，内里散落着七八条隐藏条件：某个同事这周请假 ，某个项目的预算在讨论中被调解 ，某个使命的优先级在多轮讨论后被重新排序。模子需要从这些杂乱的信息里 ，准确提取出所有待服务项 ，不可遗漏任何一条 ，也不可瞎猜任何一条。Hy3 preview 在这类使命上的体现 ，显着好于之前的模子。它能够准确识别出哪些是已经确定的使命 ，哪些是还在讨论中的想法 ，哪些是被反对的计划。另一个场景是旅行妄想整理。用户可能在多轮对话里 ，陆续提出种种需求 ，好比预算限制、时间安排、偕行职员、偏好类型。这些信息不是一次性给出的 ，而是在对话历程中逐步增补和修正的。Hy3 preview 能够在每一轮对话后 ，更新自己对使命的明确 ，并凭证最新的约束条件 ，调解输出计划。它不会由于前面说过 " 预算 5000" ，后面又说 " 最多 4000" ，就输出一个自相矛盾的妄想。这种上下文学习能力 ，在 Hy3 preview 的 agent 应用中施展了要害作用。腾讯在 CodeBuddy 和 WorkBuddy 的现实安排中 ，Hy3 preview 已经能稳固驱动 495 步的重大事情流。在这长达 495 步的使命链之中 ，每一步都能准确明确目今的上下文状态 ，并凭证这个状态做出合理决议。这个使命的难点就在于 ，若是模子在第 50 步就明确错了上下文 ，那后面的 445 步就会所有偏离目的。Hy3 preview 之以是能做到这一点 ，靠的就是它在每一步都能以前面的执行效果里 ，学到新的约束条件 ，并把这些约束条件应用到后续行为中。Hy3 preview 的另一个特征 ，是它在指令遵照上的稳固性。许多模子在面临重大指令时 ，会泛起明确误差或执行偏离。用户要求输出 JSON 名堂 ，它可能输出 Markdown；用户要求只列出前三项 ，它可能列出五项；用户要求不要加任何诠释 ，它可能在最后加一段总结。这些问题看起来是细节 ，但在生产情形里 ，每一个细节误差都可能导致下游系统蜕化。Hy3 preview 在指令遵照上做了专门优化 ，它能够准确识别指令中的名堂要求、数目限制、输出规模 ，并严酷凭证这些要求执行。腾讯混元团队在元宝产品上的测试效果显示 ，Hy3 preview 在意图明确精准度、文本创作质量、深度搜索等指标上 ，都有显着提升。你在和模子对话时 ，它能够在第一次交互中 ，就准确明确用户想要什么 ，并给出切合预期的效果。Hy3 preview 在长上下文处置惩罚上的体现 ，也体现了姚顺雨对上下文的明确。腾讯内部产品 ima 的测试效果显示 ，Hy3 preview 在处置惩罚几万字文档时 ，无论是知识库问答照旧通用问答 ，都能准确找到需要的信息 ，并且总结得周全。它不会由于文档太长 ，就只关注开头或最后 ，也不会由于信息疏散 ，就遗漏要害细节。更主要的是 ，Hy3 preview 在长上下文中的推理能力是稳固的。许多模子在处置惩罚长文本时 ，会泛起 " 上下文税 " 问题。简朴来说就是 ，随着上下文长度增添 ，模子的推理质量会下降 ，输出的准确性会降低。Hy3 preview 的设计 ，就是要让模子具备这种 " 现场学习 " 的能力。它不是靠增添预训练数据量来笼罩更多场景 ，而是靠提升上下文学习能力 ，让模子能够在任何场景里 ，都能从眼前的质料里学会新工具。这种能力一旦建设起来 ，模子的顺应性就会大幅提升。它不再需要为每一个新场景都做一次微调 ，也不再需要为每一种新使命都准备一套专门的提醒词。它只需要在上下文里给出足够的信息 ，模子就能自己学会怎样执行。这就是 Hy3 preview 和其他模子的实质区别。02 ?姚顺雨为何执着于上下文？姚顺雨对上下文的执着 ，着实也不是从 CL-bench 才最先的。往前推几年 ，他在普林斯顿和谷歌团结研究时提出的 ReAct 框架 ，就已经在探索一个焦点问题：怎样让模子在推理和行动之间建设有用的反响循环。ReAct 的全称是 "Reasoning and Acting" ，它的设计思绪是让模子在执行使命时 ，一直地 " 思索 - 行动 - 视察 " ，每一步的视察效果都会成为下一步推理的输入。这个框架在 2022 年提出时 ，就已经成为 agent 领域的经规范式。姚顺雨以为 ，模子不可只会推理 ，也不可只会挪用工具 ，它必需能够把推理能力和行动能力协同起来。但这种协同的条件是什么？是模子能够从每一步的执行效果里 ，提取出对下一步有用的信息 ，并且把这些信息准确地整合到目今的推理链条里�；痪浠八� ，模子必需能够从动态转变的上下文中一连学习。这就是为什么姚顺雨加入腾讯后 ，第一件事就是推出 CL-bench。他不是在否定 ReAct ，他是在补足 ReAct 框架里一个更底层的能力缺口。若是模子连静态上下文里的新知识都学不会 ，那它在动态的 Agent 事情流里 ，就更不可能凭证执行反响做出准确调解。CL-bench 测的就是这个最基础的能力 ，给你一份质料 ，内里有你从没见过的规则 ，你能不可现场学会并用对。Hy3 preview 的深层逻辑就是把这两个偏向买通。姚顺雨的 " 底层代码 " 是只有读懂了上下文 ，agent 才华真正干活。以是 Hy3 preview 才有了这种 "context-first、agent-facing" 的设计。别的模子在 agent 使命上的提升 ，靠的是单独优化工具挪用或使命妄想。Hy3 preview 在这些 agent 使命上的提升 ，是通过提升底层的推理、长文、指令、对话能力 ，让 Agent 的整体体现变强。姚顺雨的这种把模子给系统化思绪 ，和目今主流的 agent 保存实质区别。许多团队在做 Agent 时 ，会专门针对某一类使命去优化 ，好比专门做代码天生 ，或者专门做信息检索。这样做的利益是能在特定榜单上快速拿到高分 ，但坏处是模子的能力会变得很窄 ，一旦使命稍微偏离训练场景 ，体现就会大幅下降。姚顺雨是反过来 ，他不追求单项第一 ，他要让模子在多种能力上都抵达可用的水平 ，然后让这些能力在现实使命里协同事情。Hy3 preview 在腾讯内部产品上的安排效果 ，就是这种思绪的验证。CodeBuddy 和 WorkBuddy 的数据显示 ，Hy3 preview 的首 token 延迟降低了 54% ，端到端时长缩短了 47% ，乐成率提升到 99.99% 以上。这三个指标放在一起看 ，说明模子不但是变快了 ，它还在坚持高乐成率的条件下变快了。姚顺雨的蹊径很清晰 ，模子的推理能力包管了使命妄想的准确性 ，长文能力包管了上下文明确的准确性 ，指令遵照能力包管了执行的稳固性 ，代码能力包管了输出的可用性。姚顺雨在去年提出的 "AI 下半场 " 判断里 ，提出了一个看法 ，他说真正决议模子能否走出 demo 的 ，是你究竟有没有把系统放进真实天下的约束里 ，并用真实天下的方法去评估它。现在看来 ，这个看法在 Hy3 preview 的开发历程中获得了彻底贯彻。腾讯混元团队构建了 50 多套内部评测系统 ，笼罩了从基础能力到产品场景的各个层面。他们还专门去跑最新的考试 ，好比清华大学求真书院的数学博士资格考 ，天下中学生生物学联赛 ，用这些真实科场的效果来验证模子的泛化能力。这种评测思绪和主流做法完全差别。大部分团队在做模子评测时 ，会优先选择那些已经被普遍使用的果真榜单 ，由于这些榜单的效果容易对外撒播 ，也容易和竞品做比照。但问题是 ，这些果真榜单往往已经被太过优化 ，模子可以通过种种技巧在榜单上刷出高分 ，但这些高分未