Die offizielle Version von HarmonyOS 3 hat gute Bewertungen erhalten, sodass Sie die gesamte Palette von Tencent-Anwendungen bedenkenlos nutzen können.

Nach langer Vorfreude ist es endlich da: Die offizielle Version von Hy3, dem ersten Schwergewichtsprodukt von Shunyu Yao nach seinem Wechsel zu Tencent, wurde heute vorgestellt.

Tencent hat sich mehr als ein halbes Jahr auf dieses Produkt vorbereitet.

Im Dezember 2025 hat Tencent die interne Forschungs- und Entwicklungsarchitektur für große Modelle grundlegend umgestaltet: Neue Abteilungen für AI-Infrastruktur, AI-Daten und Datencomputing-Plattformen wurden gegründet. Gleichzeitig wurde Shunyu Yao – Absolvent des renommierten Yao-Kurses der Tsinghua-Universität – zum Chef-AI-Wissenschaftler ernannt, der direkt an Liu Chiping und Lu Shan berichtet.

Yao Shunyus erste Amtshandlung nach seinem Amtsantritt war es, das alte Trainingsframework zu verwerfen. Innerhalb eines Monats baute er die gesamte Infrastruktur für Vortraining und Verstärkendes Lernen neu auf und legte die drei Grundprinzipien fest: „Keine einseitige Spezialisierung, keine Jagd nach Bestenlisten, keine verschwenderische Ressourcennutzung“.

Das erste Ergebnis des Wiederaufbaus war die am 23. April veröffentlichte Hy3-Preview. Von Beginn des Trainings bis zur Veröffentlichung brauchte dieses Modell nur drei Monate.

Doch die Hy3-Preview war schließlich nur eine Vorabversion – ihre Fähigkeiten waren durchschnittlich und erreichten nicht das Niveau des nationalen Spitzenmodells (SOTA).

Die offizielle Version von Hy3 hingegen ist anders: Sie zeigt nun ihre volle Stärke.

Welche Verbesserungen bietet die offizielle Hy3-Version?

Die offizielle Hy3-Version behält die zugrundeliegende Architektur der Preview bei: Die Gesamtparameterzahl beträgt 295 Milliarden, bei jeder Inferenz werden 21 Milliarden Parameter aktiviert, weitere 3,8 Milliarden Parameter sind für die MTP-Schicht (Multi-Token Prediction) vorgesehen. Das Modell hat insgesamt 80 Schichten (ohne MTP-Schicht), nutzt den GQA-Mechanismus (GQuery Attention) mit 64 Attention-Köpfen (davon 8 KV-Köpfen), die Dimension der versteckten Schicht beträgt 4096, die der Zwischenschicht 13312. Das Expertensystem ist mit 192 Experten konfiguriert, bei jedem Aktivierungsvorgang werden die Top-8-Experten ausgewählt. Das Kontextfenster beträgt 256K, das Vokabular umfasst 120.832 Einträge, die Genauigkeit ist BF16.

Das bedeutet: Die effektive Parameterzahl ist etwa halb so groß wie die von GLM 5.2. Tatsächlich war die gesamte Architektur von Hy3 bereits in der Preview-Phase festgelegt – die offizielle Version enthält keine strukturellen Änderungen.

Was wurde dann in der offiziellen Version genau geändert?

Laut offizieller Angabe wurden „Qualität und Vielfalt der Nachverarbeitungsdaten weiter verbessert und der Umfang der Rechenressourcen für Verstärkendes Lernen erweitert“.

Einfach ausgedrückt: Die Architektur blieb unverändert, aber die Trainingsdaten sind besser und vielfältiger, und dem Verstärkenden Lernen stehen mehr Rechenressourcen zur Verfügung.

Aus den Benchmark-Daten geht hervor, dass Hy3 auf dem offiziellen Blog und auf HuggingFace sehr detaillierte Ergebnislisten veröffentlicht hat – diese decken sechs Bereiche ab: Code, Suche, Arbeitsagenten, STEM, Inferenz und Kontextlernen. Hy3 wurde zudem mit gängigen Modellen wie GLM-5.2, GLM-5.1, DeepSeek V4 Pro, Seed-2.1 Pro, Qwen-3.7 Max, Gemini-3.1-pro-preview, Claude Opus 4.8 und GPT-5.5 verglichen.

Alle folgenden Zahlen stammen aus dem von Hunyuan (Tencents KI-Modellreihe) veröffentlichten Anhang.

Zuerst zum Bereich der Code-Agenten: Die offizielle Hy3-Version erreicht 78,0 Punkte bei SWE-Bench Verified, 57,9 Punkte bei SWE-Bench Pro, 75,8 Punkte bei SWE-Bench Multilingual, 71,7 Punkte bei Terminal-Bench 2.1 und 28,0 Punkte bei DeepSWE.

Zum Vergleich: GPT-5.5 erreicht 84,4 Punkte bei SWE-Bench Verified und 58,6 Punkte bei SWE-Bench Pro; GLM-5.2 erreicht 62,1 Punkte bei SWE-Bench Pro; DeepSeek V4 Pro erreicht 55,4 Punkte bei SWE-Bench Pro.

Hy3 steht im Vergleich zu Open-Source-Modellen auf Augenhöhe, weist aber noch Unterschiede zu den Top-Closed-Source-Modellen auf.

Der Bereich der Suchagenten ist die Stärke von Hy3: Mit 84,2 Punkten bei BrowseComp belegt es den ersten Platz unter allen verglichenen Modellen und zieht sogar mit GPT-5.5 gleich. Es erreicht 76,4 Punkte bei WideSearch und 91,0 Punkte bei DeepSearchQA.

Im Bereich der Arbeitsagenten erzielt Hy3 79,1 Punkte bei MCP Atlas (öffentliche Version), 68,5 Punkte bei ClawEval (pass³), 48,5 Punkte bei Toolathlon und 53,6 Punkte bei WildClawBench (35 Runden, reiner Text).

Hunyuan hat zudem den internen Bewertungsdatensatz Hy-FinModelBench (Finanzmodellierung) getestet und 69,0 Punkte erreicht – was in etwa dem Niveau von GLM-5.2 entspricht.

In den Bereichen STEM und Inferenz erreicht Hy3 90,4 Punkte bei GPQA Diamond (GPT-5.5: 93,6 Punkte), 53,2 Punkte bei HLE (mit Tools, reinem Text) (GLM-5.2: 54,7 Punkte, DeepSeek V4 Pro: 48,2 Punkte), 72,0 Punkte bei USAMO 2026, 90,0 Punkte bei IMOAnswerBench, 38,7 Punkte bei MathArena Apex und 54,9 Punkte bei SuperChem. Die 90,4 Punkte bei GPQA Diamond liegen bereits sehr nah an den 93,6 Punkten von GPT-5.5; die 53,2 Punkte bei HLE mit Tools sind niedriger als die von GLM-5.2 (54,7), aber höher als die von DeepSeek V4 Pro (48,2).

Zum Bereich des Kontextlernens möchte ich mehr sagen: Hier wurden die beiden von Tencent selbst entwickelten Bewertungsdatensätze CL-bench und CL-bench Life sowie AA-LCR verwendet. Hy3 erreicht 23,8 Punkte bei CL-bench, 17,0 Punkte bei CL-bench Life und 73,4 Punkte bei AA-LCR.

Diese drei Zahlen wirken niedrig – aber das liegt nicht an Hy3, sondern an den Eigenschaften dieses Bewertungsbereichs selbst.

CL-bench ist die erste wissenschaftliche Arbeit, die Shunyu Yao nach seinem Wechsel zu Tencent veröffentlicht hat (im Februar 2026, arXiv 2602.03587, gemeinsame Forschung von Tencent Hunyuan und der Fudan-Universität). Sie wurde speziell entwickelt, um die „Kontextlernfähigkeit“ von Sprachmodellen zu testen: Je höher die Punktzahl, desto besser kann das Modell neues Wissen aus dem Kontext lernen und korrekt anwenden.

Gleichzeitig wird in dieser Arbeit erwähnt, dass fast alle aktuellen SOTA-Modelle in diesem Bereich schlecht abschneiden. Zum Zeitpunkt der Veröffentlichung der Arbeit erreichte das leistungsstärkste Modell GPT-5.1 (High) nur eine Aufgabenlösungsrate von 23,7 % bei CL-bench. Ohne bereitgestellten Kontext konnte GPT-5.1 weniger als 1 % der Aufgaben lösen.

Aus diesem Grund hat Shunyu Yao dieses Problem zu einem der Kernziele für die „zweite Halbzeit“ der Forschung gemacht.

Man sollte nicht von den niedrigen Punkten enttäuscht sein: Selbst Claude Opus 4.8 erreicht bei CL-bench nur 24,8 Punkte. Die 23,8 Punkte von Hy3 sind die höchsten unter allen in China entwickelten Modellen.

Punktzahlen bleiben nur Zahlen – auch Tencent räumt ein, dass öffentliche Bestenlisten die „echte Kampfkraft“ des Modells nicht vollständig widerspiegeln können.

Vor der Veröffentlichung der offiziellen Hy3-Version führte Tencent einen speziellen Test durch: 270 Experten aus verschiedenen Fachbereichen wurden intern organisiert, um eine blinde Bewertung des Modells auf Basis realer Arbeitsszenarien durchzuführen. Dabei wurden 312 gültige Vergleichsergebnisse gesammelt.

Das Ergebnis: Hy3 erreichte einen Durchschnittswert von 2,67/4 Punkten und übertraf damit die meisten anderen Modelle. Seine Stärken lagen in Bereichen wie Frontendentwicklung, Daten und Speicherung sowie CI/CD. Die Stichprobengröße dieses Tests ist nicht sehr groß – aber da er auf blinden Bewertungen von Experten in echten Arbeitsszenarien basiert, spiegelt er die tatsächliche Leistung des Modells bei produktiven Aufgaben besser wider als reine Benchmark-Läufe.

Im Vergleich zu Hy3 Preview sank die Halluzinationsrate von 12,5 % auf 5,4 % – ein Rückgang um mehr als die Hälfte. Die Fehlerrate bei Allgemeinwissen sank von 25,4 % auf 12,7 %, die Fehlerrate bei Mehrfachfragen von 17,4 % auf 7,9 %. Der MRCR-Standard für das Verständnis langer Dialoge stieg von 42,9 % auf 75,1 %. Die Fehlerwiederherstellungsfähigkeit und Effizienz bei Tool-Aufrufen wurden stark verbessert, ungültige Aufrufe, die zu Endlosschleifen führen, wurden reduziert. Die Generalisierbarkeit über verschiedene Frameworks hinweg wurde ebenfalls gestärkt.

Das bedeutet: Egal welches Programmiertool oder Framework Sie zum Aufrufen von Hy3 verwenden – der Leistungsunterschied ist gering, und die Ergebnisse sind besser als bei Hy3 Preview.

Bei der Preisgestaltung behält Hy3 das kostengünstige Konzept der Preview bei: API-Eingaben kosten 1 Yuan pro Million Tokens, Ausgaben 4 Yuan pro Million Tokens. Für Eingaben, die den Cache treffen, fallen 0,25 Yuan pro Million Tokens an. Die Modellgewichte werden unter der Apache-2.0-Lizenz auf Plattformen wie GitHub, HuggingFace, ModelScope und GitCode quelloffen gestellt – globale Entwickler können sie kostenlos kommerziell nutzen. Im Ausland werden Plattformen wie OpenRouter, Cline, OpenClaw, OpenCode und CherryStudio Hy3 nach und nach integrieren.

Zwei Wochen nach dem Start der Preview erreichte die Anzahl der Token-Aufrufe das Zehnfache des Vorgängermodells Hy2. Auf OpenRouter belegte es mit einem wöchentlichen Aufrufvolumen von 3,66 Billionen Tokens den ersten Platz sowohl in der Gesamtrangliste als auch bei der Marktanteilsquote. Mit der Veröffentlichung der offiziellen Version ist der tägliche durchschnittliche Token-Verbrauch bereits um das 20-fache gestiegen.

Besonders stark ist das Wachstum bei Aufrufen in Szenarien mit Code- und Agent-Funktionen: In Anwendungen wie WorkBuddy/CodeBuddy und QClaw stieg die Nutzung um mehr als das 16,5-fache.

Wie schlägt sich Hy3 in praktischen Produkten?

Egal wie hoch die Benchmark-Punktzahlen eines Modells sind – erst die Umsetzung in Produkten macht sie wertvoll.

Bei der Veröffentlichung der offiziellen Hy3-Version wurde es bereits in Kernanwendungen wie WorkBuddy/CodeBuddy, Yuanbao, ima, Marvis, QQ-Browser, Tencent News, WeGame, Tencent LeXiang, Sogou-Eingabemethode, WeChat-Public-Accounts, WeChat Reading, Tencent Maps und Tencent-Dokumente integriert. Weitere fast 50 Anwendungen warten auf die Integration.

WorkBuddy ist einer der am meisten beachteten KI-Arbeitsagenten in China und zugleich das Hauptfeld zur Überprüfung der Fähigkeiten von Hy3.

Aus den Daten geht hervor: Die Leistung von Hy3 auf WorkBuddy hat sich qualitativ deutlich verbessert. Im Vergleich zur Preview-Version stieg die Aufgabenlösungsrate von 72 % auf 90 %, die durchschnittliche Bearbeitungszeit verkürzte sich um 34 %. Bezüglich der Token-Effizienz ist der Token-Verbrauch von Hy3 bei häufigen Büroaufgaben deutlich niedriger als bei GLM5.2: Beispielsweise spart es 47,4 % bei der Dokumentenverarbeitung und 49,0 % bei der Erstellung von Präsentationen (PPT).

Seit der Veröffentlichung von Hy3 Preview ist die Zahl der Nutzer, die Hy3 selbstständig auf WorkBuddy auswählen, um das 6-fache gestiegen.

In konkreten Büroszenarien kann Hy3 komplexere Aufgaben bewältigen als die Preview-Version.

Laut den offiziellen Showcases kann Hy3 aus Verkaufsdaten von 101 Produkt-SKUs eine Excel-Modellanalyse und eine 30-seitige Präsentations-PPT erstellen; Daten aus drei Standorten des Unternehmens mit verknüpften Formeln zu einer Tabelle mit über 5000 Zellen zusammenfassen; eine Konzept-Webseite für einen Fusionsenergie-Motor entwerfen; über die Kamera mit Gesten die Auflösung und Neugenerierung von Bildpartikeln steuern; und durch mehrfache Interaktion ein Spiel namens „Sunset Rollercoaster“ entwickeln.

Yuanbao ist ein weiteres wichtiges Anwendungsgebiet.

Nach der Integration von Hy3 hat Yuanbao gleichzeitig die Agent-Funktion eingeführt: Nutzer geben ihre Anforderungen im täglichen Gespräch ein, und Yuanbao kann komplexe Aufgaben direkt ausführen sowie Dateien wie PPT, Word, Excel, PDF und HTML ausliefern.

Interne Bewertungen von Tencent zeigen, dass Hy3 in den beiden Szenarien umfassende Büroarbeit und Lebensdienstleistungen bereits GLM-5.1 übertrifft: Die Gesamtpunktzahl bei der Dokumentenerstellung stieg um 7 %, bei der Webseitenerstellung und der Entwicklung von Automatisierungsskripten um 6 %.

Die Wissensdatenbank-Fragen und Agent-Szenarien von ima wurden ebenfalls mit Hy3 verbunden. Die Systemstabilität bei Agent-Aufgaben erreicht 95,1 %, die Fähigkeit zur Tool-Orchestrierung ist hervorragend – nutzlose Aktionen wie blinde Wiederholungsversuche oder das Versäumnis, Aufgaben zu beenden, wurden stark reduziert. Die Inferenzqualität bei Wissensdatenbank-Fragen verbesserte sich um fast 19 %, die Halluzinationsrate sank um 15 Prozentpunkte. In dem Szenario der Multi-Agent-Zusammenarbeit von Marvis erreicht die Aufgabenabschlussrate 93,7 %, bei der Zusammenarbeit von 6 Agenten liegt die Genauigkeit der Aufgabenverteilung bei 92 %.

Die Erfolgsrate bei Programmier- und Codeausgabeaufgaben im QQ-Browser stieg um 37,6 %. Die Genauigkeit der Absichtserkennung von KI-Assistenten und Kundenservice in WeChat-Public-Accounts verbesserte sich von 98,28 % auf 98,94 %.

Die kombinierte Erfolgsrate bei mehrstufiger Inferenz und Tool-Steuerung des KI-Spielassistenten von WeGame für das Spiel „Path of Exile: Affliction (POE2)“ stieg auf 92 %, die Halluzinationsrate sank von 4,5 % auf 2,8 %.

Besonders erwähnenswert ist die Fähigkeit von Hy3 bei der Entwicklung von WeChat-Mini-Programmen.

Bei der Veröffentlichung von Hy3 Preview hat Hunyuan bereits ein Beispiel gezeigt: Ein Nutzer gab dem Modell eine komplex