笔记
0工具
0此页用于记录用户反馈问题后的每一次改进
关于
“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
不想公开、只想临时给人看：点“分享”生成一条带密码和有效期的链接，到期自动失效，你也能随时撤销。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
趋势
Hy3：腾讯混元295B参数推理与智能体模型，以极致性价比重塑大模型落地
Hy3（295B A21B）是腾讯混元推出的一款高性价比推理与智能体模型，在同等参数规模下展现出领先的推理能力和智能体任务表现，旨在以更低成本实现更优效果。
一、项目背景与痛点分析
当前大模型领域正经历从“参数竞赛”到“效率竞赛”的转变。一方面，超过万亿参数的巨型模型虽然在复杂推理任务上表现优异，但其训练和推理成本极高，普通企业和开发者难以承受；另一方面，小参数模型虽然部署灵活，但在逻辑推理、多步规划、工具调用等智能体任务上往往力不从心。
Hy3 的定位正是填补这一空白——它拥有 295B 的总参数，但通过A21B（Activate 21 Billion） 的混合专家架构（MoE），实际推理时仅激活约 210 亿参数，在保持高性能的同时，大幅降低了计算开销和部署门槛。
二、核心亮点与技术解析
1. 混合专家架构（MoE）的精巧设计
Hy3 采用了 MoE 架构，总参数量 295B，但每次推理仅激活 21B 参数。这意味着：
- 推理速度更快：激活参数少，计算量小，延迟低。
- 显存占用更友好：单次推理需要的显存远低于同规模 Dense 模型。
- 训练效率更高：MoE 的稀疏激活设计使得在相同 FLOPs 下可以容纳更多专家，提升模型容量。
2. 推理与智能体双强能力
根据官方报告，Hy3 在多个推理基准（如 GSM8K、MATH、HumanEval）和智能体任务（如 ToolBench、WebShop）上，均超越了同参数规模的 Llama-3-70B、Qwen-2.5-72B 等开源模型，甚至在某些任务上逼近了 GPT-4 的水平。
3. 极致成本效率
这是 Hy3 最核心的卖点。相比于同等推理能力的千亿级模型，Hy3 的推理成本可降低 5-10 倍。对于需要大规模部署 AI 应用的团队，这意味着可以用同样的预算服务更多用户，或提供更复杂的推理链。
三、安装与使用
环境要求
- Python 3.8+
- PyTorch 2.0+
- CUDA 11.7+（推荐 12.1）
- 建议显存：单次推理至少 40GB（A100-40G 或同等），推荐 80GB 以获得更大 batch size。
安装步骤
bash
1. 克隆仓库
git clone https://github.com/Tencent-Hunyuan/Hy3.git
cd Hy3
2. 创建虚拟环境（推荐）
python -m venv hy3_env
source hy3_env/bin/activate # Linux/Mac
或 hy3_env\Scripts\activate # Windows
3. 安装依赖
pip install -r requirements.txt
4. 下载模型权重（需申请权限，具体见仓库说明）
模型文件较大，建议使用 huggingface_hub 或官方提供的下载脚本
快速推理示例
python
from hy3 import Hy3ForCausalLM, Hy3Tokenizer
加载模型（以半精度为例）
model = Hy3ForCausalLM.from_pretrained(
"Tencent-Hunyuan/Hy3-295B",
torch_dtype=torch.bfloat16,
device_map="auto"
)
tokenizer = Hy3Tokenizer.from_pretrained("Tencent-Hunyuan/Hy3-295B")
推理示例：数学问题
prompt = "问题：小明有 5 个苹果，小红有 3 个苹果，他们一共有几个苹果？"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
inputs.input_ids,
max_new_tokens=128,
temperature=0.7,
top_p=0.9
)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)
智能体调用示例
Hy3 原生支持工具调用格式，可以轻松集成到 LangChain 或自定义 Agent 框架中：
python
定义工具函数（示例：计算器）
def calculator(expression: str) -> str:
try:
result = eval(expression)
return str(result)
except Exception as e:
return f"错误: {e}"
构建包含工具描述的系统提示
system_prompt = """你是一个智能助手，可以使用以下工具：
- calculator：输入数学表达式，返回计算结果。
请根据用户问题调用合适的工具。
"""
user_query = "计算 (23 + 45) * 2 的结果"
full_prompt = f"{system_prompt}\n用户：{user_query}\n助手："
inputs = tokenizer(full_prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
inputs.input_ids,
max_new_tokens=256,
temperature=0.3
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
四、同类项目对比
| 模型 | 参数规模 | 激活参数 | 推理能力 | 智能体能力 | 推理成本（相对） | 开源程度 |
|---|---|---|---|---|---|---|
| Hy3 (295B) | 295B | 21B | ★★★★★ | ★★★★★ | 低 | 部分开源 |
| Llama-3-70B | 70B | 70B | ★★★★ | ★★★★ | 中 | 完全开源 |
| Qwen-2.5-72B | 72B | 72B | ★★★★ | ★★★★ | 中 | 完全开源 |
| Mixtral 8x22B | 141B | 39B | ★★★★ | ★★★ | 中低 | 完全开源 |
| GPT-4 | 未公开 | 未公开 | ★★★★★ | ★★★★★ | 高 | 闭源 |
关键差异：
- 相比 Llama-3-70B 和 Qwen-2.5-72B：Hy3 在推理和智能体任务上领先，且推理成本更低。
- 相比 Mixtral 8x22B：Hy3 的激活参数更少（21B vs 39B），但总参数更大，专家更丰富，性能更强。
- 相比 GPT-4：Hy3 在部分任务上接近，但完全开源可控，且成本低得多。
五、适用场景
- 复杂推理应用：数学解题、代码生成、逻辑分析、科学计算等需要多步推理的场景。
- 智能体系统：需要模型调用外部工具、进行多轮对话、执行任务规划的 Agent 应用。
- 企业级部署：对成本敏感但要求高性能的企业，如客服系统、文档分析、自动化办公。
- 科研与教育：用于研究 MoE 架构、推理机制或作为教学案例。
六、局限性说明
- 模型权重需要申请，并非完全开放下载。
- 部署仍需较高硬件（至少 40GB 显存），不适合个人开发者单机玩耍。
- 社区生态尚在建设，第三方工具集成不如 Llama 系列成熟。
七、总结评价
Hy3 是腾讯混元在“效率优先”理念下交出的一份亮眼答卷。它用 21B 的激活参数实现了超越 70B Dense 模型的性能，同时将推理成本控制在一个极具竞争力的水平。对于需要高性能推理和智能体能力的企业级用户，Hy3 是一个值得重点关注的选项。