Let's Run the New #1 Local AI by China's LARGEST Company 🤯 | Hy3 TESTED

HY3模型背景与本地部署规格

本期视频测试了中国最大科技公司发布的HY3 Preview（预览版）模型。该模型拥有 2950亿参数，属于混合专家（MoE）架构，激活参数量为 210亿。模型以 BF16 格式提供，擅长STEM领域（科学、技术、工程、数学）及智能体工作。尽管是预览版，其在云推理服务上的表现已超越 Kimi K2.6 两倍。模型采用 AVA许可证，允许商业使用，除非月活用户超过1亿。

"It is 295 billion parameters. So it's not trillion parameter, it's 295... It is a mixture of experts model. So, 21 billion active parameters."

数学推理测试：本地量化与云端对比

视频首先进行通用数学、编码及逻辑测试。在禁用思考模式下，本地9-bit量化版本生成 5000个token，速度达21 token/秒，但得出错误答案；云端全精度版本同样给出相同错误结果。切换至低推理模式（Low Reasoning）后，本地版本生成 6000个token 并得出正确答案（2的K次方），而云端版本思考56秒后仍给出错误答案。这表明本地量化版在特定数学问题上表现优于云端。

"It produced 5,000 tokens at 15.7 tokens... and it got the wrong answer." "So that's not low reasoning. That's advanced reasoning... it produces actually I think this is the correct answer."

高推理模式性能瓶颈与3D生成测试

在国际数学奥赛题目的高推理模式下，本地版本耗时 4724秒（超过1小时） 生成53000个token，内存占用 327GB（其中16GB用于生成5万token）。云端版本在相同设置下会话崩溃。随后测试3D太阳系单文件生成：禁用思考时，本地版呈现带环土星和朦胧太阳；低推理模式下耗时 256秒，行星色彩更丰富且保留更多细节。尽管高推理模式未增加token数量（仍为4000左右），但思维链长度显著增加，显示模型在复杂视觉生成任务上接近全精度版本表现。

Hy3高推理模式与基础代码生成能力

在开启高推理（High Reasoning）模式下，Hy3模型生成了包含模拟速度滑块的完整演示界面。尽管这是预览版本，但量化与推理表现令人满意，其功能完整性甚至接近云端版本。随后测试了关闭思考模式（Thinking Off）下的代码生成能力，要求模型创建一个Word MS克隆版。结果显示，即便在低推理状态下，生成的代码依然质量良好，证明了该模型在非深度思考模式下仍具备稳定的基础生成能力。

Flappy Bird游戏对比：Hy3与Qwen 27B的性能博弈

接下来进行了一项有趣的Flappy Bird游戏生成测试，并将Hy3与阿里巴巴的Qwen 27B模型进行对比。虽然制作Qwen的阿里营收仅为腾讯的一半，但Hy3由规模更大的公司开发，理论上应更具优势。在关闭推理模式下，Qwen 27B（9-bit量化）生成了约2500个token，速度为14.5 token/s；而Hy3生成了2600个token，速度略快至18.6 token/s。两者生成的3D立方体版本游戏在视觉和碰撞机制上表现相似，但Qwen的版本更具“硬核”风格。当开启推理模式后，Qwen生成了9000个token（11.75 token/s），占用29GB内存；Hy3在低推理模式下生成4000个token，高推理模式仅生成4000个token且存在管道碰撞Bug。相比之下，Qwen生成的版本虽非严格3D，但可玩性极高且打磨精良。

复杂场景测试：3D城市生成与资源效率对比

最后，测试了更复杂的可漫游3D城市生成任务。在关闭推理模式下，Hy3生成的场景虽然移动控制不佳且视觉效果“迷幻”，但速度达到19.8 token/s，占用310GB内存（此处原文数据可能存在笔误或指代特定配置），生成约3500个token。相比之下，Qwen 27B在相同提示词下生成了4198个token，但仅占用29GB内存。尽管两者生成的城市都存在移动碰撞问题且视觉效果略显怪异，但均无运行时错误。当开启Qwen的推理模式时，它生成了15000个token（13.4 token/s），虽然移动速度较慢，但成功实现了可漫游功能。这一对比突显了Qwen在内存效率上的巨大优势，其资源占用仅为Hy3的十分之一左右。

HY3城市生成性能与视觉质量对比

在测试HY3模型时，创作者选择了Qwen 35B MoE版本以规避长等待时间。尽管低推理模式生成了6,000个token，但生成过程略显缓慢；切换至高推理模式后，模型生成了10,000个token且速度提升至约45 tokens/s，最终呈现出一座包含动态光影变化的精美城市。> "That is a beautiful generation. That is gorgeous." 该模型不仅优化了渲染速度，还实现了时间滑块功能，能根据昼夜切换自动调整灯光与阴影效果。

Qwen 27B代码重构与Instant Meshes优化

为了对比HY3，创作者在MacBook Pro上运行了Qwen 27B模型。该模型重新调整代码，采用了Instant Meshes技术进行批量处理，避免了逐棵绘制树木导致的GPU拥堵。> "You even got frames per second counter locked in at 100 frames a second." 结果显示，Qwen生成的场景包含车辆、树木及阴影，且帧率稳定在100 FPS。尽管HY3的提示词更短（10,000 tokens vs 14,000 tokens），但Qwen通过智能代码重构实现了更流畅的交互体验，证明了小模型在特定优化下的强大潜力。

逻辑推理深度与日常决策测试差异

通过电车难题和洗车距离问题，深入对比了不同推理等级对逻辑判断的影响。在电车难题中，关闭推理时模型直接得出“不拉闸”结论；开启高推理模式后生成1,000个token，深入探讨潜在次生灾害。而在洗车问题（距离50米）中，关闭推理时模型错误建议步行；开启低或高推理后均正确指出“需驾车前往”。> "You should drive your car to get there cuz you need to bring the car to the car wash." 测试表明，低推理模式在保持快速响应（600 tokens）的同时显著提升了日常逻辑准确性，更适合代理应用。

Hy3与Quen在维基数据检索中的表现对比

在这一测试中，创作者启用了“获取网页内容”工具来评估模型的代理任务能力。他向模型询问《英雄联盟》的收购价格，要求从维基百科页面中提取信息。Hy3在关闭推理模式的情况下直接执行了工具调用，并处理了4800个token。令人印象深刻的是，当第一页结果未包含答案时，Hy3自主判断需要获取下一页的8000个字符。最终它准确找到了答案。相比之下，Quen虽然也给出了正确答案（2015年12月16日），但它明确指定了8000字符的默认参数，显示出其对工具参数的精确控制。两者均成功完成了这一基础代理任务。

"So it says starting on the next 8,000 characters grab me another 8,000 tokens. And look at that."

高级研究任务中推理模式对工具调用的影响

在更复杂的测试中，创作者要求模型访问ArXiv并总结关于大语言模型量化的最新免费文章。此时，Hy3在低推理模式下未执行任何工具调用，仅基于已有数据进行分析。然而，当将推理模式设置为“高”时，Hy3的行为发生了显著变化：它意识到自己只有部分摘要数据，主动决定去获取完整的论文内容。这一转变无需修改提示词，仅通过调整推理强度即可实现。Quen则始终执行了工具调用并锁定了文章，但两者最终都只获取了摘要页面而非全文。

"So with reasoning set to high, it's doing what I was wanted it to do in the first place."

Hy3在遵循“全文”指令上的优势与局限

创作者随后修改提示词，明确要求从完整文章（full article）而非摘要中进行总结。Quen依然只获取了摘要页面，被创作者戏称为“狡猾”的行为。然而，Hy3成功访问并下载了完整的网页内容进行分析。这是视频中首次发现Hy3在代理任务的精确性上优于27B模型（社区英雄）的场景。尽管Hy3仍处预览模式，但这一表现证明了其在严格遵循用户指令进行深度研究方面的潜力。创作者指出，虽然基础模型能产生令人印象深刻的结果，但Hy3在“不撒谎”和真正获取全文方面表现更佳。

结论

HY3 Preview在STEM推理、复杂代码生成及严格遵循指令的深度研究任务中表现优异，尤其在获取全文等代理场景中优于Qwen 27B。然而其短板显著：高推理模式耗时极长，且内存占用高达Qwen的十倍。相比之下，Qwen 27B凭借极低的资源消耗和高效的代码重构能力（如稳定100 FPS），在本地部署效率上占据绝对优势。因此，HY3适合追求极致逻辑深度与指令精确度的场景，而Qwen更适合资源受限的本地实时应用。