混元Hy3 vs DeepSeek V4-Pro vs Qwen 3.7-Max 实测横评：谁才是性价比之王？

最近有读者问：DeepSeek V4 价格要翻倍，还有没有性价比更高、但能力又跟得上的大模型？带着这个问题，我把同一个 Agent 任务分别丢给了腾讯混元 Hy3、DeepSeek V4-Pro 和通义千问 Qwen3.7-Max，结果有点出乎意料。

一、先看价格表：差距比想象的大

在正式开测之前，先把三个模型的 API 价格摆出来，这是大多数开发者最关心的硬指标：

| 模型 | 输入价格（元/百万 token） | 输出价格（元/百万 token） |
|------|--------------------------|--------------------------|
| 混元 Hy3 | 1 | 4 |
| DeepSeek V4-Pro | 3 | 6 |
| Qwen 3.7-Max | 12 | 36 |

如果只看价格，Hy3 最便宜，但便宜到底是不是因为能力不行？光看定价表没有意义，得拉出来跑一跑。

二、模型基本盘

三个模型的体量差距其实很大：

混元 Hy3：295B 参数，腾讯最新推出，重点强化 Agent 和 Coding 能力

DeepSeek V4-Pro：1.6T 参数，49B 激活，当前开源模型的标杆

Qwen 3.7-Max：参数量超万亿，阿里旗舰级模型

从参数规模看，Hy3 是三者里最小的。但 Agent 能力不是简单比参数，还得看架构设计和后训练质量。

从官方给出的 Agent 相关 benchmark 来看，Hy3 在 BrowseComp、MCP Atlas、ClawEval 和 SkillsBench 等几个核心指标上表现都不错：

Hy3 官方 Agent 能力评测

但光看官方跑分没有意义，关键是在真实任务中表现如何。下面直接进入实测。

三、测试方法

这次我选了两个完全不同方向的 Agent 任务：

任务一：3D 飞行躲避小游戏 —— 测 Coding Agent 能力。让模型用 Three.js 生成一个可直接运行的单文件 3D 小游戏，包含玩家控制、障碍物生成、能量收集、计分系统、碰撞检测和重开功能。这个任务考验模型能不能把一个前端交互需求拆成完整模块，并一次性生成可运行、有状态闭环的代码。

任务二：Excel 数据分析微信小程序 —— 测 Working Agent 能力，也就是更接近办公生产力的场景。让模型基于 Excel 文件生成一个微信小程序版的数据分析看板，支持上传、字段识别、汇总计算、核心指标卡片、趋势图、分类对比图和数据洞察。

裁判有两位：

3D 小游戏任务：Gemini 3.1-Pro 打分

小程序任务：Codex 综合评分（因为是完整工程项目，需要全面分析项目完成度）

四、任务一：3D 飞行躲避小游戏

1）Hy3 的表现

在 WorkBuddy 中选择 Hy3 模型，输入提示词后，它生成了完整的 Three.js 3D 飞行躲避游戏。

Hy3 3D游戏结果

游戏整体效果流畅，飞行器控制、障碍物生成、能量点收集、计分系统和碰撞检测都正常工作。从 GIF 录屏来看，交互反馈及时，视觉效果也不错。

2）DeepSeek V4-Pro 的表现

同样的提示词发给 DeepSeek V4-Pro，生成结果如下：

DeepSeek V4-Pro 3D游戏结果

V4-Pro 的完成度也很高，游戏逻辑完整，运行流畅。作为当前公认的代码能力最强的开源模型之一，这个表现在意料之中。

3）Qwen 3.7-Max 的表现

Qwen 3.7-Max 需要在 WorkBuddy 中配置其他模型接口（填入 API Base 和 API Key），配置好后生成结果：

Qwen 3.7-Max 3D游戏结果

Qwen 的表现同样不错，毕竟是万亿参数级别的旗舰模型。游戏功能完整，视觉效果也很好。

4）Gemini 评分结果

让 Gemini 3.1-Pro 作为裁判，对三个模型生成的 HTML 文件进行综合评分，结果如下：

Hy3 以微弱优势获得第一，Qwen 3.7-Max 第二，DeepSeek V4-Pro 第三。

但三者的得分差距非常小，并且都处于很高的分数区间。这说明在这个级别的任务上，三个模型的完成度都非常不错，差距只在细节处理上。