上线两周，调用量是上一代Hy2的10倍。在代码和智能体场景，这个数字变成了16.5倍。更关键的是，它在全球最大的API平台OpenRouter上，连续三周登顶总榜和市场占有率双第一。

一个“预览版”模型，凭什么在GPT-4o、Claude 4.7等巨头的夹击下，实现这种爆发？答案不在单一优势，而在一个由数字驱动的、环环相扣的吸引力链条。

第一环：用“免费”叩开全球开发者的大门

增长始于一个精准的策略：上线即限免。腾讯混元负责人的解释很直接：为了搜集真实反馈，降低开发者试用门槛。这个动作的效果立竿见影。

限免结束后，一个更关键的数字出现了：日Token用量和周调用量仍保持榜首。这意味着，用户不是薅完羊毛就走，而是留下来了。限免不是目的，而是获客与反馈闭环的起点。

它让Hy3 preview迅速进入了全球主流开发者的视野，尤其是OpenRouter上调用量TOP5均为国际主流智能体与代码工具，这为后续爆发奠定了用户基础。

第二环：用“1/7的成本”解决开发者的核心痛点

用户为什么留下来？下一个数字给出了残酷而真实的答案：成本。

Hy3 preview输入：最低1.2元/百万Token（缓存场景0.4元），输出：4元/百万Token。作为对比，市场估算GPT-4o的输入成本约为15元/百万Token，输出约60元；Claude 4.7则约为34元/170元。

换算一下，Hy3 preview的API成本，仅为GPT-4o市场估算价的约1/7。对于需要频繁调用的开发者、中小团队和预算敏感的项目，这个价格差距不是“有优势”，而是代际差。一位开发者在评测中直接总结：“Hy3 preview最大的优势就三个字：便宜、稳”。

第三环：用“54%的提速”证明便宜不等于难用

成本是门槛，性能才是留存的钥匙。如果只是便宜但能力孱弱，故事讲不下去。Hy3 preview用一组效率数字回应了质疑：

在CodeBuddy、WorkBuddy等智能体应用中，首次响应速度提升54%，任务平均完成时间缩短47%，任务成功率稳定在99.99%。在腾讯文档AI PPT场景，生成成功率提升20%，生成耗时缩短20%。

这组数字解答了开发者的核心疑虑：在把成本打到极致的同时，它的响应速度和任务成功率不仅没降，反而大幅提升。这打破了“便宜没好货”的刻板印象。

第四环：用“295B/21B”的架构实现性能与成本的平衡

速度与成本兼得，背后的技术支撑是一个关键架构数字：总参数量2950亿（295B），激活参数量仅210亿（21B）。

这是混合专家（MoE）架构的典型优势。它像一支由众多专家组成的团队，每次任务只调用相关的几位专家（210亿参数）工作，而不是动用整个团队（2950亿参数）。这让它在保持强大能力潜力的同时，极大地降低了推理时的计算成本和能耗，从而支撑了前述的低价与高速。

第五环：用“495步工作流”和场景榜首锁定真实用户

最终，所有技术优势必须落在具体的应用场景上，才能转化为真实的调用量。Hy3 preview瞄准了两个高地：代码生成和智能体（Agent）开发。

在智能体场景，它能稳定驱动最长495步的复杂工作流，覆盖从文档处理到数据分析的长链路任务。市场表现验证了这一点：在OpenRouter平台上，它不仅总榜第一，在编程场景和工具调用（智能体核心）场景的调用量同样位居榜首。

这意味着，它不是在所有领域与巨头硬碰硬，而是在“高性价比 强场景适配”的赛道上，成为了开发者的务实首选。当开发者需要快速、低成本地开发一个AI智能体，或者寻找一个稳定的代码辅助工具时，Hy3 preview提供的综合性价比方案，构成了难以抗拒的吸引力。

总结来看，Hy3 preview的爆发是一个典型的“数据传导”成功案例：以限免策略获取初始流量（市场数据） → 用极致成本优势建立使用门槛（价格数据） → 靠显著性能提升打破质量质疑（效率数据） → 借MoE架构实现上述平衡（技术数据） → 最终在代码和智能体场景形成口碑与调用量的正循环（场景数据）。它证明，在AI模型竞争的下半场，“极限性价比”结合“深度场景优化”，足以撕开一个坚实的市场缺口。