慢思考 BFCL v3 到 78.3，τ-Bench 仍低于 o1：腾讯混元把快慢两种思考分开测

慢思考 BFCL v3 到 78.3，τ-Bench 仍低于 o1：腾讯混元把快慢两种思考分开测

腾讯混元团队的技术报告 Hunyuan-A13B Technical Report。页面版本是 arXiv 2609.27284v1，水印日期 2026 年 9 月 23 日。许可证是 CC BY 4.0。作者栏写的是 Tencent Hunyuan Team。

Hunyuan-A13B 是混元的混合专家模型。混合专家指总参数里每次推理只激活一部分。这里总参数 80B，激活 13B。评测分成基座、后训练的快思考和慢思考、长上下文、吞吐四段。快思考和慢思考是同一套双模式思维链的两档：快思考少走推理步，慢思考把多步推理展开。对照里的 Qwen3-A22B 是通义的混合专家模型，总参数 235B，激活 22B。BFCL v3 是函数调用榜的第三版，看工具名和参数对不对。τ-Bench 是多轮工具使用基准，要在模拟环境里把任务做完。

基座写了 shot 数，14 项里有 3 项低于上一代

第 4.1 节给基座定了协议。通用：MMLU、MMLU-Pro、MMLU-Redux、SuperGPQA 都是 5-shot，BBH 是 3-shot，SuperGPQA 带思维链。编程：EvalPlus 和 MultiPL-E 是 0-shot，MBPP 是 3-shot，CRUXEval 是 1-shot。MultiPL-E 覆盖 Python、C++、Java、PHP、TypeScript、C#、Bash、JavaScript。数学：MATH 和 GSM8K 是 4-shot 加思维链，GPQA 是 5-shot 加思维链。CMATH 写在数学组里，这节没有单独标 shot。

表 2 四列：Hunyuan-Large（激活 52B，总 389B，上下文 256K）、Qwen2.5-72B（稠密 72B，128K）、Qwen3-A22B（激活 22B，总 235B，128K）、Hunyuan-A13B（激活 13B，总 80B，256K）。

正文写：相对 2024 年的 Hunyuan-Large，只用约四分之一激活参数、约五分之一总参数，14 项里有 12 项更好。把表 2 的 14 行逐项对一下，低于 Large 的是三项，不是两项：MMLU 88.17 对 88.40，CMATH 91.17 对 91.30，GSM8k 91.83 对 92.80。其余 11 项更高，包括 MMLU-Pro 67.23 对 60.20，EvalPlus 78.64 对 75.69，GPQA 49.12 对 25.18。12/14 和表不一致。

相对 Qwen2.5-72B，表里 14 项全部更高。相对 Qwen3-A22B，CRUX-I 和 CMATH 是空的，能比的是 12 项。更高的 7 项是 MMLU 88.17、MMLU-Redux 87.67、EvalPlus 78.64、MultiPL-E 69.33、MBPP 83.86、MATH 72.35、GPQA 49.12。更低的 5 项是 MMLU-Pro 67.23 对 68.18，BBH 87.56 对 88.87，SuperGPQA 41.32 对 44.06，CRUX-O 77.00 对 79.00，GSM8k 91.83 对 94.39。这一句和正文的「12 项里赢 7 项」一致。

慢思考的工具调用不是四项都领先

第 4.2 节把后训练拆成慢思考（表 3）和快思考（表 4）。表 3 的对照是 OpenAI-o1-1217、Deepseek-R1-0120、Qwen3-A22B。名字里的日期是模型快照，不是这篇论文的日期。后训练这节没有再写 shot、温度和采样次数。

工具四项，慢思考的 Hunyuan-A13B：BFCL v3 为 78.3，高于 Qwen3-A22B 的 70.8 和 o1 的 67.8。ComplexFuncBench 为 61.2，高于 o1 的 47.6。C³-Bench 为 63.5，高于 o1 的 58.8。C³-Bench 测的是任务组合会变的工具调用。τ-Bench 是 54.7，低于 o1 的 60.4，高于 Qwen3-A22B 的 44.6 和 R1 的 43.8。正文写这四项都领先。表 3 里 τ-Bench 不是最高。

同一张慢思考表里，AIME 2024 是 87.3，四列里最高；AIME 2025 是 76.8，低于 Qwen3-A22B 的 81.5，也低于 o1 的 79.2。MATH 94.3，低于 o1 的 96.4 和 R1 的 94.9。LiveCodeBench 63.9，和 o1 相同，低于 Qwen3-A22B 的 70.7 和 R1 的 65.9。BBH 89.1、ZebraLogic 84.7 是四列里最高。DROP 用 F1，91.1，低于 R1 的 92.2。IF-Eval 84.7，低于 o1 的 91.8。

快思考（表 4）没有 o1 和 R1。工具四项：BFCL v3 为 65.9，低于 Qwen3-A22B 的 68.0，也低于 Hunyuan-Large 的 66.1。τ-Bench 42.6，四列里最高，只比 Qwen2.5-72B-Instruct 的 41.8 高 0.8。ComplexFuncBench 74.0，对照三列是 25.2、40.1、38.1。C³-Bench 65.4，高于 Qwen2.5 的 52.1。快思考的 AIME 2024 只有 30.6，低于 Qwen3-A22B 的 40.1。LiveCodeBench 27.4，低于 Qwen3-A22B 的 35.3。两张表的列不完全一样：慢思考有 ArtifactsBench、没有 McEval；快思考有 McEval、没有 ArtifactsBench。ArtifactsBench 是他们新做的前端代码生成集，正文写即将公开，这篇里还没有公开入口。

LengthCtrl、InsCtrl、ComplexNLU、Word-Task 是内部集。LengthCtrl 看输出长度约束，InsCtrl 看复杂文字指令，ComplexNLU 是长尾理解，Word-Task 是词一级语义。慢思考上这四项都低于 o1 或 R1：LengthCtrl 55.4 对 o1 的 60.1，Word-Task 62.9 对 R1 的 76.3。

长上下文里，检索增强这项没有超过对照

第 4.3 节四套长文。PenguinScrolls 是混元自己的人工标注集，四类任务：信息抽取、定位、定性分析、数值推理，材料包括书、财报、法律和论文。LongBench-v2 是公开的长上下文多任务集，含单文档问答、多文档问答、长上下文学习、长对话、代码仓库和结构化数据。FRAMES 把检索、事实和推理放在同一条多跳问题上，测的是检索增强生成，不是单看检索分数。RULER 用合成样本把长度拉开，这里只取问答子任务。

表 5：PenguinScrolls 上 Hunyuan-A13B 87.7，Gemini 2.5 Pro 88.3，DeepSeek R1 87.5，Qwen3-A22B 87.1。LongBench-v2 是 55.0，低于 Gemini 的 60.9，高于 R1 的 53.8 和 Qwen3-A22B 的 48.4。FRAMES 是 81.1，高于 Gemini 的 80.1，低于 R1 的 85.7 和 Qwen3-A22B 的 84.0。正文自己写了 RAG 这项还有差距。

表 6 是 RULER 问答，按长度分桶。Hunyuan-A13B 平均 76.7；0–8K 为 78.7，8K–32K 为 75.3，32K–64K 为 78.0，64K–128K 为 73.9。Gemini 2.5 Pro 平均 81.7，64K–128K 仍是 80.2。对照 R1 和 Qwen3-A22B 在 64K–128K 掉到 65.6 和 66.6。从 0–8K 到 64K–128K，混元掉 4.8，Gemini 掉 3.0，R1 掉 9.8。32K–64K 的 78.0 高于 8K–32K 的 75.3，不是单调变差。

吞吐表没有写在什么卡上

第 4.4 节说模型接到 vLLM、SGLang、TensorRT-LLM，精度写的是 W16A16，另支持 Weight Only INT8、W8A8 和 KV Cache FP8。表 7 的精度栏是 A16W16C16，只给 batch、输入长度、输出长度和吞吐，没有卡型、没有张量并行度。batch 1、输入 2048、输出 14336 时，190.84 token/s。batch 16 升到 1246.54，batch 32 升到 1981.99。同样 batch 32，输出加长到 22528，掉到 1725.95。输出长度都在一万 token 以上，不能直接当成短问答的首 token 延迟。

这些数不能被读成什么

78.3 只是慢思考表里的 BFCL v3。同一张表的 τ-Bench 是 54.7，低于 o1 的 60.4。快思考的 BFCL v3 是 65.9，低于 Qwen3-A22B，也低于自己上一代 Large。不能把「工具调用领先」同时套到四项、也套到快思考。

12/14 是正文相对 Hunyuan-Large 的说法。表 2 的 14 行里，更低的是 MMLU、CMATH、GSM8k 三行。相对 Qwen3-A22B 的 7/12 和表一致，但缺了 CRUX-I 和 CMATH。

AIME 2024 的 87.3 是慢思考。快思考同一项是 30.6。两张表的对照模型不一样，不能把 87.3 和 30.6 当成同一批题目上只改了一个开关的消融。后训练没有公布 shot 和采样次数。

PenguinScrolls、LengthCtrl、InsCtrl、ComplexNLU、Word-Task 是内部或自建集。ArtifactsBench 写的是即将公开。FRAMES 的 81.1 低于 R1 和 Qwen3-A22B。表 7 的 1981.99 token/s 没有硬件，换卡不能外推。全文没有线上任务成功率和时延分位。

出处：腾讯，Tencent Hunyuan Team，Hunyuan-A13B Technical Report，2026-09-23，https://arxiv.org/abs/2609.27284v1