Hy3 模型是多模态的吗？Preview 版与正式版能力详解
Hy3 是由深度求索（DeepSeek）推出的混合专家（MoE）架构大语言模型，主打高性能推理与长上下文处理。关于“Hy3 是否是多模态模型”，答案取决于你指的是 Preview 版还是 正式版——两者的多模态能力有本质区别。
📌 本文大纲
- Hy3 Preview 版：纯文本模型，支持多模态输出
- Hy3 正式版：支持多模态输入与交互
- 核心能力对比一览
- 总结
一、Hy3 Preview 版：纯文本模型，支持多模态输出
2026 年 4 月发布的 Hy3 Preview 版本，官方定位为纯文本模型。它本身不具备图像、音频等模态的输入理解能力，只能处理文本和代码。
但它有一个特殊设计：在 Agent 任务执行过程中，能够生成包含图文内容的多模态输出。例如，当你让它“搜索某款产品的信息并生成一份带图片的简介”时，它会通过调用浏览器等工具获取图像，并将图文整合为最终结果。可以理解为：它听不懂图片，但它能帮你找图并排版。
二、Hy3 正式版：支持多模态输入与交互
2026 年 7 月发布的 Hy3 正式版，在多模态能力上实现了关键升级。官方资料显示，正式版已支持实时多模态交互，具备视觉注意力机制和视觉-语言联合编码器。这意味着：
- 你可以直接向 Hy3 发送图片，它能理解图像内容并进行问答、分析或描述。
- 支持图文混合输入，例如上传带图表的产品说明书，它能同时理解文字和图表信息。
正式版的多模态能力，已经接近市面上主流多模态模型（如 GPT-4V、Claude 3.5 等）的水平。
三、核心能力对比一览
| 版本 | 多模态输入（看图） | 多模态输出（生成图文结果） | 核心定位 |
|---|---|---|---|
| Hy3 Preview | ❌ 不支持 | ✅ 支持（通过工具调用） | 纯文本推理，Agent 执行能力强 |
| Hy3 正式版 | ✅ 支持（视觉编码器） | ✅ 支持 | 原生多模态交互，图文理解与生成兼备 |
四、总结
Hy3 的多模态能力在不同版本中有明确分界：Preview 版是“纯文本 + 多模态输出”，正式版是“原生多模态输入 + 输出”。如果你需要一个能“看懂”图片并与之对话的模型，请使用 Hy3 正式版；如果你只关注文本推理和 Agent 任务执行，Preview 版依然足够。
💡 如果你不仅需要 AI “看懂”世界，还希望它能自动操作你的业务系统，可以了解 实在Agent。它通过“TARS 大模型 + ISSUT 屏幕语义理解 + RPA 引擎”的融合架构，无需 API 即可直接操控各类新旧系统，将多模态感知转化为跨系统执行力。已服务超 5000 家企业，个人用户同样可免费体验。访问实在智能官网（www.ai-indeed.com）即可申请试用。
本文内容通过AI工具匹配关键字智能整合而成，仅供参考，实在智能不对内容的真实、准确或完整作任何形式的承诺。如有任何问题或意见，您可以通过联系contact@i-i.ai进行反馈，实在智能收到您的反馈后将及时答复和处理。
