Нецензуриран Hy3 API

Повечето спорове „кой модел да използвам“ са за тавана: кой пише най-добрия код, решава най-трудната математика, издържа най-дългото агентно изпълнение. Структурираните потоци не работят така. Задача, извличаща полета от сто хиляди документа на ден, не се нуждае от модел, който е блестящ веднъж — нуждае се от такъв, който е коректен в една и съща форма всеки път и никога не връща абзац там, където мястото е на JSON обект. Точно заради това свойство съществува Hy3-W8A16.

01Какво е Hy3 и откъде идва

Hy3 е модел за разсъждение и агентна работа с отворени тегла от екипа Hunyuan на Tencent, издаден в пълнота на 6 юли 2026 г. под разрешителен лиценз, с тегла, публикувани в Hugging Face. Той продължава родословието на по-ранната работа Hunyuan-Large на Tencent върху Mixture-of-Experts. Архитектурно е разреден MoE: 295 милиарда общи параметъра, от които приблизително 21 милиарда се активират на токен чрез маршрутизиране top-8 сред 192 експерта, върху трансформер с 80 слоя с групирано внимание по заявка, плюс отделен слой за многотокенно предсказване с 3.8B за спекулативно декодиране. Изначалният контекст е 256K — точно 262 144-те токена, които излагаме, а не отрязък от нещо по-голямо или разтегнато с rope разширение на нещо по-малко.

Това съотношение на разреденост е важното число за всеки, който плаща на токен: Hy3 носи знанието на модел с 295B, докато върши приблизително аритметиката на модел с 21B при всяко преминаване напред. Именно затова можем да си позволим да го обслужваме на 8 бита, вместо да го компресираме по-силно — 8-битова версия на толкова разреден модел пак се побира и пак върви бързо върху собствения ни GPU клъстер.

В какво Tencent съобщава, че е добър

Публикуваните таблици с оценки на Tencent поставят силните страни на Hy3 категорично в агентното търсене, оркестрацията на инструменти и извличането при дълъг контекст, а не в чистото писане на код. Докладваните им числа:

Показваме слабите ленти нарочно. Hy3 изостава от GLM-5.2 при кода в собственото сравнение на Tencent — 78.0 срещу 84.2 на SWE-bench Verified, 28.0 срещу 46.2 на DeepSWE. Ако натоварването ви е автономно софтуерно инженерство през много файлове, първо прочетете останалата част от индекса с изследвания на модели. Ако е четене на текст и излъчване на структура, профилът е близо до идеалния.

Числото, което има най-голямо значение за потоковата работа, е за надеждност: Tencent съобщава дял на халюцинациите 5.4%, спрямо 12.5% в предишното поколение, а грешките от здрав разум падат от 25.4% на 12.7%. Заявеният им принцип на обучение — отговаряй, когато има доказателства, и казвай направо, когато няма — е точно нагласата, която искате от модел за извличане, който иначе би измислил правдоподобна стойност за поле, което източникът никога не споменава.

Всички числа в този раздел са докладвани от Tencent от собствените им тестове; независима проверка от трета страна все още предстоеше към момента на писане. Третирайте ги като ориентировъчни, а не като установени.

02Какво означава W8A16 и защо има значение за структурирания изход

Всеки модел в шлюза носи наставка за квантуване. Тя не е украса — казва ви колко далеч седят обслужваните тегла от контролната точка, издадена от лабораторията.

Ниво	Какво прави	Вярност
3BIT-REAP	3-битови тегла плюс REAP — метод за отрязване на експерти, който изхвърля рядко маршрутизираните MoE експерти преди квантуването	Най-компресирано
W4A16-AUTOROUND-REAP	4-битови тегла / 16-битови активации чрез AutoRound — научено закръгляне, което възстановява точност спрямо наивното закръгляне към най-близкото — плюс отрязване с REAP	Средно
W8A16	8-битови тегла / 16-битови активации. Без отрязване, без поправка чрез научено закръгляне — теглата просто се носят с двойна точност	Най-висока

Къде отклонението от квантуването реално боли

REAP и AutoRound възстановяват повечето от загубеното при наивната компресия — но „повечето“ върши работа в това изречение, а остатъкът не пада равномерно. Ниската битност влошава опашките: решенията с ниска вероятност и висока специфичност. В проза това е почти невидимо; друго прилагателно пак дава добро изречение. При структуриран изход то е цялата игра, защото схемата е дълга верига от решения с ниска вероятност, всяко от които трябва да е точно вярно:

• Синтаксис на ниво токен. Затваряща скоба, запетая, кавичка. Всяко е един токен, а един грешен токен обезсилва целия отговор.
• Дисциплина на изброените стойности. Схемата ви казва, че "status" е едно от "open" | "closed" | "pending"; отклонил се модел връща "Open" или "pending review" — семантично близко и невалидно и в двата случая.
• Дисциплина на типовете. Поле от тип number се връща като "1,240", boolean — като "yes". И двете се разбират като низове и не минават схемата.
• Литерали от дългата опашка. Редки собствени имена, номера на части, химични наименования, нелатински писмености, точни дати — точно областта с ниска вероятност, която ниската битност размива.

Нищо от това не прави 4-битовите или 3-битовите модели лоши; за разговорна работа разликата във вярността често не си струва разликата в цената. Но когато потребителят на изхода е валидатор, а не човек, точността в опашките се превръща директно в дял на успешния разбор — а той в бюджет за повторни опити и p99 закъснение. W8A16 е нивото, на което спирате да плащате този данък.

03Структуриран изход: json_schema и response_format

Hy3 поддържа и двете половини на повърхността за структуриран изход — струва си да се каже изрично, защото това не е универсално в каталога:

Модел	response_format	json_schema
Hy3 · W8A16	Да	Да
MiMo-V2.5-Pro · W8A16	Да	Да
inkling · W4A16-AUTOROUND-REAP	Да	Не
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Не	Не

Разликата между двата механизма има по-голямо значение, отколкото хората допускат. response_format: {"type": "json_object"} иска валиден JSON и нищо повече — моделът избира формата, така че две извиквания могат да върнат {"name": ...} и {"full_name": ...} и двете да са коректни. json_schema задава формата предварително: именувани полета, типове, изброени стойности, задължителни списъци, влагане. Това е договор, срещу който можете да пишете код.

Минимално извикване през съвместимия с OpenAI диалект:

POST /v1/chat/completions

{
  "model": "Hy3-W8A16",
  "messages": [
    {"role": "system", "content": "Extract fields from the incident report. Use null for anything not stated."},
    {"role": "user", "content": "<report text>"}
  ],
  "response_format": {
    "type": "json_schema",
    "json_schema": {
      "name": "incident",
      "strict": true,
      "schema": {
        "type": "object",
        "properties": {
          "severity":  {"type": "string", "enum": ["low","medium","high","critical"]},
          "component": {"type": "string"},
          "occurred_at": {"type": ["string","null"], "description": "ISO-8601"},
          "affected_users": {"type": ["integer","null"]},
          "indicators": {
            "type": "array",
            "items": {"type": "object", "properties": {
              "kind":  {"type": "string", "enum": ["ip","domain","hash","cve"]},
              "value": {"type": "string"}
            }, "required": ["kind","value"]}
          }
        },
        "required": ["severity","component","occurred_at","affected_users","indicators"]
      }
    }
  }
}

Практически бележки

• Направете всяко поле задължително и разрешете null. Незадължителните полета канят тихи изпускания; задължително поле с допустима стойност null принуждава изрично „няма данни“, което е информация, по която можете да действате.
• Изброените стойности бият свободните низове. Където можете да затворите множеството от стойности, затворете го — това е промяната с най-голям лост върху реалния дял на успех на една схема.
• Стойте под тавана от 16 384 изходни токена. Неограничен масив ще се отреже насред обект. Ограничавайте дължините на масивите или разделяйте входа.
• Запазете системното съобщение. Схемата ограничава формата; промптът пак управлява семантиката — какво се брои за „критично“, коя дата печели, когато се появят две, дали да се нормализират мерните единици.
• Все пак валидирайте. Поддръжката на схема повишава дела на успех; тя не заменя валидатор и опашка за неуспели съобщения.

04Защо „нецензуриран“ е свойство на надеждността, а не само на съдържанието

Hy3 в шлюза няма слой за откази и филтриране на изхода. Обичайната рамка е за съдържанието: можете да обработвате изследване на сигурността, анализ на зловреден софтуер, описания на уязвимости, медицински и правни корпуси, съдържание за възрастни, документация за намаляване на вредите или преписи от враждебни потребители, без моделът да решава вместо вас, че предпочита да не го прави.

Има и втора, по-механична причина това да има значение. Отказът е нарушение на схемата. Филтриран модел, който отказва, не връща обекта ви с флаг "unavailable" — връща проза. „Не мога да съдействам с тази заявка.“ Този низ не е обект incident; той не минава валидатора ви и попада в опашката за неуспели съобщения до истинските грешки при разбор, където сега трябва да отделяте отказите по политика от реалните дефекти във формата.

По-лошо, отказите корелират със съдържанието, вместо да се разпределят случайно. Ако 4% от корпуса ви са доклади за инциденти по сигурността и моделът отказва повечето от тях, вие не сте загубили 4% от пропускателната способност равномерно — загубили сте една категория, а таблото, построено върху тези данни, тихо занижава точно това, което съществува да показва. Дупките с форма на категория струват повече от равномерния шум, защото нищо не алармира за тях. Премахнете пътя на отказа и остатъкът — дефекти във формата, отрязвания, двусмислен текст — не корелира с темата и следователно е измерим.

05Контекст, таван на изхода и как да ги планирате

Всички модели в шлюза споделят едни и същи ограничения:

Контекстът е общ бюджет: промптът плюс изходът трябва да се поберат заедно в 262 144, така че практическият таван на входа в едно извикване е около 245 000 токена, много приблизително 180 000 английски думи. За структурирана работа таванът от 16 384 изходни токена е по-твърдото ограничение и то изненадва хората — схема, излъчваща по един обект на запис, го достига много преди прозорецът да се напълни. Два подхода работят срещу това:

• Широк вход, тесен изход. Вкарайте цял договор, подаден документ или прозорец от журнала в контекста и поискайте един компактен обект. Входните токени струват една четвърт от изходните, така че ценообразуването възнаграждава четенето на много и писането на малко.
• Разделяйте по границите на записите, а не по брой байтове. Режете там, където моделът вижда шева. Запис, срязан насред изречение, поражда самоуверено грешен обект, а не очевиден провал.

Съобщената сила на Hy3 при извличане от дълъг контекст — 73.4 на AA-LCR и скок от 42.9% на 75.1% при припомнянето на дълъг диалог MRCR — е точно способността, от която зависи първият подход, и е различно умение от това да пишеш добре.

06Ценообразуване на минимума и аритметиката на реален поток

Hy3 стои на $0.50 на милион входни токена и $2.00 на милион изходни токена — минимумът на каталога, споделен с MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 и MiniMax-M3. Пресметнато през представителни натоварвания:

Натоварване	Вход / извикване	Изход / извикване	Цена / извикване	На 1M извиквания
Извличане на полета	1200	300	$0.0012	$1,200
Класификация на документи	3000	120	$0.0018	$1,800
Обобщение на дълъг документ по схема	40 000	900	$0.0218	$21,800
Анализ на пълния прозорец	240 000	2000	$0.1240	$124,000

Числото, което променя решенията, не е обявената тарифа, а ефективната тарифа след повторните опити. Ако два модела струват еднакво и единият не минава валидация при 6% от извикванията, а другият при 1.5%, моделът с по-голямо отклонение прави около 4.5% повече извиквания — поносимо. Щетата е в опашката: повторените извиквания отнемат двойно повече време, така че p99 закъснението приблизително се удвоява за видим дял от трафика, а каквото се провали два пъти, става ръчна работа. При милион извиквания на ден това са хиляди записи, които някой трябва да прочете.

Оттук и доводът за 8-битовото ниво на минимална цена: тук не плащате премия за вярност, така че аритметиката на повторните опити е безплатни пари. Ако 3-битов модел беше по-евтин, щеше да има реален компромис за претегляне — Hy3 струва колкото най-евтиното нещо в каталога.

07Три API диалекта, един модел

Hy3 е достъпен и в трите диалекта на шлюза, с поточно предаване във всеки. Същият модел, същите тегла, същите ограничения — изберете който съответства на SDK, който вече имате.

Крайна точка	Диалект	Използвайте, когато
/v1/chat/completions	OpenAI	Имате OpenAI SDK, LangChain или LlamaIndex. Насочете базовия URL насам и сменете името на модела.
/v1/messages	Anthropic	Работите с Anthropic SDK и искате блокове съдържание без слой за превод.
/v1/responses	Responses	Искате по-новата форма на заявката с типизиран изход и състояние от страна на сървъра.

Hy3 поддържа също извикване на инструменти и разсъждение, включително reasoning_effort. За работа по извличане полезният ход обикновено е разсъждението да се свали: при добре зададена схема върху чист текст токените за мислене са изходни токени, за които плащате, и закъснение, което изчаквате, срещу пределна печалба. Похарчете бюджета за усилие върху наистина двусмислен вход.

Пълната справка за заявките и отговорите, списъците с параметри, семантиката на поточното предаване и интерактивна площадка за игра се намират в документацията на API.

08Избор между трите модела W8A16

Три модела стоят на нивото с най-висока вярност, всичките на минимална цена. Изборът е предимно по модалност:

Модел	Зрение	json_schema	Цена вход / изход	Изберете го за
Hy3 · W8A16	Не	Да	$0.50 / $2.00	Само текстови структурирани потоци, оркестрация на инструменти, извличане при дълъг контекст
MiMo-V2.5-Pro · W8A16	Не	Да	$0.50 / $2.00	Работа само с текст, където искате настройката Pro на линията MiMo
MiMo-V2.5 · W8A16	Да	Да	$0.50 / $2.00	Всичко с изображения — сканирани документи, екранни снимки, снимки

Ако която и да е част от входа ви е изображение, решението е взето вместо вас: Hy3 е само текстов — изпращайте сканирани PDF файлове, екранни снимки и снимки към MiMo-V2.5. Там, където входът наистина е текст, профилът на Hy3 — агентна употреба на инструменти, припомняне при дълъг контекст и ниски съобщени халюцинации — се съотнася най-пряко към потоковата работа. Тъй като и трите струват еднакво, пуснете схемата си срещу два от тях върху няколкостотин реални записа и сравнете дела на успешния разбор; това решава въпроса по-добре от която и да е таблица, включително тази.

09Къде Hy3 заслужава мястото си

• Извличане на полета с голям обем. Договори, подадени документи, доклади за инциденти, преписи, клинични бележки, съдебни записи — навсякъде, където типизиран обект на документ е резултатът, а обемът прави повторните опити скъпи.
• Класификация и маршрутизиране в мащаб. Изходи със затворени изброени стойности, където цялата стойност на модела е никога да не измисли деветнадесета категория.
• Корпуси по сигурност и разузнаване на заплахи. Описания на зловреден софтуер, публикувани уязвимости и фишинг проби — материалът, който подхлъзва филтрираните модели към отказ и където дупка с форма на категория проваля целта.
• Агенти с инструменти, които не бива да засядат. 8-битовата вярност на аргументите означава, че JSON, подаден на функциите ви, се разбира; осакатено извикване на инструмент е засeднал агент, а не малко по-лош отговор.
• Анализ на дълги документи към структура. Цял подаден документ вътре, един компактен обект навън.
• Модерация на съдържание и изследване на политики. Етикетирането на материал, който филтриран модел отказва да чете, е постоянен проблем за екипите по доверие и безопасност; нефилтриран модел със строга схема го решава направо.

А къде не: всичко с изображения (използвайте MiMo-V2.5) и автономно софтуерно инженерство през много файлове, където собствените таблици на Tencent поставят Hy3 зад GLM-5.2 на SWE-bench Verified и доста назад на DeepSWE.

Числата от бенчмаркове са докладвани от Tencent, включително тези на конкурентите; независима проверка предстоеше към момента на писане. Стойностите на разходите са изчислени от публикуваните ни тарифи $0.50 / $2.00. Нито едно число на тази страница не е бенчмарк, проведен от Shannon, нито оценка на око.

10Често задавани въпроси

---

Източници: картите на моделите Tencent Hunyuan · хранилището на Hy3 · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · отразяването на изданието Hy3 от VentureBeat. Бенчмарковете за основата са докладвани от Tencent и са предварителни до независима проверка. Shannon AI се управлява от Shannon Lab LLC, Ню Мексико, САЩ.