Necenzurirani Hy3 model API

Većina rasprava o tome „koji model koristiti” tiče se plafona: koji piše najbolji kod, rješava najtežu matematiku, izdrži najduže agentsko izvršavanje. Strukturirani cjevovodi ne rade tako. Posao koji dnevno izvlači polja iz sto hiljada dokumenata ne treba model koji je jednom sjajan — treba mu onaj koji je svaki put ispravan u istom obliku i koji nikad ne vrati pasus tamo gdje pripada JSON objekt. To je svojstvo zbog kojeg Hy3-W8A16 i postoji.

01Šta je Hy3 i odakle dolazi

Hy3 je model otvorenih težina za rezonovanje i agentski rad iz Tencentovog tima Hunyuan, objavljen u cijelosti 6. jula 2026. pod permisivnom licencom, sa težinama objavljenim na Hugging Faceu. Nastavlja lozu Tencentovog ranijeg rada na Mixture-of-Expertsu Hunyuan-Large. Arhitektonski je rijedak MoE: 295 milijardi ukupnih parametara, od kojih se otprilike 21 milijarda aktivira po tokenu kroz top-8 usmjeravanje među 192 eksperta, na transformeru od 80 slojeva sa pažnjom grupisanom po upitima, plus zaseban sloj predikcije više tokena od 3,8 milijardi za spekulativno dekodiranje. Izvorni kontekst je 256K — tačno onih 262.144 tokena koje izlažemo, a ne odsječak nečeg većeg ni ropeom rastegnuto proširenje nečeg manjeg.

Taj omjer rijetkosti važan je broj za svakoga ko plaća po tokenu: Hy3 nosi znanje modela od 295 milijardi, a po prolazu unaprijed radi otprilike aritmetiku modela od 21 milijarde. Zato ga i možemo priuštiti na 8 bita umjesto da ga jače komprimujemo — 8-bitno izdanje ovako rijetkog modela i dalje stane i dalje radi brzo na našem vlastitom GPU klasteru.

U čemu je, prema Tencentu, dobar

Tencentove objavljene evaluacijske tabele smještaju snage Hy3 upravo u agentsku pretragu, orkestraciju alata i pretragu po dugom kontekstu, a ne u sirovo kodiranje. Njihove prijavljene brojke:

Slabe trake pokazujemo namjerno. Hy3 zaostaje za GLM-5.2 na kodiranju u Tencentovom vlastitom poređenju — 78,0 naspram 84,2 na SWE-benchu Verified, 28,0 naspram 46,2 na DeepSWE-u. Ako je vaše opterećenje autonomno softversko inženjerstvo preko više datoteka, prvo pročitajte ostatak indeksa istraživanja modela. Ako je čitanje teksta i emitovanje strukture, profil je blizu idealnog.

Brojka koja za rad sa cjevovodima najviše znači jeste ona o pouzdanosti: Tencent prijavljuje stopu halucinacije Hy3 od 5,4%, spuštenu sa 12,5% u prethodnoj generaciji, uz pad grešaka zdravorazumskog tipa sa 25,4% na 12,7%. Njihovo izrečeno načelo treniranja — odgovori kada ima dokaza, otvoreno reci kada ih nema — upravo je sklonost koju želite u modelu za izvlačenje podataka koji bi inače izmislio uvjerljivu vrijednost za polje koje izvor nikad ne spominje.

Sve brojke u ovom odjeljku prijavio je Tencent iz vlastitih testova; nezavisna provjera treće strane u vrijeme pisanja još je bila u toku. Tretirajte ih kao smjernicu, a ne kao riješenu stvar.

02Šta znači W8A16 i zašto je bitan za strukturirani izlaz

Svaki model na gatewayu nosi kvantizacijski sufiks. To nije ukras — govori vam koliko su poslužene težine udaljene od kontrolne tačke koju je laboratorija objavila.

Nivo	Šta radi	Vjernost
3BIT-REAP	3-bitne težine plus REAP, metoda obrezivanja eksperata koja prije kvantizacije izbacuje rijetko usmjeravane MoE eksperte	Najkomprimovanije
W4A16-AUTOROUND-REAP	4-bitne težine / 16-bitne aktivacije preko AutoRounda — naučenog zaokruživanja koje vraća tačnost u odnosu na naivno zaokruživanje na najbliže — plus REAP obrezivanje	Sredina
W8A16	8-bitne težine / 16-bitne aktivacije. Bez obrezivanja, bez popravke naučenim zaokruživanjem — težine se prosto nose u dvostrukoj preciznosti	Najviša

Gdje lutanje od kvantizacije zaista boli

REAP i AutoRound vrate većinu onoga što naivna kompresija izgubi — ali „većina” u toj rečenici radi posao, a ostatak ne slijeće ravnomjerno. Kvantizacija na malo bita degradira repove: odluke male vjerovatnoće i velike specifičnosti. U prozi je to gotovo nevidljivo; drugačiji pridjev i dalje je dobra rečenica. U strukturiranom izlazu to je cijela igra, jer je shema dug lanac odluka male vjerovatnoće od kojih svaka mora biti tačno pogođena:

• Sintaksa na nivou tokena. Zatvorena vitičasta zagrada, zarez, znak navoda. Svaki je jedan token, a jedan pogrešan token poništava cijeli odgovor.
• Disciplina enuma. Vaša shema kaže da je "status" jedno od "open" | "closed" | "pending"; odlutali model vraća "Open" ili "pending review" — semantički blizu, a ispravno nijedno.
• Disciplina tipova. Polje tipa number vrati se kao "1,240", a boolean kao "yes". Oboje se parsira kao string i pada na shemi.
• Literali iz dugog repa. Rijetke vlastite imenice, kataloški brojevi, hemijski nazivi, nelatinična pisma, precizni datumi — upravo područje male vjerovatnoće koje težine na malo bita zamute.

Ništa od ovoga ne čini 4-bitne ili 3-bitne modele lošima; za razgovorni rad razlika u vjernosti često ne vrijedi razlike u cijeni. Ali kada je potrošač izlaza validator, a ne čovjek, preciznost na repovima izravno se pretvara u stopu uspješnog parsiranja — a ta stopa u budžet ponavljanja i p99 latenciju. W8A16 je nivo na kojem prestajete plaćati taj porez.

03Strukturirani izlaz: json_schema i response_format

Hy3 podržava obje polovine površine strukturiranog izlaza — što vrijedi izričito reći, jer to nije univerzalno kroz katalog:

Model	response_format	json_schema
Hy3 · W8A16	Da	Da
MiMo-V2.5-Pro · W8A16	Da	Da
inkling · W4A16-AUTOROUND-REAP	Da	Ne
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Ne	Ne

Razlika između ta dva mehanizma znači više nego što ljudi pretpostavljaju. response_format: {"type": "json_object"} traži ispravan JSON i ništa više — oblik bira model, pa dva poziva mogu vratiti {"name": ...} i {"full_name": ...}, a oba su ispravna. json_schema oblik zadaje unaprijed: imenovana polja, tipove, enume, liste obaveznih, ugniježđivanje. To je ugovor prema kojem možete pisati kod.

Minimalan poziv na dijalektu kompatibilnom sa OpenAI-jem:

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"]
      }
    }
  }
}

Praktične napomene

• Neka svako polje bude obavezno i neka dopušta null. Neobavezna polja pozivaju na tiha izostavljanja; obavezno polje koje dopušta null iznuđuje izričito „nije prisutno”, a to je informacija po kojoj možete postupiti.
• Enumi tuku slobodne stringove. Gdje god možete zatvoriti skup vrijednosti, zatvorite ga — to je promjena sheme sa najvećom polugom na stvarnu stopu prolaza.
• Ostanite ispod plafona izlaza od 16.384 tokena. Neograničen niz odsjeći će se usred objekta. Ograničite dužine nizova ili razdijelite ulaz.
• Zadržite sistemsku poruku. Shema ograničava oblik; prompt i dalje uređuje semantiku — šta se broji kao „kritično”, koji datum pobjeđuje kada se pojave dva, treba li normalizovati jedinice.
• Ipak validirajte. Podrška za sheme podiže stopu prolaza; ne zamjenjuje validator i red za neisporučene poruke.

04Zašto je „necenzurirano” svojstvo pouzdanosti, a ne samo sadržaja

Hy3 na gatewayu nema sloj odbijanja niti filtriranje izlaza. Uobičajeno uokvirenje tiče se sadržaja: možete obrađivati sigurnosna istraživanja, analizu zlonamjernog koda, izvještaje o eksploatima, medicinske i pravne korpuse, materijal za odrasle, dokumentaciju o smanjenju štete ili transkripte neprijateljski nastrojenih korisnika, bez modela koji umjesto vas odluči da bi radije ne.

Postoji i drugi, mehaničkiji razlog zašto je to bitno. Odbijanje je kršenje sheme. Filtrirani model koji odbije ne vraća vaš objekt sa zastavicom "unavailable" — vraća prozu. „Nažalost, ne mogu pomoći sa tim zahtjevom.” Taj string nije objekt incident; pada na vašem validatoru i završava u redu za neisporučene poruke pored stvarnih grešaka parsiranja, gdje sada morate razdvajati odbijanja po politici od stvarnih deformacija.

Gore od toga, odbijanja koreliraju sa sadržajem umjesto da se raspoređuju nasumično. Ako su 4% vašeg korpusa izvještaji o sigurnosnim incidentima, a model većinu njih odbije, niste ravnomjerno izgubili 4% propusnosti — izgubili ste jednu kategoriju, a kontrolna tabla građena na tim podacima tiho podbacuje upravo u onome zbog čega postoji. Rupe u obliku kategorije koštaju više od ravnomjernog šuma, jer se ni na šta ne oglašava alarm. Uklonite putanju odbijanja, a ono što ostane — deformacije, odsijecanja, dvosmislen tekst — nije povezano sa temom i stoga je mjerljivo.

05Kontekst, plafon izlaza i kako ih planirati

Svaki model na gatewayu dijeli ista ograničenja:

Kontekst je zajednički budžet: prompt i izlaz zajedno moraju stati u 262.144, pa je praktični plafon ulaza u jednom pozivu oko 245.000 tokena, vrlo grubo 180.000 engleskih riječi. Za strukturirani rad teže ograničenje je plafon izlaza od 16.384 tokena i to je ono što ljude iznenadi — shema koja emituje jedan objekt po zapisu udari u njega mnogo prije nego se prozor napuni. Protiv toga rade dva obrasca:

• Širok ulaz, uzak izlaz. Ugurajte cijeli ugovor, podnesak ili prozor logova u kontekst i tražite jedan sažet objekt. Ulazni tokeni koštaju četvrtinu izlaznih, pa cijena nagrađuje mnogo čitanja i malo pisanja.
• Dijelite po granicama zapisa, a ne po broju bajtova. Cijepajte tamo gdje model vidi šav. Zapis presječen usred rečenice proizvodi samouvjereno pogrešan objekt umjesto očiglednog kvara.

Prijavljena snaga Hy3 u pretrazi po dugom kontekstu — 73,4 na AA-LCR-u i skok sa 42,9% na 75,1% u dosjećanju dugih dijaloga na MRCR-u — upravo je sposobnost o kojoj prvi obrazac ovisi, i to je druga vještina od dobrog pisanja.

06Najniža cijena i aritmetika stvarnog cjevovoda

Hy3 stoji na $0.50 po milionu ulaznih tokena i $2.00 po milionu izlaznih tokena — donjoj granici kataloga, dijeljenoj sa MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 i MiniMax-M3. Razrađeno kroz reprezentativna opterećenja:

Opterećenje	Ulaz / poziv	Izlaz / poziv	Trošak / poziv	Na 1M poziva
Izvlačenje polja	1,200	300	$0.0012	$1,200
Klasifikacija dokumenata	3,000	120	$0.0018	$1,800
Sažimanje dugog dokumenta u shemu	40,000	900	$0.0218	$21,800
Analiza punog prozora	240,000	2,000	$0.1240	$124,000

Broj koji mijenja odluke nije naslovna stopa nego efektivna stopa nakon ponavljanja. Ako dva modela koštaju isto, a jedan pada na validaciji u 6% poziva tamo gdje drugi pada u 1,5%, model sa više lutanja izvrši oko 4,5% više poziva — podnošljivo. Šteta je na repu: ponovljeni pozivi traju dvostruko duže, pa se p99 latencija otprilike udvostruči za vidljiv dio prometa, a što padne dvaput postaje ručni posao. Pri milion poziva dnevno to su hiljade zapisa koje neko mora pročitati.

Otud i argument za 8-bitni nivo po najnižoj cijeni: za vjernost ovdje ne plaćate premiju, pa je aritmetika ponavljanja čist dobitak. Da je 3-bitni model jeftiniji, postojala bi stvarna razmjena za odvagati — Hy3 košta jednako kao i najjeftinije u katalogu.

07Tri API dijalekta, jedan model

Hy3 je dosežljiv na sva tri dijalekta gatewaya, uz striming na svakom. Isti model, iste težine, ista ograničenja — birajte onaj koji odgovara SDK-u koji već imate.

Krajnja tačka	Dijalekt	Koristite kada
/v1/chat/completions	OpenAI	Imate OpenAI SDK, LangChain ili LlamaIndex. Uperite osnovni URL ovamo i promijenite id modela.
/v1/messages	Anthropic	Na Anthropicovom ste SDK-u i želite blokove sadržaja bez sloja prevođenja.
/v1/responses	Responses	Želite noviji oblik zahtjeva sa tipiziranim izlazom i stanjem na serveru.

Hy3 podržava i pozivanje alata i rezonovanje, uključujući reasoning_effort. Za posao izvlačenja podataka koristan potez obično je spustiti rezonovanje: nad dobro određenom shemom i čistim tekstom, tokeni razmišljanja su izlazni tokeni koje plaćate i latencija koju čekate, za neznatan dobitak. Budžet napora radije potrošite na stvarno dvosmislen ulaz.

Potpuni pregled zahtjeva i odgovora, liste parametara, semantika strimovanja i interaktivno igralište žive u API dokumentaciji.

08Biranje između tri W8A16 modela

Tri modela stoje na nivou najveće vjernosti, svi po najnižoj cijeni. Izbor je uglavnom pitanje modalnosti:

Model	Vid	json_schema	Cijena ulaz / izlaz	Birajte ga za
Hy3 · W8A16	Ne	Da	$0.50 / $2.00	Strukturirane cjevovode samo sa tekstom, orkestraciju alata, pretragu po dugom kontekstu
MiMo-V2.5-Pro · W8A16	Ne	Da	$0.50 / $2.00	Rad samo sa tekstom gdje želite Pro štimovanje linije MiMo
MiMo-V2.5 · W8A16	Da	Da	$0.50 / $2.00	Sve sa slikama — skenirane dokumente, snimke ekrana, fotografije

Ako je bilo koji dio vašeg ulaza slika, odluka je već donesena: Hy3 radi samo sa tekstom — skenirane PDF-ove, snimke ekrana i fotografije šaljite na MiMo-V2.5. Tamo gdje je ulaz zaista tekst, profil Hy3 — agentsko korištenje alata, dosjećanje u dugom kontekstu i niska prijavljena halucinacija — najizravnije se preslikava na rad sa cjevovodima. Pošto sva tri koštaju isto, pustite svoju shemu na dva od njih nad nekoliko stotina stvarnih zapisa i uporedite stope parsiranja; to rješava pitanje bolje od bilo koje tabele, uključujući ovu.

09Gdje Hy3 zaslužuje svoje mjesto

• Izvlačenje polja u velikom obimu. Ugovori, podnesci, izvještaji o incidentima, transkripti, kliničke bilješke, sudski spisi — svugdje gdje je tipiziran objekt po dokumentu isporuka, a obim ponavljanja čini skupim.
• Klasifikacija i usmjeravanje u velikom obimu. Izlazi sa zatvorenim enumom, gdje je cijela vrijednost modela u tome da nikad ne izmisli devetnaestu kategoriju.
• Korpusi za sigurnost i obavještajne podatke o prijetnjama. Izvještaji o zlonamjernom kodu, objave eksploata i uzorci phishinga — materijal koji filtrirane modele saplete u odbijanje, i gdje rupa u obliku kategorije obesmišljava cijeli posao.
• Agenti sa pozivanjem alata koji ne smiju zapeti. 8-bitna vjernost argumenata znači da se JSON predat vašim funkcijama parsira; izobličen poziv alata je zaglavljen agent, a ne tek malo lošiji odgovor.
• Analiza dugih dokumenata u strukturu. Cijeli podnesak unutra, jedan sažet objekt van.
• Moderacija sadržaja i istraživanje politika. Označavanje materijala koji filtrirani model odbija čitati stalan je problem povjerenja i sigurnosti; nefiltrirani model sa strogom shemom rješava ga izravno.

A gdje ne: sve sa slikama (koristite MiMo-V2.5) i autonomno softversko inženjerstvo preko više datoteka, gdje Tencentove vlastite tabele Hy3 smještaju iza GLM-5.2 na SWE-benchu Verified i znatno iza na DeepSWE-u.

Brojke sa benchmarkova prijavio je Tencent, uključujući i brojke konkurenata; nezavisna provjera u vrijeme pisanja bila je u toku. Brojke o trošku izračunate su iz naših objavljenih stopa od $0.50 / $2.00. Nijedan broj na ovoj stranici nije benchmark koji je Shannon proveo niti procjena.

10Često postavljana pitanja

---

Izvori: kartice modela Tencent Hunyuan · repozitorij Hy3 · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · VentureBeatov napis o izdanju Hy3. Benchmarkove temelja prijavio je Tencent i privremeni su do nezavisne provjere. Shannon AI-jem upravlja Shannon Lab LLC, Novi Meksiko, SAD.