Zentsurarik gabeko Hy3 ereduaren APIa

"Zein eredu erabili beharko nuke" eztabaida gehienak sabaiari buruzkoak dira: zeinek idazten duen koderik onena, zeinek ebazten duen matematikarik zailena, zeinek irabazten duen agente-exekuziorik luzeena. Kanalizazio egituratuek ez dute horrela funtzionatzen. Egunean ehun mila dokumentutatik eremuak ateratzen dituen lan batek ez du behin bikaina den eredu bat behar — beti forma berean zuzena dena behar du, eta JSON objektu batek egon behar lukeen tokian inoiz paragrafo bat itzultzen ez duena. Propietate horretarako dago Hy3-W8A16.

01Zer den Hy3, eta nondik datorren

Hy3 Tencent-en Hunyuan taldearen pisu irekiko arrazoiketa- eta eredu agentikoa da, osorik kaleratua 2026ko uztailaren 6an lizentzia zabal baten pean, pisuak Hugging Face-n argitaratuta. Tencent-en lehenagoko Hunyuan-Large Mixture-of-Experts lanaren leinuari jarraitzen dio. Arkitektura aldetik MoE bakana da: 295 mila milioi parametro guztira, eta horietatik 21 mila milioi inguru aktibatzen dira token bakoitzeko 192 aditutan top-8 bideratzearen bidez, 80 geruzako transformer batean talde-kontsultako arretarekin, gehi deskodetze espekulatiborako 3.8B-ko token anitzeko iragarpen-geruza bereizi bat. Testuinguru natiboa 256K da — erakusten ditugun 262,144 tokenak zehazki, ez zerbait handiagoaren mozketa bat ez zerbait txikiagoaren rope bidezko luzapena.

Bakantasun-ratio hori da tokeneko ordaintzen duen edonorentzat zenbaki garrantzitsua: Hy3-k 295B eredu baten ezagutza darama, aurrera-pasaldi bakoitzean 21B eredu baten aritmetika egiten duen bitartean. Horregatik ere ordain dezakegu 8 bitean zerbitzatzea gehiago konprimitu beharrean — hain eredu bakan baten 8 biteko eraikuntza batek gure GPU kluster propioan kabitzen du oraindik eta azkar dabil oraindik.

Zertan den ona, Tencent-en arabera

Tencent-ek argitaratutako ebaluazio-taulek Hy3-ren indarguneak bilaketa agentikoan, tresnen orkestrazioan eta testuinguru luzeko berreskuratzean kokatzen dituzte, eta ez kodetze hutsean. Haiek jakinarazitako datuak:

Barra ahulak nahita erakusten ditugu. Hy3 GLM-5.2-ren atzetik dago kodetzean Tencent-en beraren konparazioan — 78.0 eta 84.2 SWE-bench Verified-en, 28.0 eta 46.2 DeepSWE-n. Zure lan-karga fitxategi anitzeko software-ingeniaritza autonomoa bada, irakurri lehenik ereduen ikerketa-indizearen gainerakoa. Testua irakurtzea eta egitura igortzea bada, profila ia ezin hobea da.

Kanalizazio-lanerako garrantzitsuena den datua fidagarritasunekoa da: Tencent-ek Hy3-ren haluzinazio-tasa %5.4 dela jakinarazten du, aurreko belaunaldiko %12.5etik behera, eta zentzu komuneko erroreak %25.4tik %12.7ra jaitsi direla. Haien entrenamendu-printzipio adierazia — erantzun frogarik dagoenean, esan argi ez dagoenean — erauzketa-eredu batean nahi duzun izaera bera da; bestela iturriak inoiz aipatzen ez duen eremu baterako balio sinesgarri bat asmatuko luke.

Atal honetako datu guztiak Tencent-ek beren proba-exekuzioetatik jakinarazitakoak dira; hirugarrenen egiaztapen independentea idazteko unean oraindik zain zegoen. Har itzazu norabide-adierazle gisa, ez erabaki gisa.

02Zer esan nahi duen W8A16-k, eta zergatik axola duen egituratutako irteerarako

Atebideko eredu bakoitzak kuantizazio-atzizki bat darama. Ez da apaingarria — zerbitzatzen diren pisuak laborategiak kaleratutako egiaztapen-puntutik zenbat urrun dauden esaten dizu.

Maila	Zer egiten duen	Fideltasuna
3BIT-REAP	3 biteko pisuak gehi REAP, kuantizatu aurretik gutxitan bideratutako MoE adituak kentzen dituen adituen inausketa-metodoa	Konprimituena
W4A16-AUTOROUND-REAP	4 biteko pisuak / 16 biteko aktibazioak AutoRound bidez — hurbilenera biribiltze inuxentearen aldean zehaztasuna berreskuratzen duen biribiltze ikasia — gehi REAP inausketa	Erdikoa
W8A16	8 biteko pisuak / 16 biteko aktibazioak. Inausketarik ez, biribiltze ikasiaren konponketarik ez — pisuak zehaztasun bikoitzean eramanda besterik ez	Handiena

Non egiten duen min benetan kuantizazioaren noraezak

REAP-ek eta AutoRound-ek konpresio inuxenteak galtzen duenaren zatirik handiena berreskuratzen dute — baina "zatirik handiena" hitzek lan egiten dute esaldi horretan, eta hondarra ez da berdin banatzen. Bit baxuko kuantizazioak isatsak hondatzen ditu: probabilitate baxuko eta zehaztasun handiko erabakiak. Prosan ia ikusezina da; beste adjektibo bat esaldi ona da oraindik. Egituratutako irteeran joko osoa da, eskema bat probabilitate baxuko erabakien kate luze bat baita, non bakoitzak zehatz-mehatz zuzena izan behar duen:

• Token mailako sintaxia. Giltza ixteko bat, koma bat, komatxo bat. Bakoitza token bat da, eta token oker batek erantzun osoa baliogabetzen du.
• Enum diziplina. Zure eskemak dio "status" "open" | "closed" | "pending" horietako bat dela; noraezean dabilen eredu batek "Open" edo "pending review" itzultzen du — semantikoki hurbil, eta baliozkoa ez batentzat ez bestearentzat.
• Mota-diziplina. number eremu bat "1,240" gisa itzultzen da, boolean bat "yes" gisa. Biak kate gisa parseatzen dira eta eskema ez dute gainditzen.
• Isats luzeko literalak. Izen berezi arraroak, pieza-zenbakiak, izen kimikoak, latinoak ez diren idazkerak, data zehatzak — hain zuzen ere bit baxuko pisuek lausotzen duten probabilitate baxuko eremua.

Honek ez du 4 edo 3 biteko ereduak txarrak egiten; elkarrizketa-lanerako fideltasun-aldea sarritan ez du prezio-aldea merezi. Baina irteeraren kontsumitzailea pertsona bat barik balioztatzaile bat denean, isatsetako zehaztasuna zuzenean bihurtzen da parseatze-tasa — eta parseatze-tasa berriro saiatzeko aurrekontu eta p99 latentzia. W8A16 da zerga hori ordaintzeari uzten diozun maila.

03Egituratutako irteera: json_schema eta response_format

Hy3-k egituratutako irteeraren azaleraren bi erdiak onartzen ditu — hori esplizituki esatea merezi du, ez baita unibertsala katalogoan:

Eredua	response_format	json_schema
Hy3 · W8A16	Bai	Bai
MiMo-V2.5-Pro · W8A16	Bai	Bai
inkling · W4A16-AUTOROUND-REAP	Bai	Ez
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Ez	Ez

Bi mekanismoen arteko aldeak jendeak uste duena baino gehiago axola du. response_format: {"type": "json_object"}-ek JSON baliozkoa eskatzen du eta besterik ez — ereduak forma aukeratzen du, beraz bi deik {"name": ...} eta {"full_name": ...} itzul ditzakete eta biak zuzenak dira. json_schema-k forma aldez aurretik ematen du: izendatutako eremuak, motak, enumak, beharrezko zerrendak, habiaratzea. Hori kodea idatz dezakezun kontratu bat da.

Gutxieneko dei bat OpenAIrekin bateragarria den dialektoan:

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"]
      }
    }
  }
}

Ohar praktikoak

• Egin eremu guztiak beharrezko eta onartu null. Aukerako eremuek isilpeko galerak gonbidatzen dituzte; beharrezko eremu null-garri batek "ez dago" esplizitu bat behartzen du, eta hori jokatzeko moduko informazioa da.
• Enumek kate askeak gainditzen dituzte. Balio-multzoa itxi dezakezun toki guztietan, itxi — hori da eskema baten benetako gainditze-tasan eragin handiena duen aldaketa.
• Egon 16,384 tokeneko irteera-sabaiaren azpitik. Mugarik gabeko array bat objektu baten erdian moztuko da. Mugatu array-en luzera, edo zatitu sarrera.
• Mantendu sistemako mezua. Eskemak forma mugatzen du; promptak semantika arautzen jarraitzen du — zer den "critical", bi data agertzen direnean zeinek irabazten duen, unitateak normalizatu behar diren ala ez.
• Balioztatu hala ere. Eskema-euskarriak gainditze-tasa igotzen du; ez du balioztatzaile bat eta letra hilen ilara bat ordezkatzen.

04Zergatik den "zentsurarik gabe" fidagarritasun-propietatea, eta ez soilik edukikoa

Atebideko Hy3-k ez du uko egiteko geruzarik ez irteera-iragazketarik. Ohiko markoa edukiari buruzkoa da: segurtasun-ikerketa, malware-analisia, ustiapen-txostenak, corpus mediko eta juridikoak, helduentzako materiala, kalte-murrizketako dokumentazioa edo erabiltzaile etsaien transkripzioak prozesa ditzakezu, ereduak zure ordez nahiago ez lukeela erabaki gabe.

Bigarren arrazoi bat dago, mekanikoagoa. Uko bat eskema-urraketa bat da. Uko egiten duen eredu iragazi batek ez dizu zure objektua "unavailable" bandera batekin itzultzen — prosa itzultzen du. "Ezin dizut eskaera horrekin lagundu." Kate hori ez da incident objektu bat; zure balioztatzailea gainditzen ez du eta letra hilen ilaran erortzen da benetako gaizki-eratzeen ondoan, eta orain politika-ukoak benetako akatsetatik bereizi behar dituzu.

Okerrago: ukoak edukiarekin korrelazionatzen dira, ez dira ausaz banatzen. Zure corpusaren %4 segurtasun-intzidenteen txostenak badira eta ereduak gehienei uko egiten badie, ez duzu errendimenduaren %4 uniformeki galdu — kategoria bat galdu duzu, eta datu horien gainean eraikitako aginte-panelak isilean gutxiegi jakinarazten du erakusteko existitzen den gauza bera. Kategoria-formako zuloek zarata uniformeak baino gehiago kostatzen dute, ezerk ez baitu haietaz abisatzen. Kendu uko-bidea eta geratzen dena — gaizki-eratzeak, mozketak, testu anbiguoa — gaiarekiko korrelaziorik gabe dago, eta beraz neurgarria da.

05Testuingurua, irteera-sabaia eta nola aurrekontatu

Atebideko eredu guztiek muga berak partekatzen dituzte:

Testuingurua aurrekontu partekatua da: promptak eta irteerak elkarrekin 262,144 barruan kabitu behar dute, beraz dei bateko sarrera-sabai praktikoa 245,000 token ingurukoa da, oso gutxi gorabehera 180,000 ingeles hitz. Lan egituraturako 16,384 tokeneko irteera-muga da mugarik zorrotzena eta jendea harritzen duena — erregistro bakoitzeko objektu bat igortzen duen eskema batek leihoa bete baino askoz lehenago jotzen du. Bi eredu funtzionatzen dute horren aurka:

• Sarrera zabala, irteera estua. Bultzatu kontratu oso bat, aurkezpen bat edo log-leiho bat testuingurura eta eskatu objektu trinko bakar bat. Sarrera-tokenek irteera-tokenen laurdena kostatzen dute, beraz prezioek asko irakurtzea eta gutxi idaztea saritzen dute.
• Zatitu erregistroen mugetan, ez byte-kopuruan. Zatitu ereduak josturak ikus ditzakeen tokian. Esaldi erdian moztutako erregistro batek objektu oker bat sortzen du konfiantzaz, hutsegite nabarmen bat baino.

Hy3-ren jakinarazitako testuinguru luzeko berreskuratze-indarra — 73.4 AA-LCR-n, eta %42.9tik %75.1erako jauzia MRCR elkarrizketa luzeen gogoratzean — lehen ereduak oinarritzat duen gaitasuna bera da, eta ondo idaztetik bereizitako trebetasuna.

06Zoruko prezioak eta benetako kanalizazio baten aritmetika

Hy3 milioi bat sarrera-tokeneko $0.50 eta milioi bat irteera-tokeneko $2.00 prezioan dago — katalogoaren zorua, MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 eta MiniMax-M3 ereduekin partekatua. Karga adierazgarrien gainean landuta:

Lan-karga	Sarrera / deiko	Irteera / deiko	Kostua / deiko	1M deiko
Eremuen erauzketa	1,200	300	$0.0012	$1,200
Dokumentuen sailkapena	3,000	120	$0.0018	$1,800
Dokumentu luzea eskemara laburtzea	40,000	900	$0.0218	$21,800
Leiho osoaren analisia	240,000	2,000	$0.1240	$124,000

Erabakiak aldatzen dituen zenbakia ez da titularreko tarifa, berriro saiatzeen ondorengo tarifa eraginkorra baizik. Bi eredu berdin kostatzen badira eta batek deien %6an huts egiten badu balioztatzean besteak %1.5ean huts egiten duen bitartean, noraeza handiko ereduak %4.5 dei gehiago exekutatzen ditu — jasangarria. Kaltea isatsean dago: berriro saiatutako deiek bi aldiz gehiago irauten dute, beraz p99 latentzia gutxi gorabehera bikoiztu egiten da trafikoaren zati ikusgai batentzat, eta bi aldiz huts egiten duen guztia eskuzko lan bihurtzen da. Egunean milioi bat deitan, hori norbaitek irakurri behar dituen milaka erregistro dira.

Hortik dator 8 biteko mailaren aldeko argudioa zoruko prezioan: hemen ez zaude fideltasunagatik gainprezio bat ordaintzen, beraz berriro saiatzeen aritmetika doako dirua da. 3 biteko eredu bat merkeagoa balitz, benetako truke bat legoke pisatzeko — Hy3-k katalogoko gauzarik merkeenak adina kostatzen du.

07Hiru API dialekto, eredu bat

Hy3 atebideko hiru dialektoetan dago eskuragarri, streamingarekin bakoitzean. Eredu bera, pisu berak, muga berak — aukeratu dagoeneko duzun SDKarekin bat datorrena.

Amaiera-puntua	Dialektoa	Noiz erabili
/v1/chat/completions	OpenAI	OpenAI SDK, LangChain edo LlamaIndex duzunean. Zuzendu oinarrizko URLa hona, aldatu ereduaren id-a.
/v1/messages	Anthropic	Anthropic SDKn zaudenean eta eduki-blokeak itzulpen-geruzarik gabe nahi dituzunean.
/v1/responses	Responses	Irteera tipatua eta zerbitzari-aldeko egoera dituen eskaera-forma berriagoa nahi duzunean.

Hy3-k tresna-deiak eta arrazoiketa ere onartzen ditu, reasoning_effort barne. Erauzketa-lanerako mugimendu erabilgarria arrazoiketa jaistea izaten da: testu garbiaren gaineko eskema ondo zehaztu batean, pentsamendu-tokenak ordaintzen dituzun irteera-tokenak eta itxaroten duzun latentzia dira, irabazi marjinal baten truke. Gastatu esfortzu-aurrekontua benetan anbiguoa den sarreran.

Eskaeren eta erantzunen erreferentzia osoa, parametro-zerrendak, streamingaren semantika eta proba-eremu interaktibo bat APIaren dokumentazioan daude.

08Hiru W8A16 ereduen arteko aukeraketa

Hiru eredu daude fideltasun handieneko mailan, guztiak zoruko prezioan. Aukera batez ere modalitatearena da:

Eredua	Ikusmena	json_schema	Prezioa sarrera / irteera	Zertarako aukeratu
Hy3 · W8A16	Ez	Bai	$0.50 / $2.00	Testu hutsezko kanalizazio egituratuak, tresnen orkestrazioa, testuinguru luzeko berreskuratzea
MiMo-V2.5-Pro · W8A16	Ez	Bai	$0.50 / $2.00	MiMo lerroaren Pro doikuntza nahi duzun testu hutsezko lana
MiMo-V2.5 · W8A16	Bai	Bai	$0.50 / $2.00	Irudiak dituen edozer — eskaneatutako dokumentuak, pantaila-argazkiak, argazkiak

Zure sarreraren zatiren bat irudia bada, erabakia hartuta dago: Hy3 testua soilik da — bidali eskaneatutako PDFak, pantaila-argazkiak eta argazkiak MiMo-V2.5-era. Sarrera benetan testua denean, Hy3-ren tresna-erabilera agentikoaren, testuinguru luzeko oroimenaren eta jakinarazitako haluzinazio baxuaren profila zuzenen egokitzen zaio kanalizazio-lanari. Hirurek berdin kostatzen dutenez, exekutatu zure eskema horietako biren aurka ehunka erregistro errealekin eta konparatu parseatze-tasak; horrek edozein taula baino hobeto erabakitzen du auzia, hau barne.

09Non irabazten duen Hy3-k bere lekua

• Bolumen handiko eremu-erauzketa. Kontratuak, aurkezpenak, intzidente-txostenak, transkripzioak, ohar klinikoak, epaitegi-erregistroak — dokumentuko objektu tipatu bat entregagarria den eta bolumenak berriro saiatzeak garesti egiten dituen edonon.
• Sailkapena eta bideratzea eskalan. Enum itxiko irteerak, non ereduaren balio osoa hemeretzigarren kategoria bat inoiz ez asmatzea den.
• Segurtasuneko eta mehatxu-adimeneko corpusak. Malware-txostenak, ustiapen-jakinarazpenak eta phishing-laginak — eredu iragaziak ukora bultzatzen dituen materiala, eta kategoria-formako zulo batek helburua hondatzen duen tokia.
• Gelditu behar ez duten tresna-deien agenteak. 8 biteko argumentu-fideltasunak esan nahi du zure funtzioei ematen zaien JSONa parseatzen dela; tresna-dei hondatu bat gelditutako agente bat da, ez erantzun apur bat okerragoa.
• Dokumentu luzeen analisia egituran. Aurkezpen osoa sartu, objektu trinko bat atera.
• Edukiaren moderazioa eta politika-ikerketa. Eredu iragazi batek irakurtzeari uko egiten dion materiala etiketatzea konfiantza eta segurtasuneko arazo iraunkorra da; eskema zorrotza duen iragazi gabeko eredu batek zuzenean konpontzen du.

Eta non ez: irudiak dituen edozer (erabili MiMo-V2.5), eta fitxategi anitzeko software-ingeniaritza autonomoa, non Tencent-en beren taulek Hy3 GLM-5.2-ren atzetik jartzen duten SWE-bench Verified-en eta askoz atzerago DeepSWE-n.

Benchmark datuak Tencent-ek jakinarazitakoak dira, lehiakideen zenbakiak barne; egiaztapen independentea idazteko unean zain zegoen. Kostu-datuak gure argitaratutako $0.50 / $2.00 tarifetatik kalkulatuta daude. Orri honetako zenbaki bat ere ez da Shannon-ek egindako benchmark bat ez estimazio bat.

10Maiz egiten diren galderak

---

Iturriak: Tencent Hunyuan ereduen txartelak · Hy3 biltegia · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · Hy3 kaleratzearen VentureBeat estaldura. Oinarriaren benchmark-ak Tencent-ek jakinarazitakoak dira eta behin-behinekoak dira egiaztapen independentearen zain. Shannon AI Shannon Lab LLC-k kudeatzen du, New Mexico, AEB.