Sensuroimaton Hy3-malli API

Useimmat ”mitä mallia minun pitäisi käyttää” -väittelyt koskevat kattoa: mikä kirjoittaa parhaan koodin, ratkaisee vaikeimman matematiikan, voittaa pisimmän agenttiajon. Rakenteiset putket eivät toimi niin. Työ joka poimii kenttiä sadastatuhannesta dokumentista päivässä ei tarvitse mallia joka on loistava kerran — se tarvitsee mallin joka on oikeassa samassa muodossa joka kerta eikä koskaan palauta kappaletta siihen missä pitäisi olla JSON-olio. Sitä ominaisuutta varten Hy3-W8A16 on täällä.

01Mikä Hy3 on ja mistä se tulee

Hy3 on avoinpainoinen päättely- ja agenttimalli Tencentin Hunyuan-tiimiltä, julkaistu kokonaisuudessaan 6. heinäkuuta 2026 sallivalla lisenssillä, painot julkaistuina Hugging Facessa. Se jatkaa Tencentin aiemman Hunyuan-Large Mixture-of-Experts -työn sukulinjaa. Arkkitehtuuriltaan se on harva MoE: 295 miljardia parametria yhteensä, joista karkeasti 21 miljardia aktivoituu tokenia kohti top-8-reitityksellä 192 asiantuntijan yli, 80-kerroksisessa transformerissa grouped-query-huomiolla, plus erillinen 3,8 miljardin parametrin monitokenipredikaatiokerros spekulatiivista dekoodausta varten. Natiivi konteksti on 256K — täsmälleen ne 262 144 tokenia jotka tarjoamme, ei suuremman katkaisu eikä pienemmän RoPE-venytys.

Tuo harvuussuhde on tärkein luku kenelle tahansa joka maksaa tokeneista: Hy3 kantaa 295 miljardin mallin tiedon tehden samalla karkeasti 21 miljardin mallin laskennan eteenpäinkulkua kohti. Se on myös syy siihen että meillä on varaa tarjota se 8 bitissä sen sijaan että pakkaisimme kovemmin — näin harvan mallin 8-bittinen build mahtuu yhä ja käy yhä nopeasti omalla GPU-klusterillamme.

Missä Tencent raportoi sen olevan hyvä

Tencentin julkaistut arviointitaulukot asettavat Hy3:n vahvuudet selvästi agenttihakuun, työkalujen orkestrointiin ja pitkän kontekstin hakuun eivätkä raakaan koodaukseen. Heidän raportoimansa luvut:

Näytämme heikot palkit tarkoituksella. Hy3 jää GLM-5.2:n taakse koodauksessa Tencentin omassa vertailussa — 78.0 vastaan 84.2 SWE-bench Verifiedissä, 28.0 vastaan 46.2 DeepSWE:ssä. Jos kuormasi on autonomista monen tiedoston ohjelmistotuotantoa, lue ensin loput mallitutkimushakemistosta. Jos se on tekstin lukemista ja rakenteen tuottamista, profiili on lähes ihanteellinen.

Putkityölle tärkein luku on luotettavuusluku: Tencent raportoi Hy3:n hallusinaatioasteeksi 5,4 %, edellisen sukupolven 12,5 %:sta, ja arkijärkivirheiden pudonneen 25,4 %:sta 12,7 %:iin. Heidän ilmoittamansa koulutusperiaate — vastaa kun on näyttöä, sano suoraan kun ei ole — on täsmälleen se asenne jonka haluat poimintamallilta joka muuten keksisi uskottavan arvon kentälle jota lähde ei koskaan mainitse.

Kaikki tämän osion luvut ovat Tencentin raportoimia heidän omista testiajoistaan; riippumaton kolmannen osapuolen varmennus oli kirjoitushetkellä yhä kesken. Kohtele niitä suuntaa antavina, ei vahvistettuina.

02Mitä W8A16 tarkoittaa, ja miksi sillä on väliä rakenteiselle tulosteelle

Jokainen yhdyskäytävän malli kantaa kvantisointipäätettä. Se ei ole koristetta — se kertoo kuinka kaukana tarjotut painot ovat siitä tarkistuspisteestä jonka laboratorio julkaisi.

Taso	Mitä se tekee	Tarkkuus
3BIT-REAP	3-bittiset painot plus REAP, asiantuntijoiden karsintamenetelmä joka pudottaa harvoin reititetyt MoE-asiantuntijat ennen kvantisointia	Pakatuin
W4A16-AUTOROUND-REAP	4-bittiset painot / 16-bittiset aktivaatiot AutoRoundilla — opittu pyöristys joka palauttaa tarkkuutta naiiviin lähimpään pyöristykseen verrattuna — plus REAP-karsinta	Keskitaso
W8A16	8-bittiset painot / 16-bittiset aktivaatiot. Ei karsintaa, ei opitun pyöristyksen korjausta — painot yksinkertaisesti kannettuina kaksinkertaisella tarkkuudella	Korkein

Missä kvantisoinnin ajautuminen oikeasti sattuu

REAP ja AutoRound palauttavat suurimman osan siitä mitä naiivi pakkaus menettää — mutta ”suurin osa” tekee tuossa lauseessa paljon työtä, eikä jäännös jakaudu tasaisesti. Matalan bittimäärän kvantisointi heikentää häntiä: matalan todennäköisyyden, korkean tarkkuuden päätöksiä. Proosassa se on lähes näkymätöntä; toinen adjektiivi on yhä hyvä lause. Rakenteisessa tulosteessa se on koko peli, koska skeema on pitkä ketju matalan todennäköisyyden päätöksiä joiden on kunkin osuttava täsmälleen oikein:

• Tokenitason syntaksi. Sulkeva aaltosulje, pilkku, lainausmerkki. Kukin on yksi token, ja yksi väärä token mitätöi koko vastauksen.
• Enum-kuri. Skeemasi sanoo että "status" on yksi arvoista "open" | "closed" | "pending"; ajautunut malli palauttaa "Open" tai "pending review" — semanttisesti lähellä, eikä kelvollinen kumpanakaan.
• Tyyppikuri. number-kenttä palaa muodossa "1,240", boolean muodossa "yes". Molemmat jäsentyvät merkkijonoina ja hylkääntyvät skeemassa.
• Pitkän hännän literaalit. Harvinaiset erisnimet, osanumerot, kemialliset nimet, ei-latinalaiset kirjoitusjärjestelmät, tarkat päivämäärät — juuri se matalan todennäköisyyden alue jonka matalan bittimäärän painot sumentavat.

Mikään tästä ei tee 4- tai 3-bittisistä malleista huonoja; keskustelutyössä tarkkuusero ei useinkaan ole hintaeron arvoinen. Mutta kun tulosteen kuluttaja on validaattori eikä ihminen, tarkkuus hännissä muuntuu suoraan jäsennysasteeksi — ja jäsennysaste uudelleenyritysbudjetiksi ja p99-viiveeksi. W8A16 on se taso jolla lakkaat maksamasta tuota veroa.

03Rakenteinen tuloste: json_schema ja response_format

Hy3 tukee molempia rakenteisen tulosteen puoliskoja — se kannattaa sanoa ääneen, koska se ei ole valikoimassa yleistä:

Malli	response_format	json_schema
Hy3 · W8A16	Kyllä	Kyllä
MiMo-V2.5-Pro · W8A16	Kyllä	Kyllä
inkling · W4A16-AUTOROUND-REAP	Kyllä	Ei
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Ei	Ei

Näiden kahden mekanismin ero merkitsee enemmän kuin yleensä oletetaan. response_format: {"type": "json_object"} pyytää kelvollista JSONia eikä mitään muuta — malli valitsee muodon, joten kaksi kutsua voivat palauttaa {"name": ...} ja {"full_name": ...} ja molemmat ovat oikein. json_schema antaa muodon etukäteen: nimetyt kentät, tyypit, enumit, pakolliset listat, sisäkkäisyys. Se on sopimus jota vasten voi kirjoittaa koodia.

Minimaalinen kutsu OpenAI-yhteensopivalla murteella:

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"]
      }
    }
  }
}

Käytännön huomioita

• Tee jokaisesta kentästä pakollinen ja salli null. Valinnaiset kentät houkuttelevat hiljaisiin pudotuksiin; pakollinen nolla-arvon salliva kenttä pakottaa nimenomaisen ”ei mainittu”, mikä on tietoa jonka varassa voi toimia.
• Enumit päihittävät vapaat merkkijonot. Aina kun arvojoukon voi sulkea, sulje se — se on suurin yksittäinen vipu skeeman todelliseen läpäisyasteeseen.
• Pysy 16 384 tokenin tulostekaton alapuolella. Rajaamaton taulukko katkeaa kesken olion. Rajaa taulukoiden pituudet tai paloittele syöte.
• Pidä järjestelmäviesti. Skeema rajoittaa muodon; kehote ohjaa yhä merkitystä — mikä lasketaan ”kriittiseksi”, kumpi päivämäärä voittaa kun niitä on kaksi, normalisoidaanko yksiköt.
• Validoi silti. Skeematuki nostaa läpäisyastetta; se ei korvaa validaattoria eikä dead-letter-jonoa.

04Miksi ”sensuroimaton” on luotettavuusominaisuus eikä vain sisältöominaisuus

Yhdyskäytävän Hy3:lla ei ole kieltäytymiskerrosta eikä tulosteen suodatusta. Tavallinen kehystys koskee sisältöä: voit käsitellä tietoturvatutkimusta, haittaohjelma-analyysiä, haavoittuvuuskuvauksia, lääketieteellisiä ja juridisia korpuksia, aikuisaineistoa, haittojen vähentämisen dokumentaatiota tai vihamielisten käyttäjien litterointeja ilman että malli päättää puolestasi ettei se mieluummin tekisi sitä.

On toinen, mekaanisempi syy sille miksi tällä on väliä. Kieltäytyminen on skeemarikkomus. Suodatettu malli joka kieltäytyy ei palauta olioasi "unavailable"-lipulla — se palauttaa proosaa. ”En pysty auttamaan tuossa pyynnössä.” Tuo merkkijono ei ole incident-olio; se hylkääntyy validaattorissasi ja päätyy dead-letter-jonoon aitojen jäsennysvirheiden viereen, jossa joudut nyt erottamaan käytäntökieltäytymiset todellisista muotovirheistä.

Pahempaa: kieltäytymiset korreloivat sisällön kanssa eivätkä jakaudu satunnaisesti. Jos 4 % korpuksestasi on tietoturvapoikkeamaraportteja ja malli kieltäytyy useimmista niistä, et ole menettänyt 4 % läpäisystä tasaisesti — olet menettänyt yhden kategorian, ja tuon datan päälle rakennettu mittaristo aliraportoi hiljaa juuri sitä asiaa jota varten se on olemassa. Kategorian muotoiset reiät maksavat enemmän kuin tasainen kohina koska mikään ei hälytä niistä. Poista kieltäytymispolku, niin jäljelle jäävä — muotovirheet, katkaisut, monitulkintainen teksti — on korreloimatonta aiheen kanssa ja siten mitattavissa.

05Konteksti, tulostekatto ja niiden budjetointi

Jokainen yhdyskäytävän malli jakaa samat rajat:

Konteksti on jaettu budjetti: kehotteen ja tulosteen on mahduttava yhdessä 262 144 tokeniin, joten käytännön syötekatto yhdessä kutsussa on noin 245 000 tokenia, hyvin karkeasti 180 000 englanninkielistä sanaa. Rakenteisessa työssä 16 384 tokenin tulostekatto on kovempi raja ja se joka yllättää ihmiset — skeema joka tuottaa yhden olion tietuetta kohti osuu siihen kauan ennen kuin ikkuna täyttyy. Kaksi kuviota auttaa:

• Leveä syöte, kapea tuloste. Työnnä kokonainen sopimus, ilmoitus tai lokiväli kontekstiin ja pyydä yhtä tiivistä oliota. Syötetokenit maksavat neljäsosan tulostetokeneista, joten hinnoittelu palkitsee paljon lukemisesta ja vähän kirjoittamisesta.
• Paloittele tietueiden rajoilta, älä tavumäärien. Katkaise siitä missä malli näkee sauman. Kesken lauseen katkaistu tietue tuottaa itsevarman väärän olion eikä ilmeistä virhettä.

Hy3:n raportoitu vahvuus pitkän kontekstin haussa — 73.4 AA-LCR:ssä ja hyppy 42,9 %:sta 75,1 %:iin MRCR-pitkädialogin palautuksessa — on täsmälleen se kyky jonka varassa ensimmäinen kuvio on, ja eri taito kuin hyvin kirjoittaminen.

06Hintalattia ja todellisen putken laskutoimitus

Hy3 istuu hinnassa $0.50 miljoonalta syötetokenilta ja $2.00 miljoonalta tulostetokenilta — valikoiman lattia, jaettuna mallien MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 ja MiniMax-M3 kanssa. Laskettuna läpi edustavilla kuormilla:

Kuorma	Syöte / kutsu	Tuloste / kutsu	Hinta / kutsu	Miljoonalta kutsulta
Kenttien poiminta	1,200	300	$0.0012	$1,200
Dokumenttien luokittelu	3,000	120	$0.0018	$1,800
Pitkän dokumentin tiivistys skeemaan	40,000	900	$0.0218	$21,800
Koko ikkunan analyysi	240,000	2,000	$0.1240	$124,000

Päätöksiä muuttava luku ei ole otsikkohinta vaan tehollinen hinta uudelleenyritysten jälkeen. Jos kaksi mallia maksaa saman ja toinen hylkääntyy validoinnissa 6 %:ssa kutsuista siinä missä toinen 1,5 %:ssa, enemmän ajautuva malli ajaa noin 4,5 % enemmän kutsuja — siedettävää. Vahinko on hännässä: uudelleen yritetyt kutsut kestävät kaksin verroin, joten p99-viive karkeasti kaksinkertaistuu näkyvälle siivulle liikennettä, ja mikä epäonnistuu kahdesti muuttuu käsityöksi. Miljoonalla kutsulla päivässä se on tuhansia tietueita joita jonkun on luettava.

Tästä syystä 8-bittinen taso hintalattialla kannattaa: et maksa tässä lisähintaa tarkkuudesta, joten uudelleenyritysten laskutoimitus on ilmaista rahaa. Jos 3-bittinen malli olisi halvempi, olisi punnittavana aito vaihtokauppa — Hy3 maksaa saman kuin valikoiman halvin asia.

07Kolme API-murretta, yksi malli

Hy3 on tavoitettavissa kaikilla kolmella yhdyskäytävän murteella, suoratoisto kussakin. Sama malli, samat painot, samat rajat — valitse se joka vastaa jo omistamaasi SDK:ta.

Päätepiste	Murre	Käytä kun
/v1/chat/completions	OpenAI	Sinulla on OpenAI SDK, LangChain tai LlamaIndex. Osoita perus-URL tänne, vaihda mallitunnus.
/v1/messages	Anthropic	Käytät Anthropicin SDK:ta ja haluat sisältölohkot ilman käännöskerrosta.
/v1/responses	Responses	Haluat uudemman pyyntömuodon tyypitetyllä tulosteella ja palvelinpuolen tilalla.

Hy3 tukee myös työkalukutsuja ja päättelyä, mukaan lukien reasoning_effort. Poimintatyössä hyödyllinen siirto on yleensä kääntää päättely alas: hyvin määritellyllä skeemalla puhtaan tekstin yli ajattelutokenit ovat tulostetokeneita joista maksat ja viivettä jota odotat, marginaalisesta hyödystä. Käytä ponnistusbudjetti sen sijaan aidosti monitulkintaiseen syötteeseen.

Täysi pyyntö- ja vastausviite, parametrilistat, suoratoiston semantiikka ja interaktiivinen leikkikenttä ovat API-dokumentaatiossa.

08Kolmen W8A16-mallin välillä valitseminen

Kolme mallia istuu korkeimman tarkkuuden tasolla, kaikki hintalattialla. Valinta koskee enimmäkseen modaliteettia:

Malli	Näkö	json_schema	Hinta sisään / ulos	Valitse se kun
Hy3 · W8A16	Ei	Kyllä	$0.50 / $2.00	Pelkän tekstin rakenteiset putket, työkalujen orkestrointi, pitkän kontekstin haku
MiMo-V2.5-Pro · W8A16	Ei	Kyllä	$0.50 / $2.00	Pelkän tekstin työ jossa haluat MiMo-linjan Pro-virityksen
MiMo-V2.5 · W8A16	Kyllä	Kyllä	$0.50 / $2.00	Mikä tahansa jossa on kuvia — skannatut dokumentit, kuvakaappaukset, valokuvat

Jos jokin osa syötteestäsi on kuva, päätös on tehty puolestasi: Hy3 on pelkkää tekstiä — lähetä skannatut PDF:t, kuvakaappaukset ja valokuvat MiMo-V2.5:lle. Missä syöte on aidosti tekstiä, Hy3:n profiili agenttisesta työkalukäytöstä, pitkän kontekstin palautuksesta ja matalasta raportoidusta hallusinaatiosta osuu suorimmin putkityöhön. Koska kaikki kolme maksavat saman, aja skeemasi kahta niistä vasten muutamalla sadalla oikealla tietueella ja vertaa jäsennysasteita; se ratkaisee asian paremmin kuin mikään taulukko, tämäkin mukaan lukien.

09Missä Hy3 ansaitsee paikkansa

• Suuren volyymin kenttäpoiminta. Sopimukset, ilmoitukset, poikkeamaraportit, litteroinnit, kliiniset muistiinpanot, oikeuden asiakirjat — missä tahansa tyypitetty olio dokumenttia kohti on toimitettava tuotos ja volyymi tekee uudelleenyrityksistä kalliita.
• Luokittelu ja reititys mittakaavassa. Suljetut enum-tulosteet, joissa mallin koko arvo on siinä ettei se koskaan keksi yhdeksättätoista kategoriaa.
• Tietoturva- ja uhkatiedustelukorpukset. Haittaohjelmakuvaukset, haavoittuvuusjulkistukset ja tietojenkalastelunäytteet — se aineisto joka kompastuttaa suodatetut mallit kieltäytymiseen, ja jossa kategorian muotoinen reikä nollaa koko tarkoituksen.
• Työkalukutsuvat agentit jotka eivät saa juuttua. 8-bittinen argumenttitarkkuus tarkoittaa että funktioillesi ojennettu JSON jäsentyy; sotkeutunut työkalukutsu on juuttunut agentti, ei hieman huonompi vastaus.
• Pitkien dokumenttien analyysi rakenteeksi. Koko ilmoitus sisään, yksi tiivis olio ulos.
• Sisällön moderointi ja käytäntötutkimus. Sen aineiston merkitseminen jota suodatettu malli kieltäytyy lukemasta on pysyvä luottamus- ja turvallisuusongelma; suodattamaton malli tiukalla skeemalla ratkaisee sen suoraan.

Ja missä se ei ansaitse: mikä tahansa jossa on kuvia (käytä MiMo-V2.5:tä), ja autonominen monen tiedoston ohjelmistotuotanto, jossa Tencentin omat taulukot asettavat Hy3:n GLM-5.2:n taakse SWE-bench Verifiedissä ja selvästi taakse DeepSWE:ssä.

Vertailuluvut ovat Tencentin raportoimia, kilpailijoiden luvut mukaan lukien; riippumaton varmennus oli kirjoitushetkellä kesken. Kustannusluvut on laskettu julkaistuista $0.50 / $2.00 -hinnoistamme. Mikään tämän sivun luku ei ole Shannonin ajama vertailutesti eikä arvio.

10Usein kysytyt kysymykset

---

Lähteet: Tencent Hunyuan model cards · Hy3 repository · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · VentureBeat coverage of the Hy3 release. Perustan vertailuluvut ovat Tencentin raportoimia ja alustavia riippumattoman varmennuksen ollessa kesken. Shannon AI:ta operoi Shannon Lab LLC, New Mexico, USA.