API du modèle Hy3 sans censure

La plupart des débats « quel modèle utiliser » portent sur le plafond : lequel écrit le meilleur code, résout les maths les plus dures, tient la plus longue exécution d'agent. Les pipelines structurés ne fonctionnent pas ainsi. Un traitement qui extrait des champs de cent mille documents par jour n'a pas besoin d'un modèle brillant une fois — il lui faut un modèle correct dans la même forme à chaque fois, qui ne renvoie jamais un paragraphe là où un objet JSON est attendu. C'est la propriété pour laquelle Hy3-W8A16 existe.

01Ce qu'est Hy3, et d'où il vient

Hy3 est un modèle de raisonnement et d'agentivité à poids ouverts de l'équipe Hunyuan de Tencent, publié intégralement le 6 juillet 2026 sous licence permissive, avec des poids déposés sur Hugging Face. Il prolonge la lignée des travaux Mixture-of-Experts antérieurs de Tencent, Hunyuan-Large. Architecturalement, c'est un MoE creux : 295 milliards de paramètres au total, dont environ 21 milliards s'activent par token via un routage top-8 sur 192 experts, sur un transformeur à 80 couches avec attention grouped-query, plus une couche de prédiction multi-tokens de 3,8B distincte pour le décodage spéculatif. Le contexte natif est de 256K — exactement les 262,144 tokens que nous exposons, ni la troncature d'un contexte plus grand ni l'extension par étirement de RoPE d'un contexte plus petit.

Ce rapport de creusité est le chiffre qui compte pour quiconque paie au token : Hy3 porte le savoir d'un modèle de 295B tout en effectuant à peu près l'arithmétique d'un modèle de 21B à chaque passe avant. C'est aussi pourquoi nous pouvons nous permettre de le servir sur 8 bits plutôt que de le compresser davantage — une version 8 bits d'un modèle aussi creux tient encore en mémoire et tourne encore vite sur notre propre cluster GPU.

Ce en quoi Tencent le dit bon

Les tableaux d'évaluation publiés par Tencent placent les forces de Hy3 nettement du côté de la recherche agentique, de l'orchestration d'outils et de la récupération sur contexte long, plutôt que du codage brut. Leurs chiffres rapportés :

Nous montrons les barres faibles à dessein. Hy3 est derrière GLM-5.2 sur le codage dans la comparaison de Tencent elle-même — 78.0 contre 84.2 sur SWE-bench Verified, 28.0 contre 46.2 sur DeepSWE. Si votre charge de travail est du génie logiciel autonome multi-fichiers, lisez d'abord le reste de l'index de recherche sur les modèles. S'il s'agit de lire du texte et d'émettre de la structure, le profil est proche de l'idéal.

Le chiffre qui compte le plus pour le travail de pipeline relève de la fiabilité : Tencent rapporte un taux d'hallucination de 5,4 % pour Hy3, contre 12,5 % à la génération précédente, avec des erreurs de sens commun tombant de 25,4 % à 12,7 %. Le principe d'entraînement qu'ils énoncent — répondre quand il y a des preuves, dire clairement quand il n'y en a pas — est exactement la disposition que l'on souhaite chez un modèle d'extraction qui, sinon, inventerait une valeur plausible pour un champ que la source ne mentionne jamais.

Tous les chiffres de cette section sont rapportés par Tencent d'après ses propres tests ; aucune vérification indépendante par un tiers n'était disponible au moment de la rédaction. Considérez-les comme indicatifs, pas comme acquis.

02Ce que signifie W8A16, et pourquoi cela compte pour la sortie structurée

Chaque modèle de la passerelle porte un suffixe de quantification. Ce n'est pas décoratif — il vous dit à quelle distance les poids servis se trouvent du checkpoint publié par le laboratoire.

Palier	Ce qu'il fait	Fidélité
3BIT-REAP	Poids 3 bits plus REAP, une méthode d'élagage qui supprime les experts MoE rarement routés avant la quantification	Le plus compressé
W4A16-AUTOROUND-REAP	Poids 4 bits / activations 16 bits via AutoRound — un arrondi appris qui récupère de la précision par rapport à l'arrondi naïf au plus proche — plus l'élagage REAP	Intermédiaire
W8A16	Poids 8 bits / activations 16 bits. Aucun élagage, aucune réparation par arrondi appris — les poids sont simplement portés à une précision double	La plus élevée

Où la dérive de quantification fait réellement mal

REAP et AutoRound récupèrent l'essentiel de ce que la compression naïve perd — mais « l'essentiel » travaille beaucoup dans cette phrase, et le résidu ne tombe pas uniformément. La quantification à faible nombre de bits dégrade les queues : les décisions peu probables et très spécifiques. En prose, c'est presque invisible ; un adjectif différent fait toujours une bonne phrase. En sortie structurée, c'est tout l'enjeu, car un schéma est une longue chaîne de décisions peu probables qui doivent chacune être exactement justes :

• Syntaxe au niveau du token. Une accolade fermante, une virgule, un guillemet. Chacun est un token, et un seul token faux invalide toute la réponse.
• Discipline des énumérations. Votre schéma dit que "status" vaut "open" | "closed" | "pending" ; un modèle qui a dérivé renvoie "Open" ou "pending review" — sémantiquement proche, et valide dans aucun des deux cas.
• Discipline des types. Un champ number revient en "1,240", un boolean en "yes". Les deux se parsent comme des chaînes et échouent au schéma.
• Littéraux de longue traîne. Noms propres rares, références de pièces, noms chimiques, écritures non latines, dates précises — exactement la région peu probable que les poids à faible nombre de bits brouillent.

Rien de tout cela ne rend mauvais les modèles 4 bits ou 3 bits ; pour un usage conversationnel, l'écart de fidélité ne justifie souvent pas l'écart de prix. Mais quand le consommateur de la sortie est un validateur plutôt qu'un humain, la précision dans les queues se convertit directement en taux de parsing — et le taux de parsing en budget de réessais et en latence p99. W8A16 est le palier où vous cessez de payer cet impôt.

03Sortie structurée : json_schema et response_format

Hy3 prend en charge les deux moitiés de la surface de sortie structurée — cela mérite d'être dit explicitement, car ce n'est pas universel dans le catalogue :

Modèle	response_format	json_schema
Hy3 · W8A16	Oui	Oui
MiMo-V2.5-Pro · W8A16	Oui	Oui
inkling · W4A16-AUTOROUND-REAP	Oui	Non
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Non	Non

La différence entre les deux mécanismes compte plus qu'on ne le suppose. response_format: {"type": "json_object"} demande du JSON valide et rien de plus — le modèle choisit la forme, si bien que deux appels peuvent renvoyer {"name": ...} et {"full_name": ...} et que les deux sont corrects. json_schema fournit la forme d'emblée : champs nommés, types, énumérations, listes d'obligatoires, imbrication. C'est un contrat contre lequel vous pouvez écrire du code.

Un appel minimal sur le dialecte compatible OpenAI :

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"]
      }
    }
  }
}

Notes pratiques

• Rendez chaque champ obligatoire et autorisez null. Les champs optionnels invitent aux omissions silencieuses ; un champ obligatoire acceptant null force un « non présent » explicite, une information sur laquelle vous pouvez agir.
• Les énumérations valent mieux que les chaînes libres. Partout où vous pouvez fermer l'ensemble des valeurs, fermez-le — c'est le changement qui améliore le plus le taux de réussite réel d'un schéma.
• Restez sous le plafond de 16,384 tokens de sortie. Un tableau non borné se tronquera au milieu d'un objet. Plafonnez les longueurs de tableaux, ou découpez l'entrée.
• Gardez le message système. Le schéma contraint la forme ; le prompt gouverne toujours la sémantique — ce qui compte comme « critique », quelle date l'emporte quand il y en a deux, s'il faut normaliser les unités.
• Validez quand même. La prise en charge des schémas augmente le taux de réussite ; elle ne remplace pas un validateur et une file de rebuts.

04Pourquoi « sans censure » est une propriété de fiabilité, pas seulement de contenu

Sur la passerelle, Hy3 n'a aucune couche de refus ni filtrage de sortie. Le cadrage habituel porte sur le contenu : vous pouvez traiter de la recherche en sécurité, de l'analyse de logiciels malveillants, des comptes rendus d'exploitation, des corpus médicaux et juridiques, du contenu pour adultes, de la documentation de réduction des risques ou des transcriptions d'utilisateurs hostiles, sans que le modèle décide à votre place qu'il préférerait s'abstenir.

Il existe une seconde raison, plus mécanique. Un refus est une violation de schéma. Un modèle filtré qui décline ne renvoie pas votre objet avec un indicateur "unavailable" — il renvoie de la prose. « Je ne peux pas vous aider sur cette demande. » Cette chaîne n'est pas un objet incident ; elle échoue à votre validateur et atterrit dans la file de rebuts à côté de vraies erreurs de parsing, où il vous faut désormais séparer les refus de politique des véritables malformations.

Pire, les refus sont corrélés au contenu au lieu de se répartir au hasard. Si 4 % de votre corpus est constitué de rapports d'incidents de sécurité et que le modèle en décline la plupart, vous n'avez pas perdu 4 % de débit de façon uniforme — vous avez perdu une catégorie, et le tableau de bord construit sur ces données sous-estime discrètement exactement ce qu'il existe pour révéler. Les trous en forme de catégorie coûtent plus cher qu'un bruit uniforme, parce que rien ne déclenche d'alerte à leur sujet. Retirez le chemin du refus et ce qui reste — malformations, troncatures, texte ambigu — n'est plus corrélé au sujet, et devient donc mesurable.

05Contexte, plafond de sortie et comment les budgéter

Tous les modèles de la passerelle partagent les mêmes limites :

Le contexte est un budget partagé : le prompt et la sortie doivent tenir ensemble dans les 262,144, si bien que le plafond d'entrée pratique en un seul appel est d'environ 245,000 tokens, soit très grossièrement 180,000 mots anglais. Pour le travail structuré, le plafond de 16,384 tokens de sortie est la limite la plus dure et celle qui surprend — un schéma qui émet un objet par enregistrement l'atteint bien avant que la fenêtre ne se remplisse. Deux stratégies fonctionnent contre cela :

• Entrée large, sortie étroite. Poussez un contrat entier, un dépôt réglementaire ou une fenêtre de journaux dans le contexte et demandez un seul objet compact. Les tokens d'entrée coûtent un quart des tokens de sortie : la tarification récompense donc le fait de beaucoup lire et de peu écrire.
• Découpez sur les frontières d'enregistrements, pas sur le nombre d'octets. Coupez là où le modèle peut voir la jointure. Un enregistrement coupé au milieu d'une phrase produit un objet faux mais assuré, plutôt qu'un échec évident.

La force rapportée de Hy3 en récupération sur contexte long — 73.4 sur AA-LCR, et un bond de 42,9 % à 75,1 % sur le rappel de dialogues longs MRCR — est exactement la capacité dont dépend la première stratégie, et une compétence distincte du fait de bien écrire.

06Le prix plancher, et l'arithmétique d'un vrai pipeline

Hy3 se situe à 0,50 $ par million de tokens d'entrée et 2,00 $ par million de tokens de sortie — le plancher du catalogue, partagé avec MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 et MiniMax-M3. Décliné sur des charges représentatives :

Charge de travail	Entrée / appel	Sortie / appel	Coût / appel	Par 1M d'appels
Extraction de champs	1,200	300	0,0012 $	1 200 $
Classification de documents	3,000	120	0,0018 $	1 800 $
Résumé de long document vers un schéma	40,000	900	0,0218 $	21 800 $
Analyse sur fenêtre complète	240,000	2,000	0,1240 $	124 000 $

Le chiffre qui change les décisions n'est pas le tarif affiché mais le tarif effectif après réessais. Si deux modèles coûtent la même chose et que l'un échoue à la validation sur 6 % des appels là où l'autre échoue sur 1,5 %, le modèle qui dérive lance environ 4,5 % d'appels en plus — supportable. Le dégât est sur la queue : les appels réessayés prennent deux fois plus de temps, si bien que la latence p99 double à peu près pour une part visible du trafic, et tout ce qui échoue deux fois devient du travail manuel. À un million d'appels par jour, cela fait des milliers d'enregistrements que quelqu'un doit lire.

D'où l'argument en faveur du palier 8 bits au prix plancher : vous ne payez ici aucun supplément pour la fidélité, si bien que l'arithmétique des réessais est de l'argent gratuit. Si un modèle 3 bits était moins cher, il y aurait un vrai arbitrage à peser — Hy3 coûte autant que ce qu'il y a de moins cher au catalogue.

07Trois dialectes d'API, un seul modèle

Hy3 est accessible sur les trois dialectes de la passerelle, avec le streaming sur chacun. Même modèle, mêmes poids, mêmes limites — prenez celui qui correspond au SDK dont vous disposez déjà.

Point de terminaison	Dialecte	À utiliser quand
/v1/chat/completions	OpenAI	Vous avez un SDK OpenAI, LangChain ou LlamaIndex. Pointez l'URL de base ici, changez l'identifiant de modèle.
/v1/messages	Anthropic	Vous êtes sur le SDK Anthropic et voulez des blocs de contenu sans couche de traduction.
/v1/responses	Responses	Vous voulez la forme de requête plus récente, avec sortie typée et état côté serveur.

Hy3 prend aussi en charge l'appel d'outils et le raisonnement, y compris reasoning_effort. Pour un travail d'extraction, le bon réflexe est généralement de baisser le raisonnement : sur un schéma bien spécifié appliqué à du texte propre, les tokens de réflexion sont des tokens de sortie que vous payez et de la latence que vous subissez, pour un gain marginal. Dépensez plutôt le budget d'effort sur les entrées réellement ambiguës.

La référence complète des requêtes et des réponses, les listes de paramètres, la sémantique du streaming et un bac à sable interactif se trouvent dans la documentation de l'API.

08Choisir parmi les trois modèles W8A16

Trois modèles occupent le palier le plus fidèle, tous au prix plancher. Le choix se joue surtout sur la modalité :

Modèle	Vision	json_schema	Prix entrée / sortie	À choisir pour
Hy3 · W8A16	Non	Oui	0,50 $ / 2,00 $	Pipelines structurés uniquement textuels, orchestration d'outils, récupération sur contexte long
MiMo-V2.5-Pro · W8A16	Non	Oui	0,50 $ / 2,00 $	Travail uniquement textuel où vous voulez le réglage Pro de la ligne MiMo
MiMo-V2.5 · W8A16	Oui	Oui	0,50 $ / 2,00 $	Tout ce qui comporte des images — documents scannés, captures d'écran, photos

Si une partie de votre entrée est une image, la décision est prise pour vous : Hy3 est uniquement textuel — envoyez les PDF scannés, les captures d'écran et les photographies à MiMo-V2.5. Là où l'entrée est réellement du texte, le profil de Hy3 — usage agentique d'outils, rappel sur contexte long, faible taux d'hallucination rapporté — correspond le plus directement au travail de pipeline. Comme les trois coûtent la même chose, passez votre schéma sur deux d'entre eux avec quelques centaines d'enregistrements réels et comparez les taux de parsing ; cela tranche mieux que n'importe quel tableau, celui-ci compris.

09Là où Hy3 justifie sa place

• Extraction de champs à fort volume. Contrats, dépôts réglementaires, rapports d'incidents, transcriptions, notes cliniques, dossiers judiciaires — partout où un objet typé par document est le livrable et où le volume rend les réessais coûteux.
• Classification et aiguillage à l'échelle. Sorties à énumérations fermées, où toute la valeur du modèle tient à ne jamais inventer une dix-neuvième catégorie.
• Corpus de sécurité et de renseignement sur les menaces. Analyses de logiciels malveillants, divulgations de failles et échantillons d'hameçonnage — le matériel qui fait basculer les modèles filtrés dans le refus, et où un trou en forme de catégorie ruine l'objectif.
• Agents à appel d'outils qui ne doivent pas caler. La fidélité 8 bits des arguments garantit que le JSON transmis à vos fonctions se parse ; un appel d'outil mal formé, c'est un agent bloqué, pas une réponse légèrement moins bonne.
• Analyse de longs documents vers de la structure. Un dépôt entier en entrée, un objet compact en sortie.
• Modération de contenu et recherche sur les politiques. Étiqueter un matériel qu'un modèle filtré refuse de lire est un problème permanent des équipes confiance et sécurité ; un modèle non filtré avec un schéma strict le résout directement.

Et là où il ne convient pas : tout ce qui comporte des images (utilisez MiMo-V2.5), et le génie logiciel autonome multi-fichiers, où les propres tableaux de Tencent placent Hy3 derrière GLM-5.2 sur SWE-bench Verified et bien derrière sur DeepSWE.

Les chiffres de benchmark sont rapportés par Tencent, y compris ceux des concurrents ; la vérification indépendante était en attente au moment de la rédaction. Les chiffres de coût sont calculés à partir de nos tarifs publiés de 0,50 $ / 2,00 $. Aucun chiffre de cette page n'est un benchmark exécuté par Shannon ni une estimation.

10Questions fréquentes

---

Sources : fiches de modèle Tencent Hunyuan · dépôt Hy3 · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · couverture de la sortie de Hy3 par VentureBeat. Les benchmarks de la fondation sont rapportés par Tencent et provisoires, dans l'attente d'une vérification indépendante. Shannon AI est exploité par Shannon Lab LLC, Nouveau-Mexique, États-Unis.