API Modail Hy3 Gun Chaisgireachd
Bunait Hy3 295B aig Tencent aig dìlseachd chuideaman 8-bit, le toradh json_schema teann, uinneag 262,144-token agus gun sreath diùltaidh — aig prìs làr a' chatalog.
Geàrr-chunntas
'S e Hy3-W8A16 an treas fear de na trì modailean W8A16 againn — cuideaman 8-bit, gnìomhachaidhean 16-bit, an ìre againn as àirde dìlseachd. Tha e teacsa a-mhàin, tha taic aige do json_schema agus response_format le chèile, tha co-theacsa 262,144-token agus mullach toraidh 16,384-token a' chatalog gu lèir aige, agus cosgaidh e $0.50 / $2.00 gach millean token — an làr. Gun sreath diùltaidh, gun sìoladh toraidh. Tagh e airson pìoban teacsa àrd-tomhais a dh'fheumas toradh so-pharsaidh, cinealach a thilleadh gach gairm, a' gabhail a-steach stuth a dhiùltadh modail sìolaichte beantainn ris.
'S ann mun mhullach a tha a' mhòr-chuid de dh'argamaidean "dè am modail a chleachdas mi": cò an dèanas an còd as fheàrr, a dh'fhuasglas a' mhatamataig as duilghe, a bhuannaicheas an ruith àidseant as fhaide. Chan ann mar sin a dh'obraicheas pìoban structaraichte. Chan fheum obair a bhios a' tarraing raointean à ceud mìle sgrìobhainn san latha modail a tha air leth once — feumaidh e fear a tha ceart san aon chumadh gach turas, agus nach till paragraf a-riamh far am bu chòir nì JSON a bhith. Sin am feart airson a bheil Hy3-W8A16 ann.
01Dè th' ann an Hy3, agus cò às a thàinig e
'S e modail reusanachaidh is àidseantach le cuideaman fosgailte a th' ann an Hy3, o sgioba Hunyuan aig Tencent, air a chur a-mach gu slàn air 6 Iuchar 2026 fo cheadachas ceadaltach, le cuideaman air am foillseachadh air Hugging Face. Bidh e a' leantainn sinnsireachd na h-obrach Mixture-of-Experts Hunyuan-Large aig Tencent na bu tràithe. A thaobh ailtireachd, 's e MoE fànaisdeach a th' ann: 295 billean paramadair uile-gu-lèir, agus timcheall air 21 billean a' gnìomhachadh gach token tro stiùireadh top-8 thairis air 192 eòlaiche, air transformer 80-sreath le aire grouped-query, a bharrachd air sreath 3.8B multi-token-prediction air leth airson speculative decoding. 'S e 256K an co-theacsa dùthchasach — dìreach na 262,144 token a nochdas sinn, chan e giorrachadh de rudeigin nas motha no leudachadh rope de rudeigin nas lugha.
Sin an co-mheas fànaisdeachd, an àireamh chudromach do neach sam bith a phàigheas gach token: bidh Hy3 a' giùlan eòlas modail 295B fhad 's a bhios e a' dèanamh timcheall air àireamhachd modail 21B gach char-adhartach. Sin cuideachd as coireach gum faod sinn a fhrithealadh aig 8 bit seach a bhith ga theannachadh nas dàine — bidh togail 8-bit de mhodail cho fànaisdeach seo fhathast a' freagairt a-steach agus fhathast a' ruith gu luath air a' chruinneachadh GPU againn fhìn.
Dè aig a bheil e math, a rèir Tencent
Bidh clàran measaidh foillsichte Tencent a' cur neartan Hy3 gu dìreach ann an rannsachadh àidseantach, rian-obair inneil, agus ath-fhaighinn co-theacsa fhada seach ann an còdadh lom. Na h-àireamhan a chaidh aithris:
Bidh sinn a' sealltainn nam bàraichean lag a dh'aon ghnothach. Bidh Hy3 air dheireadh air GLM-5.2 air còdadh ann an coimeas Tencent fhèin — 78.0 an aghaidh 84.2 air SWE-bench Verified, 28.0 an aghaidh 46.2 air DeepSWE. Ma 's e innleadaireachd bathar-bhog fèin-riaghailteach ioma-fhaidhle an t-uallach-obrach agad, leugh an còrr den chlàr-amais rannsachaidh modail an toiseach. Ma 's e leughadh teacsa agus a' gineadh structar, tha an cumadh faisg air foirfe.
'S e àireamh earbsachd an tè as cudromaiche airson obair phìoban: bidh Tencent ag aithris ìre hallucination Hy3 aig 5.4%, sìos o 12.5% san ginealach roimhe, le mearachdan ciall-choitcheann a' tuiteam o 25.4% gu 12.7%. 'S e am prionnsapal trèanaidh a chaidh a ràdh aca — freagair nuair a tha fianais ann, can gu dìreach nuair nach eil — dìreach an nàdar a tha thu ag iarraidh ann am modail às-tharraing a chumadh às eile luach coltach airson raoin nach do luaidh an tùs a-riamh.
Tha gach àireamh san earrann seo air an aithris le Tencent bho na ruithean deuchainn aca fhèin; bha dearbhadh neo-eisimeileach treas-phàrtaidh fhathast ri thighinn aig àm sgrìobhaidh. Gabh riutha mar stiùireadh, chan ann mar rud socraichte.
02Dè tha W8A16 a' ciallachadh, agus carson a tha e cudromach do thoradh structarach
Bidh gach modail air a' gheata a' giùlan iar-leasachan cuantachaidh. Chan e sgeadachadh a th' ann — innsidh e dhut dè cho fada 's a tha na cuideaman air am frithealadh bhon phuing-sgrùdaidh a sgaoil an obair-lann.
| Ìre | Dè a nì e | Dìlseachd |
|---|---|---|
| 3BIT-REAP | Cuideaman 3-bit a bharrachd air REAP, dòigh bearraidh eòlaichean a leigeas às eòlaichean MoE a thèid an stiùireadh ainneamh mus tèid an cuantachadh | As motha teannachadh |
| W4A16-AUTOROUND-REAP | Cuideaman 4-bit / gnìomhachaidhean 16-bit tro AutoRound — cruinneachadh ionnsaichte a dh'ath-ghabhas cruinneas thairis air cruinneachadh sìmplidh gu ìre-as-fhaisge — a bharrachd air bearradh REAP | Meadhanach |
| W8A16 | Cuideaman 8-bit / gnìomhachaidhean 16-bit. Gun bhearradh, gun chàradh cruinneachaidh ionnsaichte — na cuideaman dìreach air an giùlan aig dà uiread na mionaideachd | As àirde |
Càite an dèan seachran cuantachaidh cron dha-rìribh
Bidh REAP is AutoRound ag ath-ghabhail a' mhòr-chuid de na chailleas teannachadh sìmplidh — ach tha "a' mhòr-chuid" a' dèanamh obair san t-seantans sin, agus chan eil an fhuidheall a' laighe gu co-ionann. Bidh cuantachadh bit-ìosal a' crìonadh an earbaill: na co-dhùnaidhean coltachd-ìosal, sònrachaidh-àrd. Ann an rosg tha sin cha mhòr do-fhaicsinneach; tha buadhair eadar-dhealaichte fhathast na sheantans math. Ann an toradh structarach 's e an geama air fad a th' ann, oir 's e slabhraidh fada de cho-dhùnaidhean coltachd-ìosal a th' ann an sgeama a dh'fheumas a bhith dìreach ceart gach fear:
- Co-chàradh ìre-tokena. Camag dhùnaidh, cromag, caractar comharra-labhairt. 'S e aon token a th' anns gach fear, agus cuiridh aon token cheàrr às a' bhun-stèidh don fhreagairt air fad.
- Smachd enum. Canaidh an sgeama agad gu bheil
"status"na fhear de"open" | "closed" | "pending"; tillidh modail a sheachran"Open"no"pending review"— faisg a thaobh ciall, ach dligheach mar gin dhiubh. - Smachd seòrsa. Thig raon
numberair ais mar"1,240",booleanmar"yes". Parsaichidh an dà chuid mar shreangan agus fàilligidh iad an sgeama. - Litearalan earball-fhada. Ainmean cinnteach ainneamh, àireamhan phàirtean, ainmean ceimigeach, sgriobtaichean neo-Laideannach, cinn-latha pongail — dìreach an roinn choltachd-ìosal a chuireas cuideaman bit-ìosal sgleò air.
Chan eil càil dhen seo a' dèanamh modailean 4-bit no 3-bit dona; airson obair chòmhraidh mar as trice chan fhiach an diofar dìlseachd an diofar prìse. Ach nuair as e dearbhaiche seach duine a chleachdas an toradh, thionndaidhear mionaideachd nan earball gu dìreach gu ìre parsaidh — agus ìre parsaidh gu buidseat ath-fheuchainn agus dàil p99. 'S e W8A16 an ìre far an sguir thu de phàigheadh na cìse sin.
03Toradh structarach: json_schema agus response_format
Tha taic aig Hy3 airson an dà leth de uachdar an toraidh structaraich — is fhiach seo a ràdh gu soilleir, oir chan eil sin coitcheann thar a' chatalog:
| Modail | response_format | json_schema |
|---|---|---|
| Hy3 · W8A16 | Tha | Tha |
| MiMo-V2.5-Pro · W8A16 | Tha | Tha |
| inkling · W4A16-AUTOROUND-REAP | Tha | Chan eil |
| Laguna-S-2.1 · W4A16-AUTOROUND-REAP | Chan eil | Chan eil |
Tha an diofar eadar an dà uidheam nas cudromaiche na tha daoine a' saoilsinn. Bidh response_format: {"type": "json_object"} ag iarraidh JSON dligheach agus dad a bharrachd — taghaidh am modail an cumadh, agus mar sin faodaidh dà ghairm tilleadh {"name": ...} agus {"full_name": ...} agus tha an dà chuid ceart. Bidh json_schema a' toirt seachad an cumadh ro-làimh: raointean ainmichte, seòrsan, enuman, liostaichean riatanach, neadachadh. Sin cùmhnant as urrainn dhut còd a sgrìobhadh na aghaidh.
Gairm as lugha air an dualchainnt co-chòrdail ri OpenAI:
POST /v1/chat/completions
{
"model": "Hy3-W8A16",
"messages": [
{"role": "system", "content": "Tarraing raointean bhon aithisg tuiteamais. Cleachd null airson rud sam bith nach eil air a ràdh."},
{"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"]
}
}
}
}Notaichean practaigeach
- Dèan gach raon riatanach agus ceadaich
null. Bidh raointean roghnach a' tabhann tuiteam sàmhach; sparraidh raon riatanach a ghabhas null "chan eil e an làthair" gu soilleir, a tha na fhiosrachadh as urrainn dhut gnìomh a dhèanamh air. - Buannaichidh enuman air sreangan saora. Ge b' e càite an urrainn dhut an seata luachan a dhùnadh, dùin e — an t-atharrachadh as motha buaidh air ìre soirbheachais an sgeama san fhìor-shaoghal.
- Fan fon mhullach toraidh 16,384-token. Thèid àrraigh gun chrìoch a ghearradh am meadhan nì. Cuir mullach air fadan àrraigh, no sgoilt an t-ionchur.
- Cùm an teachdaireachd siostaim. Bidh an sgeama a' cuingealachadh cumadh; bidh am brosnachadh fhathast a' riaghladh semantaigs — dè a chunntar mar "critical," dè an ceann-latha a bhuannaicheas nuair a nochdas dhà, an tèid aonadan a nàdarrachadh.
- Dearbh co-dhiù. Bidh taic sgeama a' togail ìre soirbheachais; cha chuir e an àite dearbhaiche agus ciudha litrichean marbha.
04Carson as e feart earbsachd a th' ann an "gun chaisgireachd," chan e dìreach fear susbaint
Chan eil sreath diùltaidh no sìoladh toraidh aig Hy3 air a' gheata. 'S ann mu shusbaint a tha an cumadh àbhaisteach: 's urrainn dhut rannsachadh tèarainteachd, mion-sgrùdadh bog-mhaiseach, sgrìobhaidhean brath, corpasan meidigeach is laghail, stuth inbheach, sgrìobhainneachd lùghdachadh-cron no tar-sgrìobhaidhean cleachdaiche nàimhdeil a phròiseasadh gun am modail a' co-dhùnadh às do leth gum b' fheàrr leis gun a dhèanamh.
Tha dàrna adhbhar, nas meacanaigiche, air a bheil seo cudromach. 'S e briseadh sgeama a th' ann an diùltadh. Cha till modail sìolaichte a dhiùltas an nì agad le bratach "unavailable" — tillidh e rosg. "Chan urrainn dhomh cuideachadh leis an iarrtas sin." Chan e nì incident a th' anns an t-sreang sin; fàilligidh i an dearbhaiche agad agus laighidh i sa chiudha litrichean marbha ri taobh fìor mhearachdan parsaidh, far a bheil agad a-nis diùltaidhean poileasaidh a sgaradh o fhìor mhì-chumadh.
Nas miosa fhathast, bidh diùltaidhean co-cheangailte ri susbaint seach a bhith air an sgaoileadh air thuaiream. Ma 's e 4% den chorpas agad aithisgean tuiteamais tèarainteachd agus gun diùlt am modail a' mhòr-chuid dhiubh, chan e call de 4% de thro-chur gu co-ionann a chaill thu — chaill thu aon roinn, agus bidh an deas-bhòrd air a thogail air an dàta sin gu sàmhach ag aithris nas lugha air dìreach an rud air a bheil e ann gus nochdadh. Cosgaidh tuill a tha cumadh-roinne barrachd na fuaim co-ionann oir cha chuir dad an aire ort orra. Thoir air falbh an t-slighe diùltaidh agus tha na dh'fhàgas — mì-chumadh, giorrachadh, teacsa neo-shoilleir — neo-cheangailte ri cuspair, agus mar sin so-thomhaiste.
Chan e neo-chunntachail a th' ann an gun chaisgireachd
Tha gun sreath diùltaidh a' ciallachadh nach toir am modail beachd air an ionchur agad. Chan eil e a' ciallachadh nach eil an cunntas air a chumail sùil air. Tha cleachdadh fo riaghladh ar Poileasaidh Cleachdaidh Cunntachail agus lagh iomchaidh, agus cuiridh mì-chleachdadh crìoch air ruigsinneachd. Bidh toirt air falbh an t-sìoladh a' stad modail a bhith a' tomhas do rùn o phìos sgrìobhainn; chan eil e a' toirt air falbh d' uallach airson na thogas tu.
05Co-theacsa, mullach toraidh, agus mar a bhuidseataicheas tu iad
Bidh gach modail air a' gheata a' co-roinneadh na h-aon chrìochan:
'S e buidseat co-roinnte a th' ann an co-theacsa: feumaidh am brosnachadh a bharrachd air an toradh a bhith a' freagairt a-steach còmhla am broinn 262,144, agus mar sin 's e timcheall air 245,000 token am mullach ionchuir practaigeach ann an aon ghairm, mu 180,000 facal Beurla gu ro-thuairmseach. Airson obair structaraichte 's e am mullach toraidh 16,384-token an cuingealachadh nas cruaidhe agus am fear a chuireas iongnadh air daoine — bidh sgeama a bhios a' gineadh aon nì gach clàr a' bualadh air fada mus lìon an uinneag. Bidh dà phàtran ag obair na aghaidh:
- Ionchur farsaing, toradh caol. Brùth cùmhnant slàn, foillseachadh no uinneag loga a-steach do cho-theacsa agus iarr aon nì cruinn. Cosgaidh tokenan a-steach cairteal nan tokenan a-mach, agus mar sin bidh a' phrìseachadh a' toirt duais airson leughadh mòran agus sgrìobhadh beagan.
- Bris a rèir crìochan chlàraidh, chan e cunntas bhaidhtean. Sgoilt far am faic am modail an t-fhuaigheal. Bheir clàr air a ghearradh am meadhan seantans nì cheàrr le misneachd seach fàilligeadh follaiseach.
'S e neart ath-fhaighinn co-theacsa fhada Hy3 air aithris — 73.4 air AA-LCR, agus leum o 42.9% gu 75.1% air ath-ghairm còmhraidh fhada MRCR — dìreach an comas air a bheil a' chiad phàtran an urra, agus sgil eadar-dhealaichte o sgrìobhadh gu math.
06Prìseachadh làr, agus àireamhachd fìor phìoba
Tha Hy3 na shuidhe aig $0.50 gach millean token a-steach agus $2.00 gach millean token a-mach — làr a' chatalog, air a cho-roinneadh le MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 agus MiniMax-M3. Air obrachadh a-mach thairis air luchdan riochdachail:
| Uallach-obrach | A-steach / gairm | A-mach / gairm | Cosgais / gairm | Gach 1M gairm |
|---|---|---|---|---|
| Às-tharraing raointean | 1,200 | 300 | $0.0012 | $1,200 |
| Seòrsachadh sgrìobhainnean | 3,000 | 120 | $0.0018 | $1,800 |
| Gearr-chunntas sgrìobhainn fhada gu sgeama | 40,000 | 900 | $0.0218 | $21,800 |
| Mion-sgrùdadh uinneig slàin | 240,000 | 2,000 | $0.1240 | $124,000 |
Chan e an reata ceann-naidheachd an àireamh a dh'atharraicheas co-dhùnaidhean ach an reata èifeachdach às dèidh ath-fheuchainn. Ma tha dà mhodail a' cosg an aon rud agus gum fàillig aon dearbhadh air 6% de ghairmean far am fàillig am fear eile air 1.5%, ruithidh am modail seachrain àirde timcheall air 4.5% barrachd ghairmean — so-mhaireannach. Tha am milleadh air an earball: bheir gairmean air an ath-fheuchainn dà uiread na h-ùine, agus mar sin bidh dàil p99 timcheall air dùblachadh airson sliseag fhaicsinneach den trafaic, agus fàsaidh rud sam bith a dh'fhàillig dà thuras na obair làimhe. Aig millean gairm san latha, 's e sin mìltean de chlàran a dh'fheumas cuideigin a leughadh.
Mar sin an argamaid airson na h-ìre 8-bit aig prìs làr: chan eil thu a' pàigheadh barrachd airson dìlseachd an seo, agus mar sin 's e airgead saor a th' anns an àireamhachd ath-fheuchainn. Nam biodh modail 3-bit na b' shaoire bhiodh fìor iomlaid ann ri chothromachadh — cosgaidh Hy3 an aon rud ris an rud as saoire sa chatalog.
07Trì dualchainntean API, aon mhodail
Tha Hy3 ruigsinneach air na trì dualchainntean geata uile le sruthadh air gach fear. An aon mhodail, na h-aon chuideaman, na h-aon chrìochan — tagh ge b' e dè a fhreagras an SDK a th' agad mu thràth.
| Oir-phuing | Dualchainnt | Cleachd nuair a tha |
|---|---|---|
| /v1/chat/completions | OpenAI | SDK OpenAI, LangChain no LlamaIndex agad. Stiùir am bun-URL an seo, atharraich aithne a' mhodail. |
| /v1/messages | Anthropic | Thu air SDK Anthropic agus ag iarraidh blocaichean susbaint gun sreath eadar-theangachaidh. |
| /v1/responses | Responses | Ag iarraidh an cumadh iarrtais as ùire le toradh cinealach agus staid taobh an fhrithealaiche. |
Tha taic aig Hy3 cuideachd airson gairm-inneal agus reusanachadh, a' gabhail a-steach reasoning_effort. Airson obair às-tharraing 's e ìsleachadh reusanachaidh am gluasad feumail mar as trice: air sgeama air a mhìneachadh gu math thairis air teacsa glan, 's e tokenan toraidh a phàigheas tu agus dàil air am feith thu a th' ann an tokenan smaoineachaidh, airson buannachd bheag. Caith am buidseat spàirn air ionchur a tha fìor neo-shoilleir na àite.
Tha iomradh slàn air iarrtas is freagairt, liostaichean paramadair, semantaigs sruthaidh agus raon-cluiche eadar-obrachail beò anns na sgrìobhainnean API.
08A' taghadh am measg nan trì modailean W8A16
Tha trì modail nan suidhe air an ìre as àirde dìlseachd, uile aig prìs làr. 'S e modh as motha an roghainn:
| Modail | Lèirsinn | json_schema | Prìs a-steach / a-mach | Tagh e airson |
|---|---|---|---|---|
| Hy3 · W8A16 | Chan eil | Tha | $0.50 / $2.00 | Pìoban structaraichte teacsa-a-mhàin, rian-obair inneil, ath-fhaighinn co-theacsa fhada |
| MiMo-V2.5-Pro · W8A16 | Chan eil | Tha | $0.50 / $2.00 | Obair theacsa-a-mhàin far a bheil thu ag iarraidh gleusadh Pro na loidhne MiMo |
| MiMo-V2.5 · W8A16 | Tha | Tha | $0.50 / $2.00 | Rud sam bith le dealbhan — sgrìobhainnean sganta, glacaidhean-sgrìn, dealbhan-camara |
Ma 's e dealbh pàirt sam bith den ionchur agad, tha an co-dhùnadh air a dhèanamh dhut mar-thà: tha Hy3 teacsa a-mhàin — cuir PDFan sganta, glacaidhean-sgrìn agus dealbhan-camara gu MiMo-V2.5. Far a bheil an t-ionchur gu fìrinneach na theacsa, bidh cumadh Hy3 de chleachdadh inneil àidseantach, ath-ghairm co-theacsa fhada agus hallucination ìosal air aithris a' mapadh as dìriche gu obair phìoba. Bhon a chosgas na trì an aon rud, ruith an sgeama agad an aghaidh dithis dhiubh air corra cheud fìor chlàr agus dèan coimeas air ìrean parsaidh; socraichidh sin e nas fheàrr na clàr sam bith, a' gabhail a-steach am fear seo.
09Càite an cosnaidh Hy3 àite
- Às-tharraing raointean àrd-tomhais. Cùmhnantan, foillseachaidhean, aithisgean tuiteamais, tar-sgrìobhaidhean, notaichean clionaigeach, clàran cùirte — àite sam bith far a bheil nì cinealach gach sgrìobhainn na thoradh agus far a bheil tomhas a' dèanamh ath-fheuchainn daor.
- Seòrsachadh is stiùireadh aig sgèile. Toraidhean enum dùinte, far a bheil luach iomlan a' mhodail an urra ri gun a bhith a' cur ris naoi-deug roinn a-riamh.
- Corpasan tèarainteachd agus fiosrachadh-bagraidh. Sgrìobhaidhean bog-mhaiseach, foillseachadh brath is sampallan piscaidh — an stuth a chuireas modailean sìolaichte gu diùltadh, agus far am mill toll cumadh-roinne an t-adhbhar.
- Àidseantan gairm-inneil nach fhaod stad. Tha dìlseachd argamaid 8-bit a' ciallachadh gum parsaich an JSON a thèid a thoirt do na gnìomhan agad; 's e àidseant stadta a th' ann an gairm-inneil millte, chan e freagairt beagan nas miosa.
- Mion-sgrùdadh sgrìobhainn fhada gu structar. Foillseachadh slàn a-steach, aon nì cruinn a-mach.
- Maorsainneachd susbaint agus rannsachadh poileasaidh. 'S e duilgheadas earbsa-is-tèarainteachd seasmhach a th' ann an leubaladh stuth a dhiùltas modail sìolaichte a leughadh; fuasglaidh modail gun sìoladh le sgeama teann e gu dìreach.
Agus far nach cosnaich: rud sam bith le dealbhan (cleachd MiMo-V2.5), agus innleadaireachd bathar-bhog fèin-riaghailteach ioma-fhaidhle, far a bheil clàran Tencent fhèin a' cur Hy3 air dheireadh air GLM-5.2 air SWE-bench Verified agus fada air dheireadh air DeepSWE.
Tha gach tagradh ailtireachd is deuchainn-choimeis mu bhunait Hy3 a' tighinn o stuthan sgaoilidh poblach Tencent no o chòmhdach nam meadhanan orra; bidh fìrinnean a' chatalog a' tighinn bhon /v1/models bheò againn fhìn. Sgrùd an dà chuid.
Tha àireamhan deuchainn-choimeis air an aithris le Tencent, a' gabhail a-steach àireamhan farpaisich; bha dearbhadh neo-eisimeileach ri thighinn aig àm sgrìobhaidh. Tha àireamhan cosgais air an àireamhachadh bho na h-ìrean $0.50 / $2.00 foillsichte againn. Chan e deuchainn-choimeis air a ruith le Shannon no tuairmse a th' ann an àireamh sam bith air an duilleag seo.
10Ceistean cumanta
Dè th' ann an API modail Hy3 gun chaisgireachd?
'S e oir-phuing Geata Shannon AI airson aithne a' mhodail Hy3-W8A16 a th' ann — bunait Hy3 le cuideaman fosgailte aig Tencent, air fhrithealadh air a' chruinneachadh GPU againn fhìn aig mionaideachd cuideaman 8-bit, gun sreath diùltaidh agus gun sìoladh toraidh. Tha e a' tabhann uinneag cho-theacsa de 262,144 token, 16,384 token toraidh gach iarrtas, gairm-inneal, reusanachadh le reasoning_effort, agus làn toradh structarach tro json_schema agus response_format le chèile, air /v1/chat/completions, /v1/messages agus /v1/responses le sruthadh.
A bheil taic aig Hy3 do sgeama JSON agus toradh structarach?
Tha. Tha taic aig Hy3-W8A16 airson response_format do mhodh JSON-object agus json_schema airson sgeamaichean teann, cinealach le chèile — làn uachdar toraidh structaraich, chan e fear leth-phàirteach. Chan eil sin fìor mu gach modail sa chatalog: cha ghabh Laguna-S-2.1 ri gin dhiubh, agus tha taic aig inkling airson response_format ach chan ann airson json_schema. Ma tha am pìob agad an urra ri cùmhnant cinealach, 's e Hy3 fear de na modailean as urrainn a chumail.
Dè tha W8A16 a' ciallachadh, agus a bheil e nas fheàrr na 4-bit no 3-bit?
Tha W8A16 a' ciallachadh cuideaman 8-bit agus gnìomhachaidhean 16-bit — an ìre againn as àirde dìlseachd. An coimeas ri W4A16-AUTOROUND-REAP (cuideaman 4-bit, cruinneachadh ionnsaichte, bearradh eòlaichean) agus 3BIT-REAP (cuideaman 3-bit a bharrachd air bearradh eòlaichean), tha e ag atharrachadh nan cuideaman sgaoilte an ìre as lugha, agus mar sin fanaidh giùlan nas fhaisge air a' phuing-sgrùdaidh thùsail. Tha na h-ìrean dàna ann a chionn 's nach biodh e practaigeach na bunaitean as motha fhrithealadh aig astar às an aonais.
A bheil taic aig Hy3 do dhealbhan no lèirsinn?
Chan eil. Tha Hy3-W8A16 teacsa a-mhàin. Cha bhith cur phìosan dhealbhan thuige ag obair. Ma dh'fheumas tu lèirsinn a bharrachd air toradh structarach air an aon ìre 8-bit, cleachd MiMo-V2.5-W8A16, aig a bheil taic do ionchur dhealbhan a bharrachd air json_schema agus response_format aig an aon phrìs $0.50 / $2.00.
Dè a chosgas an API Hy3?
$0.50 gach millean token a-steach agus $2.00 gach millean token a-mach — am prìs làr sa chatalog againn, air a cho-roinneadh le MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 agus MiniMax-M3. Cosgaidh pìob às-tharraing riochdachail aig 1,200 a-steach agus 300 a-mach gach gairm mu $0.0012 gach gairm, no timcheall air $1,200 gach millean gairm.
An diùlt Hy3 iarrtas?
Chan eil sreath diùltaidh no sìoladh toraidh air beulaibh a' mhodail. Airson pìob structaraichte 's e feart earbsachd a th' anns an sin a cheart cho mòr ri fear susbaint: 's e briseadh sgeama a th' ann an diùltadh, oir cha pharsaich rosg a' mìneachadh carson nach freagair am modail mar an nì air a bheil an dearbhaiche agad an dùil. Bidh toirt air falbh an t-slighe diùltaidh a' toirt air falbh clas iomlan de dh'fhàilligidhean parsaidh air corpasan tèarainteachd, meidigeach, laghail agus susbaint inbheach.
Ruith Hy3 air an sgeama agad fhèin
Dìlseachd 8-bit, json_schema teann, co-theacsa 262K, gun diùltadh — aig prìs làr.
Leugh Sgrìobhainnean an API A h-uile Rannsachadh ModailAithne a' mhodail Hy3-W8A16 · teacsa a-mhàin · $0.50 a-steach / $2.00 a-mach gach 1M token
Tùsan: Cairtean-modail Tencent Hunyuan · Tasglann Hy3 · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · Còmhdach VentureBeat air sgaoileadh Hy3. Tha deuchainnean-coimeis a' bhunait air an aithris le Tencent agus sealach fhad 's a dh'fheitheas iad dearbhadh neo-eisimeileach. Tha Shannon AI air a ruith le Shannon Lab LLC, New Mexico, na SA.