ה-API של Hy3 ללא צנזורה

רוב הוויכוחים על "באיזה מודל להשתמש" עוסקים בתקרה: מי כותב את הקוד הטוב ביותר, פותר את המתמטיקה הקשה ביותר, מנצח בריצת הסוכן הארוכה ביותר. צינורות מובְנים לא עובדים כך. משימה שמחלצת שדות ממאה אלף מסמכים ביום לא צריכה מודל שמבריק פעם אחת — היא צריכה מודל שנכון באותה צורה בכל פעם, ושלעולם לא מחזיר פסקה במקום שבו אמור לשבת אובייקט JSON. בדיוק בשביל התכונה הזו קיים Hy3-W8A16.

01מה זה Hy3, ומאיפה הוא הגיע

Hy3 הוא מודל הסקה וסוכנוּת במשקלים פתוחים של צוות Hunyuan של Tencent, ששוחרר במלואו ב-6 ביולי 2026 תחת רישיון מתירני, עם משקלים שפורסמו ב-Hugging Face. הוא ממשיך את השושלת של עבודת ה-Mixture-of-Experts הקודמת של Tencent, Hunyuan-Large. ארכיטקטונית זהו MoE דליל: 295 מיליארד פרמטרים בסך הכול, מתוכם כ-21 מיליארד מופעלים לכל טוקן דרך ניתוב top-8 על פני 192 מומחים, על טרנספורמר בן 80 שכבות עם grouped-query attention, בתוספת שכבת ניבוי רב-טוקני נפרדת בגודל 3.8B לפענוח ספקולטיבי. ההקשר הילידי הוא 256K — בדיוק 262,144 הטוקנים שאנחנו חושפים, לא קיצוץ של משהו גדול יותר ולא מתיחת rope של משהו קטן יותר.

יחס הדלילות הזה הוא המספר החשוב לכל מי שמשלם לפי טוקן: Hy3 נושא את הידע של מודל 295B בזמן שהוא מבצע בערך את החשבון של מודל 21B בכל מעבר קדימה. זו גם הסיבה שאנחנו יכולים להרשות לעצמנו להגיש אותו ב-8 סיביות במקום לדחוס אותו חזק יותר — בנייה של 8 סיביות למודל דליל כל כך עדיין נכנסת ועדיין רצה מהר על אשכול ה-GPU שלנו עצמנו.

במה Tencent מדווחת שהוא טוב

טבלאות ההערכה שפרסמה Tencent ממקמות את החוזקות של Hy3 בבירור בחיפוש סוכני, תזמור כלים ואחזור בהקשר ארוך ולא בכתיבת קוד גולמית. הנתונים שהם מדווחים:

אנחנו מציגים את העמודות החלשות בכוונה. Hy3 נמצא מאחורי GLM-5.2 בכתיבת קוד בהשוואה של Tencent עצמה — 78.0 מול 84.2 ב-SWE-bench Verified, 28.0 מול 46.2 ב-DeepSWE. אם עומס העבודה שלך הוא הנדסת תוכנה אוטונומית על פני קבצים רבים, קרא קודם את שאר מדד מחקר המודלים. אם הוא קריאת טקסט והפקת מבנה, הפרופיל קרוב לאידיאלי.

הנתון החשוב ביותר לעבודת צינורות הוא נתון אמינות: Tencent מדווחת על שיעור הזיות של 5.4% ב-Hy3, ירידה מ-12.5% בדור הקודם, כששגיאות היגיון בסיסי יורדות מ-25.4% ל-12.7%. עקרון האימון המוצהר שלהם — לענות כשיש ראיות, ולומר בפשטות כשאין — הוא בדיוק הנטייה שאתה רוצה במודל חילוץ, שאחרת היה ממציא ערך סביר לשדה שהמקור מעולם לא הזכיר.

כל הנתונים בסעיף הזה מדווחים על ידי Tencent מריצות הבדיקה שלה עצמה; אימות עצמאי של צד שלישי עדיין היה תלוי ועומד בזמן הכתיבה. התייחס אליהם ככיווניים, לא כסופיים.

02מה המשמעות של W8A16, ולמה זה חשוב לפלט מובנה

כל מודל בשער נושא סיומת קוונטיזציה. זו לא קישוט — היא אומרת לך כמה רחוקים המשקלים המוגשים מנקודת הבדיקה שהמעבדה שחררה.

דרג	מה הוא עושה	נאמנות
3BIT-REAP	משקלים של 3 סיביות בתוספת REAP, שיטת גיזום מומחים שמסירה מומחי MoE שמנותבים אליהם לעיתים רחוקות לפני הקוונטיזציה	הדחוס ביותר
W4A16-AUTOROUND-REAP	משקלים של 4 סיביות / הפעלות של 16 סיביות דרך AutoRound — עיגול נלמד שמשחזר דיוק לעומת עיגול נאיבי לערך הקרוב — בתוספת גיזום REAP	אמצע
W8A16	משקלים של 8 סיביות / הפעלות של 16 סיביות. בלי גיזום, בלי תיקון בעיגול נלמד — המשקלים פשוט נישאים בדיוק כפול	הגבוהה ביותר

איפה סחיפת הקוונטיזציה באמת כואבת

REAP ו-AutoRound משחזרים את רוב מה שדחיסה נאיבית מאבדת — אבל ל"רוב" יש משקל במשפט הזה, והשארית לא נוחתת באופן אחיד. קוונטיזציה בסיביות נמוכות פוגעת בזנבות: ההחלטות בעלות ההסתברות הנמוכה והספציפיות הגבוהה. בפרוזה זה כמעט בלתי נראה; שם תואר אחר הוא עדיין משפט תקין. בפלט מובנה זה כל המשחק, כי סכמה היא שרשרת ארוכה של החלטות בעלות הסתברות נמוכה שכל אחת מהן חייבת להיות מדויקת:

• תחביר ברמת הטוקן. סוגר מסולסל סוגר, פסיק, תו מירכאות. כל אחד מהם הוא טוקן אחד, וטוקן שגוי אחד פוסל את התשובה כולה.
• משמעת enum. הסכמה שלך אומרת ש-"status" הוא אחד מ-"open" | "closed" | "pending"; מודל שנסחף מחזיר "Open" או "pending review" — קרוב סמנטית, ולא תקף כאף אחד מהם.
• משמעת טיפוסים. שדה number חוזר בתור "1,240", שדה boolean בתור "yes". שניהם מתפרשים כמחרוזות ונכשלים בסכמה.
• ליטרלים מהזנב הארוך. שמות פרטיים נדירים, מספרי חלקים, שמות כימיים, כתבים שאינם לטיניים, תאריכים מדויקים — בדיוק האזור בעל ההסתברות הנמוכה שמשקלים בסיביות נמוכות מטשטשים.

שום דבר מזה לא הופך מודלים של 4 סיביות או 3 סיביות לגרועים; לעבודה שיחתית הפרש הנאמנות לרוב לא שווה את הפרש המחיר. אבל כשצרכן הפלט הוא מאמת ולא בן אדם, דיוק בזנבות מתורגם ישירות לשיעור פענוח — ושיעור הפענוח לתקציב ניסיונות חוזרים ולהשהיית p99. W8A16 הוא הדרג שבו אתה מפסיק לשלם את המס הזה.

03פלט מובנה: json_schema ו-response_format

Hy3 תומך בשני החצאים של משטח הפלט המובנה — שווה לומר זאת במפורש, כי זה לא אוניברסלי בכל הקטלוג:

מודל	response_format	json_schema
Hy3 · W8A16	כן	כן
MiMo-V2.5-Pro · W8A16	כן	כן
inkling · W4A16-AUTOROUND-REAP	כן	לא
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	לא	לא

ההבדל בין שני המנגנונים חשוב יותר משנהוג להניח. response_format: {"type": "json_object"} מבקש JSON תקין ותו לא — המודל בוחר את הצורה, כך ששתי קריאות יכולות להחזיר {"name": ...} ו-{"full_name": ...} ושתיהן נכונות. json_schema מספק את הצורה מראש: שדות בשם, טיפוסים, enums, רשימות חובה, קינון. זה חוזה שאפשר לכתוב מולו קוד.

קריאה מינימלית בניב התואם ל-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"]
      }
    }
  }
}

הערות מעשיות

• הפוך כל שדה לחובה והתר null. שדות אופציונליים מזמינים השמטות שקטות; שדה חובה שמותר בו null כופה "לא קיים" מפורש, וזה מידע שאפשר לפעול לפיו.
• Enums עדיפים על מחרוזות חופשיות. בכל מקום שאפשר לסגור את קבוצת הערכים, סגור אותה — זה השינוי בעל המנוף הגבוה ביותר לשיעור המעבר האמיתי של סכמה.
• הישאר מתחת לתקרת הפלט של 16,384 טוקנים. מערך ללא חסם ייקטע באמצע אובייקט. הגבל אורכי מערכים, או פצל את הקלט.
• שמור על הודעת המערכת. הסכמה מגבילה את הצורה; הפרומפט עדיין קובע את הסמנטיקה — מה נחשב "קריטי", איזה תאריך מנצח כששניים מופיעים, האם לנרמל יחידות.
• אמת בכל זאת. תמיכה בסכמה מעלה את שיעור המעבר; היא לא מחליפה מאמת ותור מכתבים מתים.

04למה "ללא צנזורה" היא תכונת אמינות, לא רק תכונת תוכן

ל-Hy3 בשער אין שכבת סירוב ואין סינון פלט. המסגור הרגיל עוסק בתוכן: אפשר לעבד מחקר אבטחה, ניתוח נוזקות, כתבות על ניצול פרצות, קורפוסים רפואיים ומשפטיים, חומר למבוגרים, תיעוד להפחתת נזקים או תמלילים של משתמשים עוינים — בלי שהמודל יחליט בשמך שהוא מעדיף שלא.

יש סיבה שנייה, מכנית יותר, לכך שזה חשוב. סירוב הוא הפרה של הסכמה. מודל מסונן שמסרב לא מחזיר את האובייקט שלך עם דגל "unavailable" — הוא מחזיר פרוזה. "אני לא יכול לעזור בבקשה הזו." המחרוזת הזו אינה אובייקט incident; היא נכשלת במאמת שלך ונוחתת בתור המכתבים המתים לצד שגיאות פענוח אמיתיות, ועכשיו אתה צריך להפריד סירובי מדיניות מעיוותים אמיתיים.

גרוע מכך, סירובים מתואמים עם תוכן במקום להתפלג באקראי. אם 4% מהקורפוס שלך הם דוחות אירועי אבטחה והמודל מסרב לרובם, לא איבדת 4% מהתפוקה באופן אחיד — איבדת קטגוריה שלמה, ולוח המחוונים שנבנה על הנתונים האלה מדווח בחסר, בשקט, בדיוק על הדבר שלשמו הוא קיים. חורים בצורת קטגוריה עולים יותר מרעש אחיד, כי שום דבר לא מתריע עליהם. הסר את מסלול הסירוב, ומה שנשאר — עיוותים, קטיעות, טקסט דו-משמעי — אינו מתואם עם הנושא, ולכן ניתן למדידה.

05הקשר, תקרת פלט, ואיך לתקצב אותם

כל מודל בשער חולק את אותן מגבלות:

ההקשר הוא תקציב משותף: הפרומפט והפלט חייבים להיכנס יחד לתוך 262,144, ולכן תקרת הקלט המעשית בקריאה אחת היא כ-245,000 טוקנים, בערך גס 180,000 מילים באנגלית. לעבודה מובְנית תקרת הפלט של 16,384 טוקנים היא המגבלה הקשה יותר וזו שמפתיעה אנשים — סכמה שפולטת אובייקט אחד לכל רשומה מגיעה אליה הרבה לפני שהחלון מתמלא. שתי תבניות פועלות נגד זה:

• קלט רחב, פלט צר. דחוף חוזה שלם, דיווח רגולטורי או חלון לוגים לתוך ההקשר ובקש אובייקט קומפקטי אחד. טוקני קלט עולים רבע מטוקני פלט, כך שהתמחור מתגמל קריאה מרובה וכתיבה מועטה.
• חתוך לפי גבולות רשומה, לא לפי ספירת בייטים. פצל במקום שבו המודל רואה את התפר. רשומה שנחתכת באמצע משפט מייצרת אובייקט שגוי בביטחון במקום כישלון ברור.

חוזק האחזור בהקשר ארוך שמדווח על Hy3 — 73.4 ב-AA-LCR, וקפיצה מ-42.9% ל-75.1% בזיכרון דיאלוג ארוך ב-MRCR — הוא בדיוק היכולת שהתבנית הראשונה נשענת עליה, ומיומנות שונה מכתיבה טובה.

06מחיר רצפה, והחשבון של צינור אמיתי

Hy3 יושב על $0.50 למיליון טוקני קלט ו-$2.00 למיליון טוקני פלט — רצפת הקטלוג, המשותפת עם MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 ו-MiniMax-M3. מחושב על עומסים מייצגים:

עומס עבודה	קלט / קריאה	פלט / קריאה	עלות / קריאה	למיליון קריאות
חילוץ שדות	1,200	300	$0.0012	$1,200
סיווג מסמכים	3,000	120	$0.0018	$1,800
סיכום מסמך ארוך לסכמה	40,000	900	$0.0218	$21,800
ניתוח חלון מלא	240,000	2,000	$0.1240	$124,000

המספר שמשנה החלטות אינו התעריף שבכותרת אלא התעריף האפקטיבי אחרי ניסיונות חוזרים. אם שני מודלים עולים אותו דבר ואחד נכשל באימות ב-6% מהקריאות בעוד השני נכשל ב-1.5%, המודל הנסחף מריץ בערך 4.5% יותר קריאות — נסבל. הנזק הוא בזנב: קריאות חוזרות לוקחות פי שניים זמן, ולכן השהיית p99 כמעט מוכפלת עבור פלח נראה לעין מהתעבורה, וכל מה שנכשל פעמיים הופך לעבודה ידנית. במיליון קריאות ביום אלו אלפי רשומות שמישהו צריך לקרוא.

מכאן הטיעון לדרג של 8 סיביות במחיר רצפה: אתה לא משלם פרמיה על נאמנות כאן, ולכן חשבון הניסיונות החוזרים הוא כסף חינם. אילו מודל של 3 סיביות היה זול יותר, היה כאן שיקול אמיתי לשקול — Hy3 עולה בדיוק כמו הדבר הזול ביותר בקטלוג.

07שלושה ניבי API, מודל אחד

Hy3 נגיש בכל שלושת ניבי השער עם הזרמה בכל אחד מהם. אותו מודל, אותם משקלים, אותן מגבלות — בחר את מה שמתאים ל-SDK שכבר יש לך.

נקודת קצה	ניב	מתי להשתמש
/v1/chat/completions	OpenAI	יש לך SDK של OpenAI, LangChain או LlamaIndex. כוון את כתובת הבסיס לכאן, החלף את מזהה המודל.
/v1/messages	Anthropic	אתה על ה-SDK של Anthropic ורוצה בלוקי תוכן בלי שכבת תרגום.
/v1/responses	Responses	אתה רוצה את מבנה הבקשה החדש יותר עם פלט מוקלד ומצב בצד השרת.

Hy3 תומך גם בקריאת כלים ובחשיבה, כולל reasoning_effort. לעבודת חילוץ המהלך המועיל הוא בדרך כלל להנמיך את החשיבה: על סכמה מוגדרת היטב מעל טקסט נקי, טוקני חשיבה הם טוקני פלט שאתה משלם עליהם והשהיה שאתה ממתין לה, בתמורה לרווח שולי. השקע את תקציב המאמץ בקלט דו-משמעי באמת במקום זאת.

מדריך בקשות ותגובות מלא, רשימות פרמטרים, סמנטיקת הזרמה ומגרש משחקים אינטראקטיבי נמצאים בתיעוד ה-API.

08לבחור מבין שלושת מודלי W8A16

שלושה מודלים יושבים על דרג הנאמנות הגבוה ביותר, כולם במחיר הרצפה. הבחירה היא בעיקר עניין של מודאליות:

מודל	ראייה	json_schema	מחיר קלט / פלט	בחר בו בשביל
Hy3 · W8A16	לא	כן	$0.50 / $2.00	צינורות מובְנים של טקסט בלבד, תזמור כלים, אחזור בהקשר ארוך
MiMo-V2.5-Pro · W8A16	לא	כן	$0.50 / $2.00	עבודת טקסט בלבד שבה אתה רוצה את כוונון ה-Pro של שושלת MiMo
MiMo-V2.5 · W8A16	כן	כן	$0.50 / $2.00	כל דבר עם תמונות — מסמכים סרוקים, צילומי מסך, תצלומים

אם חלק כלשהו מהקלט שלך הוא תמונה, ההחלטה נעשתה בשבילך: Hy3 הוא טקסט בלבד — שלח PDF-ים סרוקים, צילומי מסך ותצלומים אל MiMo-V2.5. כשהקלט הוא טקסט באמת, הפרופיל של Hy3 — שימוש סוכני בכלים, זיכרון בהקשר ארוך ושיעור הזיות מדווח נמוך — מתאים ישירות לעבודת צינורות. מכיוון ששלושתם עולים אותו דבר, הרץ את הסכמה שלך מול שניים מהם על כמה מאות רשומות אמיתיות והשווה שיעורי פענוח; זה מכריע טוב יותר מכל טבלה, כולל זו.

09איפה Hy3 מצדיק את מקומו

• חילוץ שדות בנפח גבוה. חוזים, דיווחים רגולטוריים, דוחות אירועים, תמלילים, רשומות קליניות, פרוטוקולים משפטיים — כל מקום שבו אובייקט מוקלד לכל מסמך הוא התוצר והנפח הופך ניסיונות חוזרים ליקרים.
• סיווג וניתוב בקנה מידה. פלטי enum סגורים, שבהם כל ערכו של המודל הוא לעולם לא להמציא קטגוריה תשע-עשרה.
• קורפוסים של אבטחה ומודיעין איומים. כתבות על נוזקות, חשיפות פרצות ודגימות פישינג — החומר שמפיל מודלים מסוננים לסירוב, ושבו חור בצורת קטגוריה מסכל את כל המטרה.
• סוכנים קוראי כלים שאסור להם להיתקע. נאמנות ארגומנטים של 8 סיביות פירושה שה-JSON שמועבר לפונקציות שלך מתפרש; קריאת כלי מעוותת היא סוכן תקוע, לא תשובה קצת פחות טובה.
• ניתוח מסמכים ארוכים לתוך מבנה. דיווח שלם פנימה, אובייקט קומפקטי אחד החוצה.
• ניהול תוכן ומחקר מדיניות. תיוג חומר שמודל מסונן מסרב לקרוא הוא בעיה קבועה של אמון ובטיחות; מודל לא מסונן עם סכמה קפדנית פותר אותה ישירות.

ואיפה לא: כל דבר עם תמונות (השתמש ב-MiMo-V2.5), והנדסת תוכנה אוטונומית על פני קבצים רבים, שבה הטבלאות של Tencent עצמה ממקמות את Hy3 מאחורי GLM-5.2 ב-SWE-bench Verified והרבה מאחור ב-DeepSWE.

נתוני הבנצ'מרק מדווחים על ידי Tencent, כולל מספרי המתחרים; אימות עצמאי היה תלוי ועומד בזמן הכתיבה. נתוני העלות מחושבים מהתעריפים שפרסמנו, $0.50 / $2.00. אף מספר בעמוד הזה אינו בנצ'מרק שהריצה Shannon או הערכה.

10שאלות נפוצות

---

מקורות: כרטיסי המודל של Tencent Hunyuan · מאגר Hy3 · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · סיקור VentureBeat של השקת Hy3. הבנצ'מרקים של מודל היסוד מדווחים על ידי Tencent וזמניים עד לאימות עצמאי. Shannon AI מופעלת על ידי Shannon Lab LLC, ניו מקסיקו, ארה"ב.