अनसेंसर्ड Hy3 मॉडल API

"मुझे कौन-सा मॉडल इस्तेमाल करना चाहिए" वाली ज़्यादातर बहसें छत के बारे में होती हैं: कौन सबसे अच्छा कोड लिखता है, सबसे कठिन गणित हल करता है, सबसे लंबा एजेंट रन जीतता है। स्ट्रक्चर्ड पाइपलाइन ऐसे काम नहीं करतीं। रोज़ाना एक लाख दस्तावेज़ों से फ़ील्ड निकालने वाले काम को ऐसा मॉडल नहीं चाहिए जो एक बार शानदार हो — उसे ऐसा चाहिए जो हर बार एक ही आकार में सही हो, और जो कभी वहाँ अनुच्छेद न लौटाए जहाँ JSON ऑब्जेक्ट आना चाहिए। Hy3-W8A16 इसी गुण के लिए यहाँ है।

01Hy3 क्या है, और कहाँ से आता है

Hy3 Tencent की Hunyuan टीम का एक ओपन-वेट रीज़निंग और एजेंटिक मॉडल है, जो 6 जुलाई 2026 को पूरी तरह एक उदार लाइसेंस के तहत जारी हुआ, और जिसके वेट्स Hugging Face पर प्रकाशित हैं। यह Tencent के पहले के Hunyuan-Large Mixture-of-Experts काम का वंश आगे बढ़ाता है। बनावट में यह एक स्पार्स MoE है: कुल 295 अरब पैरामीटर, जिनमें से 192 एक्सपर्ट पर टॉप-8 राउटिंग के ज़रिए करीब 21 अरब प्रति टोकन सक्रिय होते हैं, ग्रुप्ड-क्वेरी अटेंशन वाले 80-लेयर ट्रांसफ़ॉर्मर पर, और साथ में स्पेकुलेटिव डिकोडिंग के लिए एक अलग 3.8B मल्टी-टोकन-प्रेडिक्शन लेयर। मूल कॉन्टेक्स्ट 256K है — ठीक वही 262,144 टोकन जो हम देते हैं, न किसी बड़ी चीज़ की कटाई और न किसी छोटी चीज़ का rope से खींचा गया विस्तार।

प्रति टोकन भुगतान करने वाले किसी भी व्यक्ति के लिए यही स्पार्सिटी अनुपात अहम नंबर है: Hy3 295B मॉडल का ज्ञान ढोता है जबकि प्रति फ़ॉरवर्ड पास मोटे तौर पर 21B जितना ही गणित करता है। इसी वजह से हम इसे और ज़्यादा कंप्रेस करने के बजाय 8 बिट पर परोसना वहन कर सकते हैं — इतने स्पार्स मॉडल का 8-बिट बिल्ड हमारे अपने GPU क्लस्टर पर समा भी जाता है और तेज़ भी चलता है।

Tencent इसे किन कामों में अच्छा बताता है

Tencent की प्रकाशित मूल्यांकन तालिकाएँ Hy3 की ताक़त कच्ची कोडिंग के बजाय सीधे एजेंटिक सर्च, टूल ऑर्केस्ट्रेशन और लंबे कॉन्टेक्स्ट से पुनर्प्राप्ति में रखती हैं। उनके रिपोर्ट किए आँकड़े:

कमज़ोर बार हम जान-बूझकर दिखाते हैं। Tencent की अपनी तुलना में Hy3 कोडिंग पर GLM-5.2 से पीछे है — SWE-bench Verified पर 78.0 बनाम 84.2, DeepSWE पर 28.0 बनाम 46.2। अगर आपका वर्कलोड स्वायत्त, कई फ़ाइलों वाली सॉफ़्टवेयर इंजीनियरिंग है, तो पहले मॉडल शोध सूची का बाकी हिस्सा पढ़िए। अगर वह टेक्स्ट पढ़ना और संरचना निकालना है, तो प्रोफ़ाइल लगभग आदर्श है।

पाइपलाइन काम के लिए सबसे अहम आँकड़ा भरोसेमंदी का है: Tencent बताता है कि Hy3 की हैलुसिनेशन दर 5.4% है, जो पिछली पीढ़ी के 12.5% से घटी है, और सामान्य-बोध की त्रुटियाँ 25.4% से घटकर 12.7% रह गई हैं। उनका घोषित ट्रेनिंग सिद्धांत — जब सबूत हो तब जवाब दो, न हो तो साफ़ कह दो — ठीक वही मिज़ाज है जो आप किसी एक्सट्रैक्शन मॉडल में चाहेंगे, वरना वह ऐसे फ़ील्ड के लिए भी कोई भरोसेमंद-सा मान गढ़ लेगा जिसका स्रोत में ज़िक्र तक नहीं था।

इस खंड के सभी आँकड़े Tencent द्वारा उनके अपने टेस्ट रन से रिपोर्ट किए गए हैं; लिखे जाने के समय तक स्वतंत्र तीसरे-पक्ष की पुष्टि बाकी थी। इन्हें दिशासूचक मानिए, तय नहीं।

02W8A16 का मतलब क्या है, और स्ट्रक्चर्ड आउटपुट के लिए यह क्यों मायने रखता है

गेटवे का हर मॉडल एक क्वांटाइज़ेशन सफ़िक्स ढोता है। यह सजावट नहीं है — यह बताता है कि परोसे जा रहे वेट्स लैब द्वारा जारी चेकपॉइंट से कितनी दूर बैठे हैं।

टियर	यह क्या करता है	फ़िडेलिटी
3BIT-REAP	3-बिट वेट्स और साथ में REAP, एक एक्सपर्ट-प्रूनिंग विधि जो क्वांटाइज़ करने से पहले कम राउट होने वाले MoE एक्सपर्ट हटा देती है	सबसे ज़्यादा कंप्रेस्ड
W4A16-AUTOROUND-REAP	AutoRound के ज़रिए 4-बिट वेट्स / 16-बिट एक्टिवेशन — सीखी हुई राउंडिंग, जो सीधे निकटतम पर राउंड करने के मुक़ाबले सटीकता वापस लाती है — और साथ में REAP प्रूनिंग	बीच का
W8A16	8-बिट वेट्स / 16-बिट एक्टिवेशन। कोई प्रूनिंग नहीं, कोई सीखी-हुई-राउंडिंग वाली मरम्मत नहीं — वेट्स बस दोगुनी प्रिसीज़न पर ढोए जाते हैं	सबसे ऊँची

क्वांटाइज़ेशन का बहाव असल में कहाँ चुभता है

REAP और AutoRound सीधी-सादी कंप्रेशन में खोई ज़्यादातर चीज़ वापस ले आते हैं — पर उस वाक्य में "ज़्यादातर" काफ़ी काम कर रहा है, और बचा हुआ हिस्सा एक-सा नहीं गिरता। कम-बिट क्वांटाइज़ेशन टेल को बिगाड़ती है: यानी कम-संभावना वाले, ऊँची-विशिष्टता वाले फ़ैसले। गद्य में यह लगभग अदृश्य है; दूसरा विशेषण भी एक अच्छा वाक्य ही बनाता है। स्ट्रक्चर्ड आउटपुट में यही पूरा खेल है, क्योंकि स्कीमा कम-संभावना वाले फ़ैसलों की एक लंबी शृंखला है और हर फ़ैसले का बिल्कुल सही होना ज़रूरी है:

• टोकन-स्तर की वाक्य-रचना। एक बंद होता ब्रेस, एक कॉमा, एक उद्धरण चिह्न। हर एक एक टोकन है, और एक ग़लत टोकन पूरे जवाब को अवैध कर देता है।
• Enum का अनुशासन। आपका स्कीमा कहता है कि "status" इनमें से एक है: "open" | "closed" | "pending"; बहका हुआ मॉडल "Open" या "pending review" लौटा देता है — अर्थ में करीब, और वैध किसी के रूप में नहीं।
• टाइप का अनुशासन। कोई number फ़ील्ड "1,240" बनकर लौटता है, कोई boolean "yes" बनकर। दोनों स्ट्रिंग के रूप में पार्स होते हैं और स्कीमा पर विफल हो जाते हैं।
• लॉन्ग-टेल शब्दशः मान। दुर्लभ व्यक्तिवाचक संज्ञाएँ, पार्ट नंबर, रासायनिक नाम, ग़ैर-लैटिन लिपियाँ, सटीक तारीख़ें — ठीक वही कम-संभावना वाला क्षेत्र जिसे कम-बिट वेट्स धुँधला कर देते हैं।

इससे 4-बिट या 3-बिट मॉडल बुरे नहीं हो जाते; बातचीत वाले काम के लिए फ़िडेलिटी का फ़र्क़ अक्सर कीमत के फ़र्क़ जितना नहीं होता। पर जब आउटपुट का उपभोक्ता कोई इंसान नहीं बल्कि एक वैलिडेटर है, तो टेल पर मिली शुद्धता सीधे पार्स दर में बदल जाती है — और पार्स दर रिट्राई बजट तथा p99 लेटेंसी में। W8A16 वही टियर है जहाँ आप यह कर देना बंद कर देते हैं।

03स्ट्रक्चर्ड आउटपुट: json_schema और response_format

Hy3 स्ट्रक्चर्ड-आउटपुट दायरे के दोनों हिस्से सपोर्ट करता है — इसे साफ़ कहना ज़रूरी है, क्योंकि यह पूरे कैटलॉग में सार्वभौमिक नहीं है:

मॉडल	response_format	json_schema
Hy3 · W8A16	हाँ	हाँ
MiMo-V2.5-Pro · W8A16	हाँ	हाँ
inkling · W4A16-AUTOROUND-REAP	हाँ	नहीं
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	नहीं	नहीं

इन दोनों तंत्रों के बीच का फ़र्क़ लोगों के अंदाज़े से ज़्यादा मायने रखता है। response_format: {"type": "json_object"} सिर्फ़ वैध JSON माँगता है, और कुछ नहीं — आकार मॉडल तय करता है, इसलिए दो कॉल {"name": ...} और {"full_name": ...} लौटा सकते हैं और दोनों सही हैं। json_schema आकार पहले ही दे देता है: नामित फ़ील्ड, टाइप, enum, ज़रूरी सूचियाँ, नेस्टिंग। यह वह अनुबंध है जिसके भरोसे आप कोड लिख सकते हैं।

OpenAI-कम्पैटिबल डायलेक्ट पर एक न्यूनतम कॉल:

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"]
      }
    }
  }
}

व्यावहारिक बातें

• हर फ़ील्ड को ज़रूरी बनाइए और null की छूट दीजिए। वैकल्पिक फ़ील्ड चुपचाप छूट जाने को न्योता देते हैं; ज़रूरी पर null-योग्य फ़ील्ड एक स्पष्ट "मौजूद नहीं" कहलवाता है, और वह ऐसी सूचना है जिस पर आप कार्रवाई कर सकते हैं।
• Enum मुक्त स्ट्रिंग से बेहतर हैं। जहाँ भी मानों का समुच्चय बंद कर सकते हैं, बंद कीजिए — किसी स्कीमा की वास्तविक पास दर पर यह सबसे ज़्यादा असर वाला बदलाव है।
• 16,384-टोकन आउटपुट सीमा के भीतर रहिए। बिना सीमा वाला ऐरे किसी ऑब्जेक्ट के बीच में ही कट जाएगा। ऐरे की लंबाई सीमित कीजिए, या इनपुट को टुकड़ों में बाँटिए।
• सिस्टम संदेश बनाए रखिए। स्कीमा आकार बाँधता है; अर्थ फिर भी प्रॉम्प्ट तय करता है — "critical" किसे माना जाए, दो तारीख़ें दिखने पर कौन-सी जीते, इकाइयाँ सामान्यीकृत करनी हैं या नहीं।
• फिर भी वैलिडेट कीजिए। स्कीमा समर्थन पास दर बढ़ाता है; यह वैलिडेटर और डेड-लेटर क्यू की जगह नहीं लेता।

04"अनसेंसर्ड" सिर्फ़ कंटेंट का नहीं, भरोसेमंदी का गुण क्यों है

गेटवे पर Hy3 के आगे कोई रिफ्यूज़ल लेयर नहीं और कोई आउटपुट फ़िल्टरिंग नहीं है। आम बात कंटेंट को लेकर होती है: आप सुरक्षा शोध, मालवेयर विश्लेषण, एक्सप्लॉइट रिपोर्ट, चिकित्सकीय और क़ानूनी कॉर्पस, वयस्क सामग्री, हानि-न्यूनीकरण दस्तावेज़ या शत्रुतापूर्ण उपयोगकर्ता के ट्रांसक्रिप्ट प्रोसेस कर सकते हैं, बिना इसके कि मॉडल आपकी ओर से यह तय कर ले कि वह ऐसा नहीं करना चाहेगा।

इसके मायने रखने की एक दूसरी, ज़्यादा यांत्रिक वजह भी है। इनकार एक स्कीमा उल्लंघन है। जो फ़िल्टर वाला मॉडल मना करता है, वह आपका ऑब्जेक्ट "unavailable" फ़्लैग के साथ नहीं लौटाता — वह गद्य लौटाता है। "मैं उस अनुरोध में मदद नहीं कर सकता।" वह स्ट्रिंग कोई incident ऑब्जेक्ट नहीं है; वह आपके वैलिडेटर पर विफल होती है और असली पार्स त्रुटियों के बगल में डेड-लेटर क्यू में जा गिरती है, जहाँ अब आपको नीतिगत इनकारों को असली गड़बड़ियों से अलग करना पड़ता है।

इससे भी बुरा, इनकार बेतरतीब ढंग से नहीं बँटते, वे कंटेंट के साथ सहसंबंधित होते हैं। अगर आपके कॉर्पस का 4% सुरक्षा घटना रिपोर्ट हैं और मॉडल उनमें से ज़्यादातर पर मना कर देता है, तो आपने थ्रूपुट का 4% बराबर-बराबर नहीं खोया — आपने एक पूरी श्रेणी खोई है, और उस डेटा पर बना डैशबोर्ड चुपचाप ठीक उसी चीज़ को कम करके दिखाता है जिसे उजागर करने के लिए वह बना था। श्रेणी के आकार वाले छेद एकसमान शोर से ज़्यादा महँगे पड़ते हैं, क्योंकि उन पर कोई अलार्म नहीं बजता। इनकार का रास्ता हटा दीजिए और जो बचता है — गड़बड़ बनावट, कटे हुए जवाब, अस्पष्ट टेक्स्ट — वह विषय से असंबद्ध है, और इसलिए मापने योग्य है।

05कॉन्टेक्स्ट, आउटपुट सीमा, और उनका बजट कैसे बनाएँ

गेटवे का हर मॉडल एक ही सीमाएँ साझा करता है:

कॉन्टेक्स्ट एक साझा बजट है: प्रॉम्प्ट और आउटपुट को मिलकर 262,144 के भीतर समाना है, इसलिए एक कॉल में व्यावहारिक इनपुट सीमा करीब 2,45,000 टोकन है, बहुत मोटे तौर पर 1,80,000 अंग्रेज़ी शब्द। स्ट्रक्चर्ड काम के लिए 16,384-टोकन की आउटपुट सीमा ज़्यादा कड़ी अड़चन है और यही लोगों को चौंकाती है — हर रिकॉर्ड पर एक ऑब्जेक्ट निकालने वाला स्कीमा विंडो भरने से बहुत पहले ही इससे टकरा जाता है। इसके ख़िलाफ़ दो तरीके काम करते हैं:

• चौड़ा इनपुट, संकरा आउटपुट। पूरा अनुबंध, फ़ाइलिंग या लॉग विंडो कॉन्टेक्स्ट में डालिए और बदले में एक सघन ऑब्जेक्ट माँगिए। इनपुट टोकन की लागत आउटपुट टोकन की एक-चौथाई है, इसलिए कीमत-ढाँचा बहुत पढ़ने और थोड़ा लिखने को ही पुरस्कृत करता है।
• बाइट गिनती पर नहीं, रिकॉर्ड की सीमाओं पर टुकड़े कीजिए। वहाँ बाँटिए जहाँ मॉडल जोड़ देख सके। वाक्य के बीच में कटा रिकॉर्ड साफ़ नाकामी के बजाय आत्मविश्वास से भरा ग़लत ऑब्जेक्ट पैदा करता है।

Hy3 की रिपोर्ट की गई लंबे-कॉन्टेक्स्ट पुनर्प्राप्ति क्षमता — AA-LCR पर 73.4, और MRCR लंबे-संवाद स्मरण पर 42.9% से 75.1% की छलांग — ठीक वही क्षमता है जिस पर पहला तरीका टिका है, और यह अच्छा लिखने से अलग हुनर है।

06न्यूनतम कीमत, और एक असली पाइपलाइन का गणित

Hy3 $0.50 प्रति दस लाख इनपुट टोकन और $2.00 प्रति दस लाख आउटपुट टोकन पर बैठता है — कैटलॉग का फ़्लोर, जो MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 और MiniMax-M3 के साथ साझा है। प्रतिनिधि लोड पर हिसाब लगाकर:

वर्कलोड	इनपुट / कॉल	आउटपुट / कॉल	लागत / कॉल	प्रति 1M कॉल
फ़ील्ड एक्सट्रैक्शन	1,200	300	$0.0012	$1,200
दस्तावेज़ वर्गीकरण	3,000	120	$0.0018	$1,800
लंबे दस्तावेज़ का स्कीमा में सारांश	40,000	900	$0.0218	$21,800
पूरी विंडो का विश्लेषण	240,000	2,000	$0.1240	$124,000

फ़ैसले बदलने वाला नंबर सुर्खियों वाली दर नहीं, बल्कि रिट्राई के बाद की प्रभावी दर है। अगर दो मॉडलों की कीमत एक है और एक 6% कॉल पर वैलिडेशन में विफल होता है जबकि दूसरा 1.5% पर, तो ज़्यादा बहाव वाला मॉडल करीब 4.5% ज़्यादा कॉल चलाता है — यह झेला जा सकता है। नुकसान टेल पर है: दोबारा की गई कॉल दोगुना समय लेती हैं, इसलिए ट्रैफ़िक के एक दिखाई देने वाले हिस्से के लिए p99 लेटेंसी करीब दोगुनी हो जाती है, और जो दो बार विफल होता है वह हाथ का काम बन जाता है। रोज़ाना दस लाख कॉल पर वह हज़ारों रिकॉर्ड हैं जिन्हें किसी को पढ़ना पड़ेगा।

इसीलिए न्यूनतम कीमत पर 8-बिट टियर का तर्क बनता है: यहाँ आप फ़िडेलिटी के लिए कोई प्रीमियम चुका ही नहीं रहे, इसलिए रिट्राई का गणित मुफ़्त का पैसा है। अगर कोई 3-बिट मॉडल सस्ता होता तो तौलने लायक एक असली सौदा होता — Hy3 की कीमत कैटलॉग की सबसे सस्ती चीज़ जितनी ही है।

07तीन API डायलेक्ट, एक मॉडल

Hy3 तीनों गेटवे डायलेक्ट पर पहुँच में है, हर एक पर स्ट्रीमिंग के साथ। वही मॉडल, वही वेट्स, वही सीमाएँ — जो भी आपके मौजूदा SDK से मेल खाए, वही चुनिए।

एंडपॉइंट	डायलेक्ट	कब इस्तेमाल करें
/v1/chat/completions	OpenAI	आपके पास OpenAI SDK, LangChain या LlamaIndex है। बेस URL यहाँ कीजिए, मॉडल आईडी बदलिए।
/v1/messages	Anthropic	आप Anthropic SDK पर हैं और बिना किसी अनुवाद परत के कंटेंट ब्लॉक चाहते हैं।
/v1/responses	Responses	आपको टाइप किए आउटपुट और सर्वर-साइड स्टेट वाला नया रिक्वेस्ट आकार चाहिए।

Hy3 टूल कॉलिंग और रीज़निंग भी सपोर्ट करता है, जिसमें reasoning_effort शामिल है। एक्सट्रैक्शन काम के लिए उपयोगी चाल आम तौर पर रीज़निंग घटाना है: साफ़ टेक्स्ट पर अच्छी तरह तय किए स्कीमा में, सोचने वाले टोकन ऐसे आउटपुट टोकन हैं जिनके पैसे आप देते हैं और ऐसी लेटेंसी हैं जिसका इंतज़ार आप करते हैं, बदले में मामूली फ़ायदा। एफ़र्ट का बजट इसके बजाय सचमुच अस्पष्ट इनपुट पर खर्च कीजिए।

पूरा रिक्वेस्ट और रिस्पॉन्स संदर्भ, पैरामीटर सूचियाँ, स्ट्रीमिंग के नियम और एक इंटरैक्टिव प्लेग्राउंड API दस्तावेज़ीकरण में हैं।

08तीन W8A16 मॉडलों में से चुनना

तीन मॉडल सबसे ऊँची फ़िडेलिटी वाले टियर पर बैठते हैं, तीनों न्यूनतम कीमत पर। चुनाव ज़्यादातर मोडैलिटी का है:

मॉडल	विज़न	json_schema	कीमत इन / आउट	किसके लिए चुनें
Hy3 · W8A16	नहीं	हाँ	$0.50 / $2.00	सिर्फ़-टेक्स्ट स्ट्रक्चर्ड पाइपलाइन, टूल ऑर्केस्ट्रेशन, लंबे कॉन्टेक्स्ट से पुनर्प्राप्ति
MiMo-V2.5-Pro · W8A16	नहीं	हाँ	$0.50 / $2.00	सिर्फ़-टेक्स्ट काम, जहाँ आपको MiMo शृंखला की Pro ट्यूनिंग चाहिए
MiMo-V2.5 · W8A16	हाँ	हाँ	$0.50 / $2.00	इमेज वाला कुछ भी — स्कैन किए दस्तावेज़, स्क्रीनशॉट, तस्वीरें

अगर आपके इनपुट का कोई भी हिस्सा इमेज है तो फ़ैसला आपके लिए हो चुका है: Hy3 सिर्फ़ टेक्स्ट वाला है — स्कैन की गई PDF, स्क्रीनशॉट और तस्वीरें MiMo-V2.5 को भेजिए। जहाँ इनपुट सचमुच टेक्स्ट है, वहाँ Hy3 की एजेंटिक टूल इस्तेमाल, लंबे कॉन्टेक्स्ट की याददाश्त और कम रिपोर्ट की गई हैलुसिनेशन वाली प्रोफ़ाइल पाइपलाइन काम पर सबसे सीधे बैठती है। चूँकि तीनों की कीमत एक है, अपना स्कीमा इनमें से दो पर कुछ सौ असली रिकॉर्ड पर चलाइए और पार्स दरें तुलना कीजिए; इससे मामला किसी भी तालिका से बेहतर तय होगा, इस तालिका से भी।

09Hy3 अपनी जगह कहाँ बनाता है

• बड़ी मात्रा में फ़ील्ड एक्सट्रैक्शन। अनुबंध, फ़ाइलिंग, घटना रिपोर्ट, ट्रांसक्रिप्ट, क्लिनिकल नोट्स, अदालती रिकॉर्ड — हर वह जगह जहाँ प्रति दस्तावेज़ एक टाइप किया ऑब्जेक्ट ही डिलिवरेबल है और मात्रा रिट्राई को महँगा बना देती है।
• पैमाने पर वर्गीकरण और राउटिंग। बंद enum आउटपुट, जहाँ मॉडल का पूरा मूल्य इसी में है कि वह उन्नीसवीं श्रेणी कभी न गढ़े।
• सुरक्षा और थ्रेट-इंटेल कॉर्पस। मालवेयर रिपोर्ट, एक्सप्लॉइट खुलासे और फ़िशिंग नमूने — यानी वह सामग्री जो फ़िल्टर वाले मॉडलों को इनकार पर उतार देती है, और जहाँ श्रेणी के आकार वाला छेद पूरा मक़सद ही मार देता है।
• वे टूल-कॉलिंग एजेंट जिन्हें अटकना नहीं चाहिए। 8-बिट आर्ग्युमेंट फ़िडेलिटी का मतलब है कि आपके फ़ंक्शन को सौंपा गया JSON पार्स होता है; बिगड़ा हुआ टूल कॉल थोड़ा ख़राब जवाब नहीं, अटका हुआ एजेंट होता है।
• लंबे दस्तावेज़ का संरचना में विश्लेषण। पूरी फ़ाइलिंग अंदर, एक सघन ऑब्जेक्ट बाहर।
• कंटेंट मॉडरेशन और नीति शोध। जिस सामग्री को फ़िल्टर वाला मॉडल पढ़ने से मना कर देता है उसे लेबल करना ट्रस्ट-एंड-सेफ़्टी की एक पुरानी समस्या है; सख़्त स्कीमा वाला बिना फ़िल्टर मॉडल उसे सीधे हल करता है।

और कहाँ नहीं: इमेज वाला कुछ भी (MiMo-V2.5 इस्तेमाल कीजिए), और स्वायत्त, कई फ़ाइलों वाली सॉफ़्टवेयर इंजीनियरिंग, जहाँ Tencent की अपनी तालिकाएँ Hy3 को SWE-bench Verified पर GLM-5.2 से पीछे और DeepSWE पर काफ़ी पीछे रखती हैं।

बेंचमार्क आँकड़े Tencent द्वारा रिपोर्ट किए गए हैं, प्रतिस्पर्धियों के नंबर भी; लिखे जाने के समय स्वतंत्र पुष्टि बाकी थी। लागत के आँकड़े हमारी प्रकाशित $0.50 / $2.00 दरों से निकाले गए हैं। इस पन्ने का कोई भी नंबर Shannon द्वारा चलाया गया बेंचमार्क या अनुमान नहीं है।

10अक्सर पूछे जाने वाले सवाल

---

स्रोत: Tencent Hunyuan model cards · Hy3 repository · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · VentureBeat coverage of the Hy3 release। फ़ाउंडेशन बेंचमार्क Tencent द्वारा रिपोर्ट किए गए हैं और स्वतंत्र पुष्टि होने तक अस्थायी हैं। Shannon AI का संचालन Shannon Lab LLC, न्यू मेक्सिको, USA करता है।