Cenzúrázatlan Hy3 modell-API

A „melyik modellt használjam” viták többsége a plafonról szól: melyik írja a legjobb kódot, oldja meg a legnehezebb matematikát, nyeri a leghosszabb ügynökfutást. A strukturált folyamatok nem így működnek. Egy feladat, amely naponta százezer dokumentumból nyer ki mezőket, nem olyan modellt igényel, amely egyszer zseniális — olyat igényel, amely minden alkalommal ugyanabban a formában helyes, és soha nem ad vissza bekezdést ott, ahová JSON objektum való. Pontosan ezért a tulajdonságért van itt a Hy3-W8A16.

01Mi a Hy3, és honnan jön

A Hy3 nyílt súlyú következtető és ügynöki modell a Tencent Hunyuan csapatától, amelyet 2026. július 6-án adtak ki teljes egészében megengedő licenc alatt, a súlyokat pedig a Hugging Face-en tették közzé. Folytatja a Tencent korábbi, Hunyuan-Large néven futó szakértőkeverékes munkájának vonalát. Architektúráját tekintve ritka MoE: összesen 295 milliárd paraméter, amelyből nagyjából 21 milliárd aktiválódik tokenenként top-8 útvonalválasztással 192 szakértő között, egy 80 rétegű, csoportosított lekérdezésű figyelmet használó transzformeren, plusz egy különálló, 3,8 milliárd paraméteres többtokenes előrejelző réteg a spekulatív dekódoláshoz. A natív kontextus 256K — pontosan az a 262 144 token, amelyet közzéteszünk, nem valami nagyobb megcsonkítása és nem valami kisebb rope-nyújtása.

Ez a ritkasági arány a fontos szám mindenkinek, aki tokenenként fizet: a Hy3 egy 295 milliárd paraméteres modell tudását hordozza, miközben előrehaladásonként nagyjából egy 21 milliárdos aritmetikáját végzi el. Ezért is engedhetjük meg magunknak, hogy 8 biten szolgáljuk ki, ahelyett hogy erősebben tömörítenénk — egy ennyire ritka modell 8 bites buildje még elfér, és még mindig gyorsan fut a saját GPU-fürtünkön.

Miben jó a Tencent szerint

A Tencent közzétett kiértékelési táblái a Hy3 erősségeit egyértelműen az ügynöki keresésbe, az eszközvezénylésbe és a hosszú kontextusú visszakeresésbe helyezik, nem a nyers kódolásba. Az általuk közölt számok:

A gyenge sávokat szándékosan mutatjuk meg. A Hy3 elmarad a GLM-5.2 mögött kódolásban a Tencent saját összehasonlításában — 78.0 a 84.2 ellen az SWE-bench Verified feladatsoron, 28.0 a 46.2 ellen a DeepSWE-n. Ha a munkaterhelésed autonóm, több fájlt átfogó szoftverfejlesztés, előbb olvasd el a modellkutatási index többi részét. Ha szövegolvasás és struktúra előállítása, a profil közel ideális.

A folyamatmunkánál a legfontosabb szám a megbízhatóságról szól: a Tencent a Hy3 hallucinációs arányát 5,4%-ra teszi, szemben az előző generáció 12,5%-ával, miközben a józan ésszel kapcsolatos hibák 25,4%-ról 12,7%-ra estek. A megfogalmazott tanítási elvük — válaszolj, ha van bizonyíték, és mondd ki nyíltan, ha nincs — pontosan az a hozzáállás, amelyet egy kinyerő modellben szeretnél, amely különben hihető értéket találna ki egy olyan mezőhöz, amelyet a forrás soha nem említett.

Az ebben a szakaszban szereplő minden szám a Tencent saját tesztfutásaiból származó közlés; a független, harmadik féltől származó ellenőrzés az írás idején még függőben volt. Kezeld őket irányadóként, ne lezártként.

02Mit jelent a W8A16, és miért számít a strukturált kimenetnél

Az átjárón minden modell kvantálási utótagot visel. Ez nem dísz — azt mondja meg, milyen messze vannak a kiszolgált súlyok attól az ellenőrzőponttól, amelyet a labor kiadott.

Szint	Mit csinál	Hűség
3BIT-REAP	3 bites súlyok plusz REAP, egy szakértőnyeső módszer, amely a kvantálás előtt eldobja a ritkán útvonalazott MoE-szakértőket	A legjobban tömörített
W4A16-AUTOROUND-REAP	4 bites súlyok / 16 bites aktivációk AutoRounddal — tanult kerekítés, amely visszanyeri a pontosságot a naiv legközelebbire kerekítéshez képest — plusz REAP nyesés	Középút
W8A16	8 bites súlyok / 16 bites aktivációk. Nincs nyesés, nincs tanult kerekítéses javítás — a súlyokat egyszerűen kétszeres pontossággal visszük	A legnagyobb

Hol fáj valójában a kvantálási elcsúszás

A REAP és az AutoRound visszanyeri annak nagy részét, amit a naiv tömörítés elveszít — de a „nagy része” sokat dolgozik ebben a mondatban, és a maradék nem egyenletesen csapódik le. Az alacsony bites kvantálás a farkakat rontja el: az alacsony valószínűségű, nagy specifikusságú döntéseket. Prózában ez szinte láthatatlan; egy másik jelző még mindig jó mondat. Strukturált kimenetnél ez az egész játék, mert egy séma alacsony valószínűségű döntések hosszú láncolata, és mindegyiknek pontosan helyesnek kell lennie:

• Tokenszintű szintaxis. Egy záró kapcsos zárójel, egy vessző, egy idézőjel. Mindegyik egy token, és egyetlen rossz token érvényteleníti az egész választ.
• Enum-fegyelem. A sémád azt mondja, hogy a "status" a "open" | "closed" | "pending" egyike; egy elcsúszott modell "Open" vagy "pending review" értéket ad vissza — szemantikailag közeli, és egyikként sem érvényes.
• Típusfegyelem. Egy number mező "1,240" alakban jön vissza, egy boolean pedig "yes" alakban. Mindkettő karakterláncként elemződik, és megbukik a sémán.
• Hosszú farkú literálok. Ritka tulajdonnevek, cikkszámok, vegyi nevek, nem latin írásrendszerek, pontos dátumok — pontosan az az alacsony valószínűségű tartomány, amelyet az alacsony bites súlyok elmosnak.

Mindebből semmi nem teszi rosszá a 4 bites vagy 3 bites modelleket; társalgási munkánál a hűségkülönbség gyakran nem éri meg az árkülönbséget. De ha a kimenet fogyasztója egy validátor, nem pedig ember, akkor a farkaknál mért pontosság közvetlenül átfordul elemzési sikerarányba — az pedig újrapróbálkozási keretbe és p99 késleltetésbe. A W8A16 az a szint, ahol abbahagyod ennek az adónak a fizetését.

03Strukturált kimenet: json_schema és response_format

A Hy3 a strukturált kimeneti felület mindkét felét támogatja — érdemes ezt kimondani, mert a katalógusban ez nem általános:

Modell	response_format	json_schema
Hy3 · W8A16	Igen	Igen
MiMo-V2.5-Pro · W8A16	Igen	Igen
inkling · W4A16-AUTOROUND-REAP	Igen	Nem
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Nem	Nem

A két mechanizmus közötti különbség fontosabb, mint azt sokan feltételezik. A response_format: {"type": "json_object"} érvényes JSON-t kér, és semmi többet — a formát a modell választja meg, így két hívás visszaadhat {"name": ...} és {"full_name": ...} alakot is, és mindkettő helyes. A json_schema előre megadja a formát: elnevezett mezők, típusok, enumok, kötelező listák, egymásba ágyazás. Ez olyan szerződés, amelyhez kódot lehet írni.

Egy minimális hívás az OpenAI-kompatibilis nyelvjárásban:

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"]
      }
    }
  }
}

Gyakorlati megjegyzések

• Tegyél minden mezőt kötelezővé, és engedd meg a null értéket. Az opcionális mezők csendes kimaradásokra csábítanak; egy kötelező, de nullázható mező kikényszeríti a kifejezett „nincs jelen” választ, ami olyan információ, amellyel kezdhetsz valamit.
• Az enumok jobbak a szabad karakterláncoknál. Ahol le tudod zárni az értékkészletet, zárd le — ez a séma valós átmeneti arányára gyakorolt legnagyobb hatású változtatás.
• Maradj a 16 384 tokenes kimeneti korlát alatt. Egy korlátlan tömb objektum közepén csonkul. Korlátozd a tömbhosszakat, vagy darabold a bemenetet.
• Tartsd meg a rendszerüzenetet. A séma a formát köti meg; a szemantikát továbbra is a prompt szabályozza — mi számít „kritikusnak”, melyik dátum nyer, ha kettő is szerepel, kell-e mértékegységet normalizálni.
• Azért validálj. A sématámogatás növeli az átmeneti arányt; nem helyettesíti a validátort és a holtlevél-sort.

04Miért megbízhatósági, nem csupán tartalmi tulajdonság a „cenzúrázatlan”

Az átjárón futó Hy3 előtt nincs elutasítási réteg, és nincs kimeneti szűrés. A szokásos keretezés a tartalomról szól: feldolgozhatsz biztonsági kutatást, kártevőelemzést, sérülékenységi leírásokat, orvosi és jogi korpuszokat, felnőtt tartalmat, ártalomcsökkentési dokumentációt vagy ellenséges felhasználói átiratokat anélkül, hogy a modell helyetted döntené el, hogy inkább nem.

Van egy második, mechanikusabb ok is, amiért ez számít. Az elutasítás sémasértés. Egy szűrt modell, amely elzárkózik, nem az objektumodat adja vissza "unavailable" jelzővel — prózát ad vissza. „Ebben a kérésben nem tudok segíteni.” Ez a karakterlánc nem incident objektum; megbukik a validátorodon, és a holtlevél-sorban köt ki a valódi elemzési hibák mellett, ahol most szét kell választanod a szabályzati elutasításokat a tényleges hibás formátumoktól.

Ráadásul az elutasítások a tartalommal korrelálnak, nem véletlenszerűen oszlanak el. Ha a korpuszod 4%-a biztonsági incidensjelentés, és a modell ezek többségét elutasítja, akkor nem egyenletesen vesztettél 4% átbocsátást — egy kategóriát vesztettél el, és az ezekre az adatokra épült irányítópult csendben alulméri pontosan azt, aminek a megmutatásáért létezik. A kategória alakú lyukak többe kerülnek, mint az egyenletes zaj, mert semmi sem riaszt rájuk. Vedd ki az elutasítási utat, és ami marad — hibás formátumok, csonkolások, kétértelmű szöveg — nem korrelál a témával, tehát mérhető.

05Kontextus, kimeneti korlát és a keretezésük

Az átjárón minden modell ugyanazokon a korlátokon osztozik:

A kontextus közös keret: a promptnak és a kimenetnek együtt kell beleférnie a 262 144-be, így a gyakorlati bemeneti korlát egyetlen hívásban körülbelül 245 000 token, nagyon durván 180 000 angol szó. Strukturált munkánál a 16 384 tokenes kimeneti korlát a keményebb határ, és ez az, ami meglepi az embereket — egy séma, amely rekordonként egy objektumot állít elő, jóval azelőtt eléri, hogy az ablak megtelne. Két minta dolgozik ez ellen:

• Széles bemenet, keskeny kimenet. Told be a kontextusba az egész szerződést, beadványt vagy naplóablakot, és kérj egyetlen tömör objektumot. A bemeneti tokenek a kimenetiek negyedébe kerülnek, tehát az árazás azt jutalmazza, ha sokat olvasol és keveset írsz.
• Rekordhatárok mentén darabolj, ne bájtszám szerint. Ott vágj, ahol a modell látja a varratot. Egy mondat közepén elvágott rekord magabiztosan hibás objektumot ad, nem pedig nyilvánvaló hibát.

A Hy3 közölt hosszú kontextusú visszakeresési erőssége — 73.4 az AA-LCR-en, és ugrás 42,9%-ról 75,1%-ra az MRCR hosszú párbeszédes felidézésén — pontosan az a képesség, amelyre az első minta épül, és más készség, mint a jó írás.

06Az árpadló és egy valós folyamat számtana

A Hy3 ára 0,50 $ millió bemeneti tokenenként és 2,00 $ millió kimeneti tokenenként — ez a katalógus padlója, amelyen a MiMo-V2.5, a MiMo-V2.5-Pro, a DeepSeek-V4-Flash-0731 és a MiniMax-M3 osztozik. Reprezentatív terhelésekre kiszámolva:

Munkateher	Bemenet / hívás	Kimenet / hívás	Költség / hívás	1M hívásonként
Mezőkinyerés	1,200	300	$0.0012	$1,200
Dokumentumosztályozás	3,000	120	$0.0018	$1,800
Hosszú dokumentum összefoglalása sémába	40,000	900	$0.0218	$21,800
Teljes ablakos elemzés	240,000	2,000	$0.1240	$124,000

Az a szám, amely döntéseket változtat meg, nem a címlapon szereplő díj, hanem az újrapróbálkozások utáni tényleges díj. Ha két modell ugyanannyiba kerül, és az egyik a hívások 6%-ánál bukik meg a validáláson, a másik pedig 1,5%-ánál, akkor az elcsúszottabb modell nagyjából 4,5%-kal több hívást futtat — ez túlélhető. A kár a farokban van: az újrapróbált hívások kétszer annyi ideig tartanak, tehát a p99 késleltetés a forgalom látható szeletére nagyjából megduplázódik, és ami kétszer is elbukik, abból kézi munka lesz. Napi egymillió hívásnál ez több ezer rekord, amelyet valakinek el kell olvasnia.

Innen az érv a 8 bites szint mellett az árpadlón: itt nem fizetsz felárat a hűségért, tehát az újrapróbálkozási számtan ingyen pénz. Ha egy 3 bites modell olcsóbb lenne, volna valódi mérlegelnivaló — a Hy3 pont annyiba kerül, mint a katalógus legolcsóbb darabja.

07Három API-nyelvjárás, egy modell

A Hy3 mindhárom átjáró-nyelvjáráson elérhető, mindegyiken streameléssel. Ugyanaz a modell, ugyanazok a súlyok, ugyanazok a korlátok — válaszd azt, amelyik illik a már meglévő SDK-dhoz.

Végpont	Nyelvjárás	Akkor használd, ha
/v1/chat/completions	OpenAI	OpenAI SDK-d, LangChainod vagy LlamaIndexed van. Irányítsd ide az alap-URL-t, és cseréld le a modellazonosítót.
/v1/messages	Anthropic	Az Anthropic SDK-t használod, és fordítóréteg nélkül szeretnél tartalomblokkokat.
/v1/responses	Responses	Az újabb kérésformát szeretnéd tipizált kimenettel és szerveroldali állapottal.

A Hy3 támogatja az eszközhívást és a következtetést is, beleértve a reasoning_effort beállítást. Kinyerő munkánál a hasznos lépés általában a következtetés visszavétele: jól meghatározott sémán, tiszta szövegen a gondolkodási tokenek olyan kimeneti tokenek, amelyekért fizetsz, és olyan késleltetés, amelyet kivársz, marginális nyereségért. Az erőfeszítési keretet inkább valóban kétértelmű bemenetre költsd.

A teljes kérés- és válaszreferencia, a paraméterlisták, a streamelési szemantika és egy interaktív játszótér az API-dokumentációban található.

08Választás a három W8A16 modell közül

Három modell ül a legnagyobb hűségű szinten, mindegyik az árpadlón. A választás jórészt modalitás kérdése:

Modell	Képfeldolgozás	json_schema	Ár be / ki	Ehhez válaszd
Hy3 · W8A16	Nem	Igen	$0.50 / $2.00	Csak szöveges strukturált folyamatok, eszközvezénylés, hosszú kontextusú visszakeresés
MiMo-V2.5-Pro · W8A16	Nem	Igen	$0.50 / $2.00	Csak szöveges munka, ahol a MiMo vonal Pro hangolását szeretnéd
MiMo-V2.5 · W8A16	Igen	Igen	$0.50 / $2.00	Bármi képekkel — beolvasott dokumentumok, képernyőképek, fényképek

Ha a bemeneted bármelyik része kép, a döntés meg van hozva helyetted: a Hy3 csak szöveges — a beolvasott PDF-eket, képernyőképeket és fényképeket küldd a MiMo-V2.5 modellhez. Ahol a bemenet valóban szöveg, ott a Hy3 profilja — ügynöki eszközhasználat, hosszú kontextusú felidézés és alacsony közölt hallucinációs arány — illeszkedik a legközvetlenebbül a folyamatmunkára. Mivel mindhárom ugyanannyiba kerül, futtasd a sémádat kettőn néhány száz valós rekordon, és hasonlítsd össze az elemzési arányokat; ez jobban eldönti, mint bármelyik táblázat, ezt is beleértve.

09Hol érdemli ki a helyét a Hy3

• Nagy volumenű mezőkinyerés. Szerződések, beadványok, incidensjelentések, átiratok, klinikai feljegyzések, bírósági iratok — bárhol, ahol dokumentumonként egy tipizált objektum a szállítandó, és a volumen drágává teszi az újrapróbálkozásokat.
• Osztályozás és útvonalválasztás léptékben. Zárt enum kimenetek, ahol a modell teljes értéke az, hogy soha nem talál ki egy tizenkilencedik kategóriát.
• Biztonsági és fenyegetésfelderítési korpuszok. Kártevőelemzések, sérülékenységi közzétételek és adathalász minták — az az anyag, amelytől a szűrt modellek elutasításba botlanak, és ahol a kategória alakú lyuk meghiúsítja az egész célt.
• Eszközhívó ügynökök, amelyek nem akadhatnak el. A 8 bites argumentumhűség azt jelenti, hogy a függvényeidnek átadott JSON elemezhető; egy elrontott eszközhívás elakadt ügynök, nem egy kicsit rosszabb válasz.
• Hosszú dokumentumok elemzése struktúrába. Teljes beadvány be, egyetlen tömör objektum ki.
• Tartalommoderálás és szabályzatkutatás. Olyan anyag címkézése, amelyet egy szűrt modell nem hajlandó elolvasni, állandó bizalmi és biztonsági probléma; egy szűretlen modell szigorú sémával közvetlenül megoldja.

És hol nem: bármi, amiben kép van (használd a MiMo-V2.5 modellt), valamint autonóm, több fájlt átfogó szoftverfejlesztés, ahol a Tencent saját táblái a Hy3-at a GLM-5.2 mögé teszik az SWE-bench Verified feladatsoron, és jóval mögé a DeepSWE-n.

A benchmarkszámokat a Tencent közli, a versenytársak számait is beleértve; a független ellenőrzés az írás idején függőben volt. A költségszámok a közzétett 0,50 $ / 2,00 $ díjainkból számoltak. Ezen az oldalon egyetlen szám sem Shannon által futtatott benchmark vagy becslés.

10Gyakran ismételt kérdések

---

Források: Tencent Hunyuan modellkártyák · Hy3 tárház · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · A VentureBeat beszámolója a Hy3 kiadásáról. Az alapmodell benchmarkjait a Tencent közli, és ideiglenesek a független ellenőrzésig. A Shannon AI-t a Shannon Lab LLC üzemelteti, Új-Mexikó, USA.