უცენზურო Hy3 მოდელის API

„რომელი მოდელი უნდა გამოვიყენოო" კამათების უმეტესობა ჭერზეა: რომელი წერს საუკეთესო კოდს, წყვეტს ყველაზე რთულ მათემატიკას, იმარჯვებს ყველაზე გრძელ აგენტურ გაშვებაში. სტრუქტურირებული კონვეიერები ასე არ მუშაობს. სამუშაოს, რომელიც დღეში ასი ათასი დოკუმენტიდან ველებს ამოიღებს, არ სჭირდება მოდელი, რომელიც ერთხელ ბრწყინვალეა — მას სჭირდება ისეთი, რომელიც ყოველთვის იმავე ფორმით სწორია, და რომელიც არასოდეს აბრუნებს აბზაცს იქ, სადაც JSON ობიექტი ეკუთვნის. სწორედ ეს თვისებაა, რისთვისაც Hy3-W8A16 არსებობს.

01რა არის Hy3, და საიდან მოდის ის

Hy3 ღია წონების მსჯელობისა და აგენტური მოდელია Tencent-ის Hunyuan გუნდისგან, სრულად გამოშვებული 2026 წლის 6 ივლისს ლიბერალური ლიცენზიით, წონებით, გამოქვეყნებული Hugging Face-ზე. ის აგრძელებს Tencent-ის ადრინდელი Hunyuan-Large ექსპერტთა ნაზავის სამუშაოს წარმომავლობას. არქიტექტურულად ეს მეჩხერი MoE-ია: 295 მილიარდი ჯამური პარამეტრი, საიდანაც დაახლოებით 21 მილიარდი აქტივირდება ტოკენზე top-8 მარშრუტიზაციით 192 ექსპერტზე, 80-ფენიან ტრანსფორმერზე დაჯგუფებული-მოთხოვნის ყურადღებით, პლუს ცალკე 3.8B მრავალტოკენიანი-პროგნოზირების ფენა სპეკულაციური დეკოდირებისთვის. მშობლიური კონტექსტია 256K — ზუსტად ის 262,144 ტოკენი, რასაც ჩვენ ვამჟღავნებთ, და არა რაღაც უფრო დიდის შეკვეცა ან რაღაც უფრო პატარას rope-გაწელილი გაფართოება.

ეს სიმეჩხერის თანაფარდობა მნიშვნელოვანი რიცხვია ყველასთვის, ვინც ტოკენზე იხდის: Hy3 295B მოდელის ცოდნას ატარებს, ერთი წინგადაცემისას კი დაახლოებით 21B მოდელის არითმეტიკას აკეთებს. ეს ასევე იმის მიზეზია, რატომ შეგვიძლია მისი 8 ბიტზე მომსახურება უფრო აგრესიული შეკუმშვის ნაცვლად — ასეთი მეჩხერი მოდელის 8-ბიტიანი ბილდი კვლავ ეტევა და კვლავ სწრაფად მუშაობს ჩვენსავე GPU კლასტერზე.

რაში აცხადებს Tencent, რომ ის კარგია

Tencent-ის გამოქვეყნებული შეფასების ცხრილები Hy3-ის ძლიერ მხარეებს პირდაპირ აგენტურ ძებნაში, ინსტრუმენტების ორკესტრირებასა და გრძელკონტექსტიან ამოღებაში აყენებს და არა სუფთა კოდირებაში. მათი მოხსენებული ციფრები:

სუსტ ზოლებს განზრახ ვაჩვენებთ. Hy3 ჩამორჩება GLM-5.2-ს კოდირებაზე Tencent-ის საკუთარ შედარებაში — 78.0 84.2-ის წინააღმდეგ SWE-bench Verified-ზე, 28.0 46.2-ის წინააღმდეგ DeepSWE-ზე. თუ თქვენი დატვირთვა ავტონომიური მრავალფაილიანი პროგრამული ინჟინერიაა, ჯერ წაიკითხეთ მოდელების კვლევის ინდექსის დანარჩენი ნაწილი. თუ ეს ტექსტის კითხვა და სტრუქტურის გამოცემაა, პროფილი იდეალურთან ახლოსაა.

ციფრი, რომელსაც კონვეიერის სამუშაოსთვის ყველაზე დიდი მნიშვნელობა აქვს, საიმედოობის ციფრია: Tencent აცხადებს Hy3-ის ჰალუცინაციის მაჩვენებელს 5.4%-ზე, დაწეულს წინა თაობის 12.5%-იდან, საღი აზრის შეცდომებით, დაცემულით 25.4%-იდან 12.7%-მდე. მათი გამოცხადებული წვრთნის პრინციპი — უპასუხე, როცა მტკიცებულებაა, პირდაპირ თქვი, როცა არ არის — ზუსტად ის დამოკიდებულებაა, რომელიც გსურთ ამოღების მოდელში, რომელიც წინააღმდეგ შემთხვევაში აღმოაჩენდა დამაჯერებელ მნიშვნელობას იმ ველისთვის, რომელსაც წყარო არასოდეს ახსენებს.

ამ ნაწილში ყველა ციფრი Tencent-ის მიერაა მოხსენებული საკუთარი ტესტის გაშვებებიდან; დამოუკიდებელი მესამე მხარის დამოწმება წერის მომენტისთვის ჯერ კიდევ მიმდინარეობდა. მოეპყარით მათ როგორც მიმართულების მაჩვენებელს და არა დადგენილ ფაქტს.

02რას ნიშნავს W8A16, და რატომ აქვს მას მნიშვნელობა სტრუქტურირებული გამოსავლისთვის

გეითვეიზე ყოველ მოდელს კვანტიზაციის სუფიქსი აქვს. ეს არაა დეკორაცია — ის გეუბნებათ, რამდენად შორს დგას მოწოდებული წონები იმ საკონტროლო წერტილისგან, რომელიც ლაბორატორიამ გამოუშვა.

დონე	რას აკეთებს	ერთგულება
3BIT-REAP	3-ბიტიანი წონები პლუს REAP, ექსპერტების გასხვლის მეთოდი, რომელიც კვანტიზაციამდე იშლის იშვიათად მარშრუტიზებულ MoE ექსპერტებს	ყველაზე შეკუმშული
W4A16-AUTOROUND-REAP	4-ბიტიანი წონები / 16-ბიტიანი აქტივაციები AutoRound-ის საშუალებით — ნასწავლი დამრგვალება, რომელიც უახლოესზე გულუბრყვილო დამრგვალებაზე მეტ სიზუსტეს აღადგენს — პლუს REAP გასხვლა	შუალედური
W8A16	8-ბიტიანი წონები / 16-ბიტიანი აქტივაციები. გასხვლის გარეშე, ნასწავლი-დამრგვალების შეკეთების გარეშე — წონები უბრალოდ ორმაგი სიზუსტით არის გატანილი	ყველაზე მაღალი

სად აზიანებს კვანტიზაციის გადახრა სინამდვილეში

REAP და AutoRound აღადგენენ იმის უმეტესობას, რასაც გულუბრყვილო შეკუმშვა კარგავს — მაგრამ სიტყვა „უმეტესობა" ამ წინადადებაში საქმეს აკეთებს, და ნარჩენი თანაბრად არ ეცემა. დაბალბიტიანი კვანტიზაცია კუდებს აუარესებს: დაბალალბათობიან, მაღალსპეციფიკურ გადაწყვეტილებებს. პროზაში ეს თითქმის უხილავია; სხვა ზედსართავი მაინც კარგი წინადადებაა. სტრუქტურირებულ გამოსავალში ეს მთელი თამაშია, რადგან სქემა დაბალალბათობიანი გადაწყვეტილებების გრძელი ჯაჭვია, რომელთაგან თითოეული ზუსტად სწორი უნდა იყოს:

• ტოკენის დონის სინტაქსი. დამხურავი ფრჩხილი, მძიმე, ბრჭყალის სიმბოლო. თითოეული ერთი ტოკენია, და ერთი არასწორი ტოკენი მთელ პასუხს ბათილად ხდის.
• Enum დისციპლინა. თქვენი სქემა ამბობს, რომ "status" არის "open" | "closed" | "pending"-დან ერთ-ერთი; გადახრილი მოდელი აბრუნებს "Open"-ს ან "pending review"-ს — სემანტიკურად ახლოს, და ვალიდური არცერთის სახით.
• ტიპის დისციპლინა. number ველი უბრუნდება როგორც "1,240", boolean — როგორც "yes". ორივე სტრიქონად პარსდება და სქემას ვერ აკმაყოფილებს.
• გრძელკუდიანი ლიტერალები. იშვიათი საკუთარი სახელები, ნაწილის ნომრები, ქიმიური სახელები, არალათინური დამწერლობები, ზუსტი თარიღები — ზუსტად ის დაბალალბათობიანი რეგიონი, რომელსაც დაბალბიტიანი წონები ბუნდოვნად ხდის.

ამათგან არცერთი 4-ბიტიან ან 3-ბიტიან მოდელებს ცუდს ხდის; საუბრისებრი სამუშაოსთვის ერთგულების სხვაობა ხშირად ფასის სხვაობის ღირებული არაა. მაგრამ როცა გამოსავლის მომხმარებელი ვალიდატორია და არა ადამიანი, კუდებზე სიზუსტე პირდაპირ პარსინგის მაჩვენებლად გარდაიქმნება — და პარსინგის მაჩვენებელი ხელახლა ცდის ბიუჯეტად და p99 დაყოვნებად. W8A16 არის დონე, სადაც ამ გადასახადის გადახდას წყვეტთ.

03სტრუქტურირებული გამოსავალი: json_schema და response_format

Hy3-ს მხარდაჭერილი აქვს სტრუქტურირებული გამოსავლის ორივე ნახევარი — ღირს პირდაპირ თქმა, რადგან ეს კატალოგში საყოველთაო არაა:

მოდელი	response_format	json_schema
Hy3 · W8A16	დიახ	დიახ
MiMo-V2.5-Pro · W8A16	დიახ	დიახ
inkling · W4A16-AUTOROUND-REAP	დიახ	არა
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	არა	არა

ორ მექანიზმს შორის სხვაობას უფრო დიდი მნიშვნელობა აქვს, ვიდრე ადამიანები ვარაუდობენ. response_format: {"type": "json_object"} ითხოვს ვალიდურ JSON-ს და არაფერს მეტს — მოდელი ირჩევს ფორმას, ასე რომ ორმა გამოძახებამ შეიძლება დააბრუნოს {"name": ...} და {"full_name": ...}, და ორივე სწორია. json_schema წინასწარ იძლევა ფორმას: სახელდებულ ველებს, ტიპებს, enum-ებს, სავალდებულო სიებს, ჩადგმას. ეს ხელშეკრულებაა, რომლის გარშემოც კოდის დაწერა შეგიძლიათ.

მინიმალური გამოძახება OpenAI-თან თავსებად დიალექტზე:

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"]
      }
    }
  }
}

პრაქტიკული შენიშვნები

• გახადეთ ყველა ველი სავალდებულო და დაუშვით null. არასავალდებულო ველები ჩუმ გამოტოვებებს იწვევენ; სავალდებულო, null-ის დაშვებადი ველი გიბიძგებთ ცალსახა „არ არსებობს"-კენ, რაც ინფორმაციაა, რომლის მიხედვითაც შეგიძლიათ იმოქმედოთ.
• Enum-ები სჯობს თავისუფალ სტრიქონებს. სადაც კი შეგიძლიათ მნიშვნელობების ნაკრების დახურვა, დახურეთ ის — ეს სქემის რეალურ-სამყაროულ გავლის მაჩვენებელზე ყველაზე მაღალბერკეტიანი ცვლილებაა.
• დარჩით 16,384-ტოკენიანი გამომავალის ჭერის ქვემოთ. შემოუსაზღვრელი მასივი ობიექტის შუაში შეიკვეცება. შეზღუდეთ მასივის სიგრძეები, ან დაშარდეთ შემავალი.
• შეინარჩუნეთ სისტემური შეტყობინება. სქემა ფორმას ზღუდავს; პრომპტი კვლავ მართავს სემანტიკას — რა ითვლება „კრიტიკულად", რომელი თარიღი იმარჯვებს, როცა ორი ჩნდება, საჭიროა თუ არა ერთეულების ნორმალიზება.
• მაინც აწარმოეთ ვალიდაცია. სქემის მხარდაჭერა გავლის მაჩვენებელს ზრდის; ის ვალიდატორსა და ჩავარდნილი შეტყობინებების რიგს არ ცვლის.

04რატომ არის „უცენზურო" საიმედოობის თვისება და არა მხოლოდ კონტენტის

Hy3-ს გეითვეიზე უარის ფენა და გამოსავლის ფილტრაცია არ აქვს. ჩვეულებრივი ჩარჩო კონტენტზეა: შეგიძლიათ დაამუშაოთ უსაფრთხოების კვლევა, მავნე პროგრამის ანალიზი, ექსპლოიტების აღწერები, სამედიცინო და სამართლებრივი კორპუსები, ზრდასრულთა მასალა, ზიანის შემცირების დოკუმენტაცია ან მტრული მომხმარებლის ტრანსკრიპტები, მოდელის მიერ თქვენს ნაცვლად იმის გადაწყვეტის გარეშე, რომ მას ეს არ სურს.

მეორე, უფრო მექანიკური მიზეზიც არსებობს, რატომ აქვს ამას მნიშვნელობა. უარი სქემის დარღვევაა. ფილტრირებული მოდელი, რომელიც უარს ამბობს, არ აბრუნებს თქვენს ობიექტს "unavailable" დროშით — ის აბრუნებს პროზას. „ამ მოთხოვნაში დახმარებას ვერ გავუწევ." ეს სტრიქონი incident ობიექტი არაა; ის თქვენს ვალიდატორს ვერ აკმაყოფილებს და ხვდება ჩავარდნილი შეტყობინებების რიგში ნამდვილი პარსინგის შეცდომების გვერდით, სადაც ახლა პოლიტიკურ უარებს ნამდვილი დეფორმაციებისგან უნდა გამოყოთ.

უფრო უარესი ისაა, რომ უარები კონტენტთან კორელირებს და არა შემთხვევით ნაწილდება. თუ თქვენი კორპუსის 4% უსაფრთხოების ინციდენტის ანგარიშია და მოდელი მათ უმეტესობაზე უარს ამბობს, თქვენ გამტარუნარიანობის 4% თანაბრად არ დაგკარგავთ — თქვენ ერთი კატეგორია დაკარგეთ, და ამ მონაცემებზე აშენებული დაშბორდი ჩუმად არასრულად ასახავს ზუსტად იმას, რისი ჩვენებისთვისაც არსებობს. კატეგორიის ფორმის ხვრელები თანაბარ ხმაურზე მეტს ღირს, რადგან მათზე არაფერი განგაშობს. მოაცილეთ უარის გზა, და დარჩენილი — დეფორმაციები, შეკვეცები, ბუნდოვანი ტექსტი — თემასთან არ კორელირებს, და ამიტომ საზომია.

05კონტექსტი, გამომავალის ჭერი და როგორ დავგეგმოთ ისინი ბიუჯეტში

გეითვეიზე ყოველი მოდელი იმავე ლიმიტებს იზიარებს:

კონტექსტი საზიარო ბიუჯეტია: პრომპტმა და გამომავალმა ერთად 262,144-ში უნდა დაეტიოს, ასე რომ ერთ გამოძახებაში პრაქტიკული შემავალის ჭერია დაახლოებით 245,000 ტოკენი, დაახლოებით 180,000 ინგლისური სიტყვა. სტრუქტურირებული სამუშაოსთვის 16,384-ტოკენიანი გამომავალის ჭერი უფრო მკაცრი შეზღუდვაა და სწორედ ის, რომელიც ადამიანებს აოცებს — სქემა, რომელიც ჩანაწერზე ერთ ობიექტს გამოსცემს, მას ბევრად ადრე აღწევს, ვიდრე ფანჯარა შეივსება. ორი შაბლონი ამის საწინააღმდეგოდ მუშაობს:

• ფართო შემავალი, ვიწრო გამომავალი. შეიტანეთ მთელი ხელშეკრულება, დოკუმენტი ან ჟურნალის ფანჯარა კონტექსტში და ითხოვეთ ერთი კომპაქტური ობიექტი. შემავალი ტოკენები გამომავალი ტოკენების მეოთხედი ღირს, ასე რომ ფასდადება აჯილდოებს ბევრს კითხვას და ცოტას წერას.
• დაჭერით ჩანაწერების საზღვრებზე და არა ბაიტების რაოდენობაზე. გაყავით იქ, სადაც მოდელს ნაკერის დანახვა შეუძლია. ჩანაწერი, გაჭრილი წინადადების შუაში, აჩენს თავდაჯერებულად არასწორ ობიექტს და არა აშკარა წარუმატებლობას.

Hy3-ის მოხსენებული გრძელკონტექსტიანი ამოღების სიძლიერე — 73.4 AA-LCR-ზე, და ნახტომი 42.9%-იდან 75.1%-მდე MRCR გრძელდიალოგიანი გახსენებაზე — ზუსტად ის უნარია, რომელზეც პირველი შაბლონი არის დამოკიდებული, და კარგად წერისგან განსხვავებული უნარი.

06ფსკერის ფასდადება, და რეალური კონვეიერის არითმეტიკა

Hy3 დგას $0.50-ზე მილიონ შემავალ ტოკენზე და $2.00-ზე მილიონ გამომავალ ტოკენზე — კატალოგის ფსკერზე, გაზიარებულზე MiMo-V2.5-თან, MiMo-V2.5-Pro-სთან, DeepSeek-V4-Flash-0731-თან და MiniMax-M3-თან. გამოთვლილი წარმომადგენლობითი დატვირთვებით:

დატვირთვა	შემავალი / გამოძახებაზე	გამომავალი / გამოძახებაზე	ღირებულება / გამოძახებაზე	1M გამოძახებაზე
ველების ამოღება	1,200	300	$0.0012	$1,200
დოკუმენტის კლასიფიკაცია	3,000	120	$0.0018	$1,800
გრძელი დოკუმენტის შეჯამება სქემაზე	40,000	900	$0.0218	$21,800
სრული ფანჯრის ანალიზი	240,000	2,000	$0.1240	$124,000

რიცხვი, რომელიც გადაწყვეტილებებს ცვლის, არაა სათაურის ტარიფი, არამედ ეფექტური ტარიფი ხელახლა ცდების შემდეგ. თუ ორი მოდელი ერთნაირად ღირს და ერთი ვალიდაციას ჩავარდება გამოძახებების 6%-ზე, სადაც მეორე — 1.5%-ზე, მაღალგადახრიანი მოდელი დაახლოებით 4.5%-ით მეტ გამოძახებას ატარებს — ეს გადასატანია. ზიანი კუდზეა: ხელახლა ცდილი გამოძახებები ორჯერ მეტ დროს იღებს, ასე რომ p99 დაყოვნება დაახლოებით ორმაგდება ტრაფიკის ხილული ნაწილისთვის, და ყველაფერი, რაც ორჯერ ჩავარდება, ხელით სამუშაოდ იქცევა. დღეში მილიონ გამოძახებაზე ეს ათასობით ჩანაწერია, რომელიც ვიღაცამ უნდა წაიკითხოს.

აქედან გამომდინარეობს არგუმენტი ფსკერის ფასად 8-ბიტიანი დონისთვის: თქვენ აქ ერთგულებისთვის პრემიუმს არ იხდით, ასე რომ ხელახლა ცდის არითმეტიკა უფასო ფულია. თუ 3-ბიტიანი მოდელი უფრო იაფი იქნებოდა, აქ ნამდვილი არჩევანი იქნებოდა ასაწონი — Hy3 იმდენივე ღირს, რამდენიც კატალოგში ყველაზე იაფი რამ.

07სამი API დიალექტი, ერთი მოდელი

Hy3 მისადგომია გეითვეის სამივე დიალექტზე, სტრიმინგით თითოეულზე. იგივე მოდელი, იგივე წონები, იგივე ლიმიტები — აირჩიეთ ის, რომელიც შეესაბამება SDK-ს, რომელიც უკვე გაქვთ.

ენდპოინტი	დიალექტი	გამოიყენეთ, როცა
/v1/chat/completions	OpenAI	გაქვთ OpenAI SDK, LangChain ან LlamaIndex. მიმართეთ საბაზო URL აქ, შეცვალეთ მოდელის id.
/v1/messages	Anthropic	იმყოფებით Anthropic SDK-ზე და გსურთ კონტენტის ბლოკები თარგმანის ფენის გარეშე.
/v1/responses	Responses	გსურთ მოთხოვნის უფრო ახალი ფორმა ტიპიზებული გამომავალითა და სერვერის მხარის მდგომარეობით.

Hy3-ს ასევე მხარდაჭერილი აქვს ინსტრუმენტების გამოძახება და მსჯელობა, reasoning_effort-ის ჩათვლით. ამოღების სამუშაოსთვის სასარგებლო სვლა ჩვეულებრივ მსჯელობის დაწევაა: კარგად განსაზღვრულ სქემაზე სუფთა ტექსტზე, აზროვნების ტოკენები გამომავალი ტოკენებია, რომელსაც იხდით, და დაყოვნება, რომელსაც ელოდებით, მინიმალური მოგებისთვის. ამის ნაცვლად დახარჯეთ ძალისხმევის ბიუჯეტი ნამდვილად ორაზროვან შემავალზე.

მოთხოვნისა და პასუხის სრული ცნობარი, პარამეტრების სიები, სტრიმინგის სემანტიკა და ინტერაქტიული სათამაშო მოედანი API-ის დოკუმენტაციაშია.

08არჩევანი სამ W8A16 მოდელს შორის

სამი მოდელი დგას ყველაზე მაღალი ერთგულების დონეზე, ყველა ფსკერის ფასად. არჩევანი ძირითადად მოდალობაზეა:

მოდელი	ხედვა	json_schema	ფასი შემავალი / გამომავალი	აირჩიეთ ამისთვის
Hy3 · W8A16	არა	დიახ	$0.50 / $2.00	მხოლოდ-ტექსტური სტრუქტურირებული კონვეიერები, ინსტრუმენტების ორკესტრირება, გრძელკონტექსტიანი ამოღება
MiMo-V2.5-Pro · W8A16	არა	დიახ	$0.50 / $2.00	მხოლოდ-ტექსტური სამუშაო, სადაც MiMo ხაზის Pro დაზუსტება გსურთ
MiMo-V2.5 · W8A16	დიახ	დიახ	$0.50 / $2.00	ყველაფერი სურათებით — დასკანერებული დოკუმენტები, ეკრანის ანაბეჭდები, ფოტოები

თუ თქვენი შემავალის რომელიმე ნაწილი სურათია, გადაწყვეტილება თქვენს გარეშე მიღებულია: Hy3 მხოლოდ ტექსტურია — გაუგზავნეთ დასკანერებული PDF-ები, ეკრანის ანაბეჭდები და ფოტოები MiMo-V2.5-ს. სადაც შემავალი ნამდვილად ტექსტია, Hy3-ის აგენტური ინსტრუმენტების გამოყენების, გრძელკონტექსტიანი გახსენებისა და დაბალი მოხსენებული ჰალუცინაციის პროფილი ყველაზე პირდაპირ ერგება კონვეიერის სამუშაოს. რადგან სამივე ერთნაირად ღირს, გაუშვით თქვენი სქემა ორ მათგანზე რამდენიმე ასეულ რეალურ ჩანაწერზე და შეადარეთ პარსინგის მაჩვენებლები; ეს უკეთ გადაწყვეტს, ვიდრე ნებისმიერი ცხრილი, ამის ჩათვლით.

09სად იმსახურებს Hy3 თავის ადგილს

• მაღალმოცულობიანი ველების ამოღება. ხელშეკრულებები, დოკუმენტები, ინციდენტის ანგარიშები, ტრანსკრიპტები, კლინიკური ჩანაწერები, სასამართლო ჩანაწერები — ყველგან, სადაც დოკუმენტზე ტიპიზებული ობიექტი შედეგია და მოცულობა ხელახლა ცდას ძვირად აქცევს.
• კლასიფიკაცია და მარშრუტიზაცია მასშტაბით. დახურული enum გამომავალი, სადაც მოდელის მთელი ღირებულებაა, რომ არასოდეს გამოიგონოს მეცხრამეტე კატეგორია.
• უსაფრთხოებისა და საფრთხის ინტელექტის კორპუსები. მავნე პროგრამის აღწერები, ექსპლოიტების გამჟღავნებები და ფიშინგის ნიმუშები — მასალა, რომელიც ფილტრირებულ მოდელებს უარისკენ ბიძგებს, და სადაც კატეგორიის ფორმის ხვრელი მთელ საქმეს ანგრევს.
• ინსტრუმენტების-გამომძახებელი აგენტები, რომლებმაც არ უნდა დამდგარიყონ. 8-ბიტიანი არგუმენტების ერთგულება ნიშნავს, რომ JSON, გადაცემული თქვენს ფუნქციებზე, პარსდება; დამახინჯებული ინსტრუმენტის გამოძახება დამდგარი აგენტია და არა ოდნავ უარესი პასუხი.
• გრძელი დოკუმენტის ანალიზი სტრუქტურაში. მთელი დოკუმენტი შემოდის, ერთი კომპაქტური ობიექტი გამოდის.
• კონტენტის მოდერაცია და პოლიტიკის კვლევა. მასალის ტეგირება, რომლის კითხვაზეც ფილტრირებული მოდელი უარს ამბობს, ნდობისა და უსაფრთხოების მუდმივი პრობლემაა; გაუფილტრავი მოდელი მკაცრი სქემით მას პირდაპირ წყვეტს.

და სად არა: ყველაფერი სურათებით (გამოიყენეთ MiMo-V2.5), და ავტონომიური მრავალფაილიანი პროგრამული ინჟინერია, სადაც Tencent-ის საკუთარი ცხრილები Hy3-ს GLM-5.2-ის უკან აყენებს SWE-bench Verified-ზე და კარგად უკან — DeepSWE-ზე.

ბენჩმარკის ციფრები Tencent-ის მიერაა მოხსენებული, კონკურენტის რიცხვების ჩათვლით; დამოუკიდებელი დამოწმება წერის მომენტისთვის მიმდინარეობდა. ხარჯის ციფრები გამოთვლილია ჩვენი გამოქვეყნებული $0.50 / $2.00 ტარიფებიდან. ამ გვერდზე არცერთი რიცხვი არაა Shannon-ის მიერ გაშვებული ბენჩმარკი ან შეფასება.

10ხშირად დასმული კითხვები

---

წყაროები: Tencent Hunyuan-ის მოდელის ბარათები · Hy3 რეპოზიტორია · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · VentureBeat-ის გაშუქება Hy3-ის გამოშვებაზე. საფუძვლის ბენჩმარკები Tencent-ის მიერაა მოხსენებული და წინასწარია დამოუკიდებელი დამოწმების მოლოდინში. Shannon AI-ს მართავს Shannon Lab LLC, ნიუ-მექსიკო, აშშ.