Цензургүй Hy3 Загварын API

«Аль загварыг ашиглах вэ» гэсэн ихэнх маргаан дээд хязгаарын тухай байдаг: аль нь хамгийн сайн код бичдэг, хамгийн хэцүү математикийг бододог, хамгийн урт агентийн гүйлгээг ялдаг вэ. Бүтэцтэй дамжлагууд тэгж ажилладаггүй. Өдөрт зуун мянган баримт бичгээс талбар задлан авдаг ажилд нэг удаа гайхалтай байдаг загвар хэрэггүй — түүнд тухай бүрд ижил хэлбэрээр зөв байдаг загвар хэрэгтэй бөгөөд JSON объект байх ёстой газарт хэзээ ч догол мөр буцаадаггүй загвар хэрэгтэй. Hy3-W8A16 яг тэр шинж чанарын төлөө энд байгаа юм.

01Hy3 гэж юу вэ, хаанаас гаралтай вэ

Hy3 бол Tencent-ийн Hunyuan багийн нээлттэй жинтэй дүгнэлт ба агентийн загвар бөгөөд 2026 оны 7 сарын 6-нд зөвшөөрөмтгий лицензээр бүрэн эхээр нь гаргаж, жингүүдийг нь Hugging Face дээр нийтэлсэн. Энэ нь Tencent-ийн өмнөх Hunyuan-Large Mixture-of-Experts ажлын угсааг үргэлжлүүлдэг. Архитектурын хувьд энэ бол сийрэг MoE: нийт 295 тэрбум параметр бөгөөд эдгээрийн ойролцоогоор 21 тэрбум нь токен тутамд идэвхждэг, 192 мэргэжилтэн даяар top-8 чиглүүлэлтээр, бүлэглэсэн хайлтын анхаарал бүхий 80 давхаргат трансформер дээр, дээрээс нь таамаглалт декодчилолд зориулсан тусдаа 3.8B олон токен таамаглах давхарга. Төрөлх контекст нь 256K — бидний нээлттэй болгож буй яг тэр 262,144 токен бөгөөд илүү томыг таслаж авсан ч биш, жижгийг rope-оор сунгасан ч биш.

Тэр сийрэг байдлын харьцаа бол токен тутамд төлж буй хэн бүхэнд чухал тоо: Hy3 нь 295B загварын мэдлэгийг үүрч явдаг ч урагш дамжлага тутамд ойролцоогоор 21B загварын арифметикийг хийдэг. Мөн яг үүний учир бид үүнийг илүү хүчтэй шахахын оронд 8 битээр үйлчлүүлж чадаж байгаа юм — ийм сийрэг загварын 8 битийн бүтээц манай өөрсдийн GPU кластер дээр багтсаар, хурдан ажилласаар байна.

Tencent үүнийг юунд сайн гэж мэдээлдэг вэ

Tencent-ийн нийтэлсэн үнэлгээний хүснэгтүүд Hy3-ын хүчийг цэвэр кодчлолд биш, агентийн хайлт, хэрэгслийн зохион байгуулалт, урт контекстын татан авалтад шууд байрлуулдаг. Тэдний мэдээлсэн тоо баримт:

Бид сул баганануудыг зориудаар харуулж байна. Tencent-ийн өөрсдийн харьцуулалтад Hy3 нь кодчлол дээр GLM-5.2-оос хоцордог — SWE-bench Verified дээр 84.2-ын эсрэг 78.0, DeepSWE дээр 46.2-ын эсрэг 28.0. Хэрэв таны ажлын ачаалал бол бие даасан олон файлын програм хангамжийн инженерчлэл юм бол эхлээд загварын судалгааны индексийн бусад хэсгийг уншаарай. Хэрэв энэ нь текст уншиж, бүтэц гаргах юм бол зураглал нь бараг төгс.

Дамжлагын ажилд хамгийн чухал тоо бол найдвартай байдлын нэг юм: Tencent Hy3-ын хий үзэгдлийн түвшинг 5.4% гэж мэдээлдэг бөгөөд өмнөх үеийнх 12.5% байсан, мөн энгийн ойлголтын алдаа 25.4%-иас 12.7% болж буурсан. Тэдний зарласан сургалтын зарчим — нотолгоо байвал хариул, байхгүй бол шулуухан хэл — нь эх сурвалж огт дурдаагүй талбарт итгэмээр утга зохиох байсан задлан авах загварт таны хүсдэг яг тэр зан чанар юм.

Энэ хэсэг дэх бүх тоо баримт нь Tencent-ийн өөрсдийн тестийн гүйлтээс мэдээлсэн; бичиж байх үед хараат бус гуравдагч талын баталгаажуулалт хараахан хийгдээгүй байсан. Тэдгээрийг эцэслэсэн биш, чиглэл заасан гэж үзээрэй.

02W8A16 гэж юу гэсэн үг вэ, мөн энэ яагаад бүтэцтэй гаралтад чухал вэ

Gateway дээрх загвар бүр квантчилалын дагавар үүрдэг. Энэ бол чимэглэл биш — үйлчилж буй жингүүд лабораторийн гаргасан шалгалтын цэгээс хэр хол байгааг хэлдэг.

Түвшин	Юу хийдэг вэ	Нарийвчлал
3BIT-REAP	3 битийн жин, дээрээс нь квантчилахаас өмнө ховор чиглүүлэгддэг MoE мэргэжилтнүүдийг хаядаг REAP мэргэжилтэн хасах арга	Хамгийн их шахагдсан
W4A16-AUTOROUND-REAP	AutoRound-оор дамжуулан 4 битийн жин / 16 битийн идэвхжүүлэлт — энгийн хамгийн ойрд нь бүхэлчлэхээс илүү нарийвчлалыг эргүүлж авдаг сурсан бүхэлчлэл — дээрээс нь REAP хасалт	Дунд
W8A16	8 битийн жин / 16 битийн идэвхжүүлэлт. Хасалт байхгүй, сурсан бүхэлчлэлийн засвар байхгүй — жингүүдийг зүгээр л хоёр дахин их нарийвчлалаар үүрдэг	Хамгийн өндөр

Квантчилалын хазайлт үнэндээ хаана хохирол учруулдаг вэ

REAP ба AutoRound нь энгийн шахалтын алддаг ихэнхийг эргүүлж авдаг — гэхдээ тэр өгүүлбэр дэх «ихэнх» гэдэг үг ажил хийж байгаа бөгөөд үлдэгдэл нь жигд буудаггүй. Бага битийн квантчилал сүүлийг доройтуулдаг: магадлал багатай, өндөр тодорхойлолттой шийдвэрүүдийг. Зохиолд энэ нь бараг үл үзэгдэх; өөр тэмдэг нэр ч гэсэн сайн өгүүлбэр хэвээр. Бүтэцтэй гаралтад энэ бол бүхэл тоглоом, учир нь схем бол тус бүр нь яг зөв байх ёстой магадлал багатай шийдвэрүүдийн урт гинж юм:

• Токен түвшний синтакс. Хаах хаалт, таслал, хашилтын тэмдэг. Тус бүр нь нэг токен бөгөөд нэг буруу токен бүхэл хариуг хүчингүй болгоно.
• Тоочилолын сахилга. Таны схем "status"-ыг "open" | "closed" | "pending"-ын нэг гэж хэлдэг; хазайсан загвар "Open" эсвэл "pending review" буцаана — утгын хувьд ойрхон боловч аль нь ч зөв биш.
• Төрлийн сахилга. number талбар "1,240" болж, boolean нь "yes" болж буцна. Хоёулаа мөр болж задарч, схемийг зөрчинө.
• Урт сүүлтэй утгууд. Ховор нэр үг, эд ангийн дугаар, химийн нэр, латин бус бичиг, нарийн огноо — яг тэр магадлал багатай мужийг бага битийн жингүүд бүдгэрүүлдэг.

Эдгээрийн юу нь ч 4 бит эсвэл 3 битийн загваруудыг муу болгодоггүй; ярианы ажилд нарийвчлалын ялгаа нь ихэвчлэн үнийн ялгааг зөвтгөхүйц биш. Гэхдээ гаралтыг хэрэглэгч нь хүн биш, шалгагч байх үед сүүл дэх нарийвчлал шууд задлан ойлгох түвшинд хөрвөдөг — мөн задлан ойлгох түвшин нь дахин оролдох төсөв ба p99 хоцролт болж хувирдаг. W8A16 бол та тэр татварыг төлөхөө болих түвшин юм.

03Бүтэцтэй гаралт: json_schema ба response_format

Hy3 бүтэцтэй гаралтын гадаргуугийн хоёуланг дэмждэг — үүнийг тодорхой хэлэх нь зүйтэй, учир нь энэ нь каталог даяар түгээмэл биш:

Загвар	response_format	json_schema
Hy3 · W8A16	Тийм	Тийм
MiMo-V2.5-Pro · W8A16	Тийм	Тийм
inkling · W4A16-AUTOROUND-REAP	Тийм	Үгүй
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Үгүй	Үгүй

Хоёр механизмын хоорондох ялгаа хүмүүсийн бодохоос илүү чухал. response_format: {"type": "json_object"} нь зөвхөн зөв JSON хүсдэг — хэлбэрийг загвар сонгодог тул хоёр дуудлага {"name": ...} ба {"full_name": ...} буцаагаад хоёулаа зөв байж болно. json_schema нь хэлбэрийг урьдчилан өгдөг: нэрлэсэн талбар, төрөл, тоочилол, шаардлагатай жагсаалт, үүрлэлт. Энэ бол таны эсрэг код бичиж болох гэрээ юм.

OpenAI-той нийцтэй аялгуу дээрх хамгийн бага дуудлага:

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"]
      }
    }
  }
}

Практик тэмдэглэл

• Талбар бүрийг шаардлагатай болгож, null-ыг зөвшөөр. Сонголтот талбарууд чимээгүй алдагдалд урьдаг; шаардлагатай боловч null байж болох талбар нь «байхгүй» гэдгийг тодорхой хэлэхийг албаддаг бөгөөд энэ бол та үйлдэл хийж болох мэдээлэл юм.
• Тоочилол чөлөөт мөрөөс дээр. Утгын багцыг хаах боломжтой газар бүрд хаа — схемийн бодит амьдрал дээрх нэвтрэх түвшинд хамгийн их нөлөөтэй өөрчлөлт.
• 16,384 токены гаралтын дээд хязгаараас доогуур бай. Хязгааргүй массив объектын дунд таслагдана. Массивын уртыг хязгаарла, эсвэл оролтоо хэсэглэ.
• Системийн мессежээ хадгал. Схем нь хэлбэрийг хязгаарладаг; промпт нь утга санааг удирдсаар байдаг — юуг «critical» гэж тооцох, хоёр огноо гарвал аль нь ялах, нэгжийг жигдрүүлэх эсэх.
• Ямар ч байсан шалга. Схемийн дэмжлэг нэвтрэх түвшинг өсгөдөг; энэ нь шалгагч ба алдаатай мессежийн дараалал хоёрыг орлохгүй.

04«Цензургүй» яагаад зөвхөн агуулгын биш, найдвартай байдлын шинж чанар вэ

Gateway дээрх Hy3-д татгалзах давхарга байхгүй, гаралтын шүүлт байхгүй. Ердийн томьёолол нь агуулгын тухай байдаг: та аюулгүй байдлын судалгаа, хортой програмын шинжилгээ, мөлжлөгийн тайлан, эмнэлгийн ба эрх зүйн корпус, насанд хүрэгчдийн материал, хор бууруулах баримтжуулалт, эсвэл дайсагнасан хэрэглэгчийн бичлэгийг загвар таны өмнөөс хийхийг хүсэхгүй байна гэж шийдэхгүйгээр боловсруулж чадна.

Хоёр дахь, илүү механик шалтгаан бий. Татгалзал бол схемийн зөрчил. Татгалздаг шүүлттэй загвар нь таны объектыг "unavailable" тэмдэгтэй буцаадаггүй — зохиол буцаадаг. «Би энэ хүсэлтэд туслах боломжгүй байна.» Тэр мөр бол incident объект биш; энэ нь таны шалгагчийг зөрчиж, жинхэнэ задлан ойлголтын алдаануудын хажууд алдаатай мессежийн дараалалд буудаг бөгөөд одоо та бодлогын татгалзлыг бодит гажуудлаас салгах ёстой болно.

Бүр дор нь, татгалзал санамсаргүйгээр тархахын оронд агуулгатай хамааралтай байдаг. Хэрэв таны корпусын 4% нь аюулгүй байдлын ослын тайлан бөгөөд загвар тэдгээрийн ихэнхээс татгалздаг бол та нэвтрүүлэх чадварынхаа 4%-ийг жигд алдаагүй — та нэг ангиллыг алдсан бөгөөд тэр өгөгдөл дээр баригдсан хяналтын самбар нь оршин байгаагийн үндсэн шалтгаан болох яг тэр зүйлээ чимээгүйхэн дутуу мэдээлдэг болно. Ангилал хэлбэртэй нүхнүүд жигд шуугианаас илүү үнэтэй байдаг, учир нь тэдэн дээр юу ч дохио өгдөггүй. Татгалзлын замыг хас, тэгвэл үлдсэн зүйл — гажуудал, тасалдал, ойлгомжгүй текст — нь сэдэвтэй хамааралгүй, тиймээс хэмжигдэхүйц болно.

05Контекст, гаралтын дээд хязгаар, мөн тэдгээрийг хэрхэн төлөвлөх вэ

Gateway дээрх загвар бүр ижил хязгаарыг хуваалцдаг:

Контекст бол хуваалцсан төсөв: промпт болон гаралт хамтдаа 262,144 дотор багтах ёстой тул нэг дуудлага дахь практик оролтын дээд хязгаар нь ойролцоогоор 245,000 токен, маш ойролцоогоор 180,000 англи үг болно. Бүтэцтэй ажлын хувьд 16,384 токены гаралтын хязгаар нь илүү хатуу хязгаар бөгөөд хүмүүсийг гайхшруулдаг нь тэр — бичлэг тутамд нэг объект гаргадаг схем нь цонх дүүрэхээс нэлээд өмнө үүнд хүрдэг. Үүний эсрэг хоёр хэв маяг ажилладаг:

• Өргөн оролт, нарийн гаралт. Бүхэл гэрээ, бүртгэл эсвэл логийн цонхыг контекст руу түлхээд нэг авсаархан объект хүс. Оролтын токен нь гаралтын токены дөрөвний нэгийн үнэтэй тул үнэ тогтоолт нь их уншиж, бага бичихийг урамшуулдаг.
• Байтын тоогоор биш, бичлэгийн зааг дээр хэсэглэ. Загвар оёдлыг харж чадах газраа хуваа. Өгүүлбэрийн дунд тасалсан бичлэг нь илэрхий алдааны оронд итгэлтэйгээр буруу объект гаргадаг.

Hy3-ын мэдээлсэн урт контекстын татан авалтын хүч — AA-LCR дээр 73.4, мөн MRCR урт харилцан ярианы санах ой дээр 42.9%-иас 75.1% болж үсэрсэн — бол эхний хэв маягийн түшиглэдэг яг тэр чадвар бөгөөд сайн бичихээс өөр ур чадвар юм.

06Доод үнэ, мөн бодит дамжлагын арифметик

Hy3 нь 1 сая оролтын токен тутамд $0.50, 1 сая гаралтын токен тутамд $2.00 дээр байрладаг — каталогийн доод хязгаар бөгөөд MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 болон MiniMax-M3-тай хуваалцдаг. Төлөөлөх ачааллуудаар тооцвол:

Ажлын ачаалал	Дуудлага тутмын оролт	Дуудлага тутмын гаралт	Дуудлага тутмын зардал	1M дуудлагад
Талбар задлан авах	1,200	300	$0.0012	$1,200
Баримт бичгийн ангилал	3,000	120	$0.0018	$1,800
Урт баримтыг схем рүү товчлох	40,000	900	$0.0218	$21,800
Бүтэн цонхны шинжилгээ	240,000	2,000	$0.1240	$124,000

Шийдвэрийг өөрчилдөг тоо бол гарчгийн тариф биш, дахин оролдлогын дараах үр дүнтэй тариф юм. Хэрэв хоёр загвар ижил үнэтэй бөгөөд нэг нь дуудлагын 6% дээр шалгалтад унадаг, нөгөө нь 1.5% дээр унадаг бол хазайлт ихтэй загвар ойролцоогоор 4.5% илүү дуудлага ажиллуулна — тэсвэрлэх боломжтой. Хохирол нь сүүл дээр байна: дахин оролдсон дуудлагууд хоёр дахин удаан үргэлжилдэг тул урсгалын харагдахуйц хэсэгт p99 хоцролт ойролцоогоор хоёр дахин нэмэгддэг бөгөөд хоёр удаа унасан бүхэн гар ажил болдог. Өдөрт сая дуудлага дээр энэ нь хэн нэгний унших ёстой мянга мянган бичлэг гэсэн үг.

Тиймээс 8 битийн түвшинг доод үнээр авах үндэслэл: та энд нарийвчлалын төлөө нэмэлт төлбөр төлж байгаа биш тул дахин оролдлогын арифметик нь үнэгүй мөнгө юм. Хэрэв 3 битийн загвар хямд байсан бол жинлэх бодит солилцоо байх байсан — Hy3 бол каталог дахь хамгийн хямд зүйлтэй ижил үнэтэй.

07API-н гурван аялгуу, нэг загвар

Hy3-д gateway-ийн гурван аялгуу дээр бүгд, тус бүр дээр стримингтэйгээр хандах боломжтой. Ижил загвар, ижил жингүүд, ижил хязгаарууд — та аль хэдийн байгаа SDK-даа тохирохыг нь сонго.

Endpoint	Аялгуу	Хэзээ ашиглах вэ
/v1/chat/completions	OpenAI	Танд OpenAI SDK, LangChain эсвэл LlamaIndex байгаа. Суурь URL-ыг энд чиглүүлж, загварын id-г сольчих.
/v1/messages	Anthropic	Та Anthropic SDK дээр байгаа бөгөөд орчуулгын давхаргагүйгээр агуулгын блок хүсэж байна.
/v1/responses	Responses	Та төрөлжсөн гаралт ба сервер талын төлөвтэй шинэ хүсэлтийн хэлбэрийг хүсэж байна.

Hy3 мөн хэрэгсэл дуудалт ба дүгнэлтийг, түүний дотор reasoning_effort-ыг дэмждэг. Задлан авах ажлын хувьд ашигтай алхам нь ихэвчлэн дүгнэлтийг бууруулах явдал юм: цэвэр текст дээрх сайн тодорхойлсон схемийн хувьд бодох токенууд нь таны төлдөг гаралтын токен, таны хүлээдэг хоцролт болох бөгөөд ашиг нь ялихгүй. Хүчин чармайлтын төсвөө үнэхээр ойлгомжгүй оролтод зарцуулаарай.

Хүсэлт ба хариултын бүрэн лавлагаа, параметрийн жагсаалт, стримингийн семантик, интерактив туршилтын талбар нь API баримт бичигт байдаг.

08Гурван W8A16 загварын хооронд сонгох нь

Гурван загвар хамгийн өндөр нарийвчлалын түвшинд, бүгд доод үнээр байрладаг. Сонголт нь голдуу горимын тухай:

Загвар	Хараа	json_schema	Оролт / гаралтын үнэ	Юунд сонгох вэ
Hy3 · W8A16	Үгүй	Тийм	$0.50 / $2.00	Зөвхөн текстийн бүтэцтэй дамжлага, хэрэгслийн зохион байгуулалт, урт контекстын татан авалт
MiMo-V2.5-Pro · W8A16	Үгүй	Тийм	$0.50 / $2.00	MiMo шугамын Pro тохируулгыг хүсэж буй зөвхөн текстийн ажил
MiMo-V2.5 · W8A16	Тийм	Тийм	$0.50 / $2.00	Зурагтай бүх зүйл — сканнердсан баримт, дэлгэцийн зураг, гэрэл зураг

Хэрэв таны оролтын аль нэг хэсэг зураг бол шийдвэр гарчихсан: Hy3 бол зөвхөн текстийнх — сканнердсан PDF, дэлгэцийн зураг, гэрэл зургийг MiMo-V2.5 руу илгээ. Оролт нь үнэхээр текст байгаа газарт Hy3-ын агентийн хэрэгсэл ашиглалт, урт контекстын санах ой, мэдээлсэн бага хий үзэгдлийн зураглал нь дамжлагын ажилд хамгийн шууд тохирдог. Гурвуулан ижил үнэтэй тул схемээ тэдгээрийн хоёр дээр хэдэн зуун бодит бичлэгээр ажиллуулж, задлан ойлголтын түвшинг харьцуул; энэ нь энэ хүснэгтийг оруулаад ямар ч хүснэгтээс илүү сайн шийднэ.

09Hy3 хаана өөрийн байр сууриа олдог вэ

• Их эзлэхүүнтэй талбар задлан авалт. Гэрээ, бүртгэл, ослын тайлан, бичлэг, эмнэлгийн тэмдэглэл, шүүхийн бүртгэл — баримт бичиг тутамд төрөлжсөн объект нь эцсийн бүтээгдэхүүн байдаг, эзлэхүүн нь дахин оролдлогыг үнэтэй болгодог бүх газар.
• Том хэмжээний ангилал ба чиглүүлэлт. Хаалттай тоочилолын гаралтууд, тэнд загварын бүхэл үнэ цэн нь арван есдүгээр ангиллыг хэзээ ч зохиохгүй байхад оршино.
• Аюулгүй байдал ба заналхийллийн мэдээллийн корпус. Хортой програмын тайлан, мөлжлөгийн ил тод болголт, фишингийн дээж — шүүлттэй загваруудыг татгалзал руу түлхдэг материал бөгөөд ангилал хэлбэртэй нүх нь зорилгыг нь үгүйсгэдэг газар.
• Гацаж болохгүй хэрэгсэл дуудагч агентууд. 8 битийн аргументын нарийвчлал гэдэг нь таны функцүүдэд өгөгдсөн JSON задардаг гэсэн үг; гажуудсан хэрэгслийн дуудлага бол бага зэрэг муу хариулт биш, гацсан агент юм.
• Урт баримт бичгийг бүтэц рүү шинжлэх. Бүхэл бүртгэл орж, нэг авсаархан объект гарна.
• Агуулгын модераци ба бодлогын судалгаа. Шүүлттэй загвар уншихаас татгалздаг материалыг шошголох нь итгэл ба аюулгүй байдлын байнгын асуудал; хатуу схемтэй шүүлтгүй загвар үүнийг шууд шийддэг.

Мөн хаана олдохгүй вэ: зурагтай бүх зүйл (MiMo-V2.5-г ашигла), мөн бие даасан олон файлын програм хангамжийн инженерчлэл, тэнд Tencent-ийн өөрсдийн хүснэгтүүд Hy3-г SWE-bench Verified дээр GLM-5.2-ын ард, DeepSWE дээр нэлээд ард тавьдаг.

Жишиг тестийн тоо баримтыг өрсөлдөгчийн тоог оруулаад Tencent мэдээлсэн; бичиж байх үед хараат бус баталгаажуулалт хүлээгдэж байсан. Зардлын тоо баримтыг манай нийтэлсэн $0.50 / $2.00 тарифаас тооцов. Энэ хуудсан дээрх ямар ч тоо Shannon-ы ажиллуулсан жишиг тест эсвэл тооцоолол биш.

10Түгээмэл асуултууд

---

Эх сурвалж: Tencent Hunyuan загварын картууд · Hy3 репозитор · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · Hy3-ын гаралтын талаарх VentureBeat-ийн мэдээлэл. Суурь загварын жишиг тестүүдийг Tencent мэдээлсэн бөгөөд хараат бус баталгаажуулалт хүртэл түр зуурынх. Shannon AI-г АНУ-ын Нью-Мексико муж дахь Shannon Lab LLC ажиллуулдаг.