Nieocenzurowane API modelu Hy3

Większość sporów o to, „którego modelu użyć”, dotyczy sufitu: który najlepiej pisze kod, rozwiązuje najtrudniejszą matematykę, wygrywa najdłuższy przebieg agentowy. Potoki strukturalne tak nie działają. Zadanie wyciągające pola ze stu tysięcy dokumentów dziennie nie potrzebuje modelu, który raz błyśnie — potrzebuje takiego, który jest poprawny w tym samym kształcie za każdym razem i nigdy nie zwraca akapitu tam, gdzie miejsce ma obiekt JSON. Właśnie po tę własność jest tu Hy3-W8A16.

01Czym jest Hy3 i skąd pochodzi

Hy3 to model rozumujący i agentowy o otwartych wagach od zespołu Hunyuan w Tencencie, wydany w pełni 6 lipca 2026 na permisywnej licencji, z wagami opublikowanymi na Hugging Face. Kontynuuje rodowód wcześniejszych prac Tencenta nad Mixture-of-Experts w ramach Hunyuan-Large. Architektonicznie to rzadki MoE: 295 miliardów parametrów łącznie, z czego mniej więcej 21 miliardów aktywuje się na token przez routing top-8 wśród 192 ekspertów, na 80-warstwowym transformerze z uwagą grupowaną zapytaniami, plus osobna warstwa multi-token-prediction o 3,8B parametrów do dekodowania spekulatywnego. Natywny kontekst to 256K — dokładnie te 262,144 tokeny, które wystawiamy, a nie obcięcie czegoś większego ani rozciągnięcie przez rope czegoś mniejszego.

Ten współczynnik rzadkości to najważniejsza liczba dla każdego, kto płaci za token: Hy3 niesie wiedzę modelu 295B, wykonując na jedno przejście w przód mniej więcej arytmetykę modelu 21B. To także powód, dla którego stać nas serwować go na 8 bitach, zamiast kompresować mocniej — 8-bitowa kompilacja modelu tak rzadkiego wciąż się mieści i wciąż działa szybko na naszym własnym klastrze GPU.

W czym według Tencenta jest dobry

Opublikowane przez Tencenta tabele ewaluacyjne umieszczają mocne strony Hy3 wyraźnie w wyszukiwaniu agentowym, orkiestracji narzędzi i wyszukiwaniu w długim kontekście, a nie w surowym kodowaniu. Ich raportowane liczby:

Słabe słupki pokazujemy celowo. W porównaniu samego Tencenta Hy3 ustępuje GLM-5.2 w kodowaniu — 78.0 wobec 84.2 na SWE-bench Verified i 28.0 wobec 46.2 na DeepSWE. Jeśli twoim obciążeniem jest autonomiczna inżynieria oprogramowania w wielu plikach, przeczytaj najpierw resztę indeksu badań nad modelami. Jeśli jest nim czytanie tekstu i emitowanie struktury, profil jest niemal idealny.

Liczbą najważniejszą dla pracy potokowej jest ta dotycząca niezawodności: Tencent raportuje wskaźnik halucynacji Hy3 na poziomie 5,4%, w dół z 12,5% w poprzedniej generacji, przy spadku błędów zdroworozsądkowych z 25,4% do 12,7%. Ich deklarowana zasada treningowa — odpowiadaj, gdy jest dowód, i mów wprost, gdy go nie ma — to dokładnie ta dyspozycja, jakiej chcesz w modelu ekstrakcyjnym, który w przeciwnym razie wymyśli prawdopodobną wartość pola, o którym źródło nigdy nie wspomniało.

Wszystkie liczby w tej sekcji są raportowane przez Tencenta z ich własnych przebiegów testowych; niezależna weryfikacja zewnętrzna była w chwili pisania wciąż w toku. Traktuj je kierunkowo, a nie jako rozstrzygnięte.

02Co oznacza W8A16 i dlaczego ma znaczenie dla wyjścia strukturalnego

Każdy model w bramie nosi przyrostek kwantyzacji. To nie ozdoba — mówi, jak daleko serwowane wagi stoją od punktu kontrolnego wydanego przez laboratorium.

Poziom	Co robi	Wierność
3BIT-REAP	Wagi 3-bitowe plus REAP, metoda przycinania ekspertów usuwająca rzadko routowanych ekspertów MoE przed kwantyzacją	Najbardziej skompresowany
W4A16-AUTOROUND-REAP	Wagi 4-bitowe / aktywacje 16-bitowe przez AutoRound — wyuczone zaokrąglanie, które odzyskuje dokładność wobec naiwnego zaokrąglania do najbliższej wartości — plus przycinanie REAP	Środkowy
W8A16	Wagi 8-bitowe / aktywacje 16-bitowe. Bez przycinania, bez naprawy wyuczonym zaokrąglaniem — wagi po prostu niesione z dwukrotnie większą precyzją	Najwyższa

Gdzie dryf po kwantyzacji naprawdę boli

REAP i AutoRound odzyskują większość tego, co gubi naiwna kompresja — ale słowo „większość” dużo w tym zdaniu robi, a reszta nie rozkłada się równomiernie. Kwantyzacja niskobitowa degraduje ogony: decyzje o niskim prawdopodobieństwie i wysokiej specyficzności. W prozie jest to niemal niewidoczne; inny przymiotnik to nadal poprawne zdanie. W wyjściu strukturalnym to cała stawka, bo schemat jest długim łańcuchem mało prawdopodobnych decyzji, z których każda musi być dokładnie trafiona:

• Składnia na poziomie tokenu. Klamra zamykająca, przecinek, znak cudzysłowu. Każdy to jeden token, a jeden zły token unieważnia całą odpowiedź.
• Dyscyplina enumów. Twój schemat mówi, że "status" to jedno z "open" | "closed" | "pending"; zdryfowany model zwraca "Open" albo "pending review" — semantycznie blisko, a poprawne w żadnym z nich.
• Dyscyplina typów. Pole typu number wraca jako "1,240", a boolean jako "yes". Oba parsują się jako napisy i przepadają na schemacie.
• Literały z długiego ogona. Rzadkie nazwy własne, numery katalogowe, nazwy chemiczne, pisma niełacińskie, precyzyjne daty — dokładnie ten mało prawdopodobny obszar, który rozmywają wagi niskobitowe.

Nic z tego nie czyni modeli 4- czy 3-bitowych złymi; w pracy konwersacyjnej różnica wierności często nie jest warta różnicy ceny. Ale gdy odbiorcą wyjścia jest walidator, a nie człowiek, precyzja w ogonach przekłada się wprost na wskaźnik sparsowań — a ten na budżet ponowień i opóźnienie p99. W8A16 to poziom, na którym przestajesz płacić ten podatek.

03Wyjście strukturalne: json_schema i response_format

Hy3 obsługuje obie połowy powierzchni wyjścia strukturalnego — warto to powiedzieć wprost, bo w katalogu nie jest to powszechne:

Model	response_format	json_schema
Hy3 · W8A16	Tak	Tak
MiMo-V2.5-Pro · W8A16	Tak	Tak
inkling · W4A16-AUTOROUND-REAP	Tak	Nie
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Nie	Nie

Różnica między tymi dwoma mechanizmami znaczy więcej, niż się zakłada. response_format: {"type": "json_object"} prosi o poprawny JSON i nic ponadto — kształt wybiera model, więc dwa wywołania mogą zwrócić {"name": ...} i {"full_name": ...}, i oba są poprawne. json_schema podaje kształt z góry: nazwane pola, typy, enumy, listy wymagane, zagnieżdżenia. To kontrakt, pod który możesz pisać kod.

Minimalne wywołanie w dialekcie zgodnym z 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"]
      }
    }
  }
}

Uwagi praktyczne

• Zrób każde pole wymaganym i dopuść null. Pola opcjonalne zapraszają do cichych pominięć; wymagane pole dopuszczające null wymusza jawne „nieobecne”, czyli informację, na której możesz działać.
• Enumy biją swobodne napisy. Wszędzie, gdzie da się domknąć zbiór wartości, domknij go — to zmiana o największej dźwigni dla realnego wskaźnika przejść schematu.
• Trzymaj się poniżej sufitu 16,384 tokenów wyjścia. Nieograniczona tablica urwie się w połowie obiektu. Ogranicz długości tablic albo podziel wejście.
• Nie rezygnuj z wiadomości systemowej. Schemat ogranicza kształt; prompt nadal rządzi semantyką — co uchodzi za „critical”, która data wygrywa, gdy pojawią się dwie, czy normalizować jednostki.
• I tak waliduj. Wsparcie schematu podnosi wskaźnik przejść; nie zastępuje walidatora i kolejki nieudanych rekordów.

04Dlaczego „bez cenzury” to własność niezawodnościowa, a nie tylko treściowa

Hy3 w bramie działa bez warstwy odmów i bez filtrowania wyjścia. Zwykle ujmuje się to od strony treści: możesz przetwarzać badania bezpieczeństwa, analizy złośliwego oprogramowania, opisy exploitów, korpusy medyczne i prawne, materiał dla dorosłych, dokumentację redukcji szkód czy transkrypty wrogich użytkowników, bez modelu decydującego za ciebie, że wolałby jednak nie.

Jest jednak drugi, bardziej mechaniczny powód. Odmowa to naruszenie schematu. Filtrowany model, który odmawia, nie zwraca twojego obiektu z flagą "unavailable" — zwraca prozę. „Nie mogę pomóc w tym żądaniu”. Ten napis nie jest obiektem incident; przepada na twoim walidatorze i ląduje w kolejce nieudanych rekordów obok prawdziwych błędów parsowania, gdzie musisz teraz oddzielać odmowy polityki od realnych deformacji.

Co gorsza, odmowy korelują z treścią, zamiast rozkładać się losowo. Jeśli 4% twojego korpusu to raporty z incydentów bezpieczeństwa i model odmawia większości z nich, nie straciłeś 4% przepustowości równomiernie — straciłeś jedną kategorię, a dashboard zbudowany na tych danych po cichu zaniża dokładnie to, co miał uwidaczniać. Dziury w kształcie kategorii kosztują więcej niż jednorodny szum, bo nic na nie nie alarmuje. Usuń ścieżkę odmów, a to, co zostaje — deformacje, obcięcia, tekst niejednoznaczny — jest nieskorelowane z tematem, a więc mierzalne.

05Kontekst, sufit wyjścia i jak nimi gospodarować

Każdy model w bramie dzieli te same limity:

Kontekst to wspólny budżet: prompt plus wyjście muszą razem zmieścić się w 262,144, więc praktyczny sufit wejścia w jednym wywołaniu to około 245 000 tokenów, bardzo z grubsza 180 000 angielskich słów. W pracy strukturalnej twardszym ograniczeniem i tym, które zaskakuje, jest limit 16,384 tokenów wyjścia — schemat emitujący jeden obiekt na rekord uderza w niego długo przed zapełnieniem okna. Działają przeciw temu dwa wzorce:

• Szerokie wejście, wąskie wyjście. Wepchnij do kontekstu całą umowę, sprawozdanie albo okno logów i poproś o jeden zwarty obiekt. Tokeny wejściowe kosztują ćwiartkę tego co wyjściowe, więc cennik nagradza dużo czytania i mało pisania.
• Dziel na granicach rekordów, nie po liczbie bajtów. Tnij tam, gdzie model widzi szew. Rekord przecięty w połowie zdania daje pewnie brzmiący błędny obiekt zamiast oczywistej awarii.

Raportowana siła Hy3 w wyszukiwaniu w długim kontekście — 73.4 na AA-LCR oraz skok z 42,9% do 75,1% w przypominaniu długiego dialogu na MRCR — to dokładnie ta zdolność, na której opiera się pierwszy wzorzec, i inna umiejętność niż dobre pisanie.

06Cena minimalna i arytmetyka prawdziwego potoku

Hy3 stoi na $0.50 za milion tokenów wejściowych i $2.00 za milion tokenów wyjściowych — czyli w progu katalogu, wspólnie z MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 i MiniMax-M3. Przeliczone na reprezentatywne obciążenia:

Obciążenie	Wejście / wywołanie	Wyjście / wywołanie	Koszt / wywołanie	Za 1M wywołań
Ekstrakcja pól	1,200	300	$0.0012	$1,200
Klasyfikacja dokumentów	3,000	120	$0.0018	$1,800
Streszczenie długiego dokumentu do schematu	40,000	900	$0.0218	$21,800
Analiza na pełnym oknie	240,000	2,000	$0.1240	$124,000

Liczbą, która zmienia decyzje, nie jest stawka ze sztandaru, tylko stawka efektywna po ponowieniach. Jeśli dwa modele kosztują tyle samo, a jeden przepada na walidacji przy 6% wywołań, a drugi przy 1,5%, model o większym dryfie wykonuje mniej więcej 4,5% wywołań więcej — do przeżycia. Szkoda jest w ogonie: ponowione wywołania trwają dwa razy dłużej, więc opóźnienie p99 mniej więcej się podwaja dla widocznego wycinka ruchu, a to, co przepada dwa razy, staje się pracą ręczną. Przy milionie wywołań dziennie to tysiące rekordów, które ktoś musi przeczytać.

Stąd argument za poziomem 8-bitowym w cenie minimalnej: nie płacisz tu premii za wierność, więc arytmetyka ponowień to darmowe pieniądze. Gdyby model 3-bitowy był tańszy, byłby realny kompromis do rozważenia — Hy3 kosztuje tyle, co najtańsza rzecz w katalogu.

07Trzy dialekty API, jeden model

Hy3 jest dostępny we wszystkich trzech dialektach bramy, ze streamingiem w każdym. Ten sam model, te same wagi, te same limity — wybierz ten, który pasuje do SDK, jakie już masz.

Endpoint	Dialekt	Kiedy użyć
/v1/chat/completions	OpenAI	Masz SDK OpenAI, LangChain albo LlamaIndex. Skieruj bazowy URL tutaj i zmień identyfikator modelu.
/v1/messages	Anthropic	Jesteś na SDK Anthropic i chcesz bloków treści bez warstwy tłumaczącej.
/v1/responses	Responses	Chcesz nowszego kształtu żądania z typowanym wyjściem i stanem po stronie serwera.

Hy3 obsługuje też wywoływanie narzędzi i rozumowanie, w tym reasoning_effort. W pracy ekstrakcyjnej użytecznym ruchem jest zwykle przykręcenie rozumowania: przy dobrze określonym schemacie na czystym tekście tokeny myślenia to tokeny wyjścia, za które płacisz, i opóźnienie, na które czekasz, przy marginalnym zysku. Budżet wysiłku wydaj zamiast tego na wejścia naprawdę niejednoznaczne.

Pełny opis żądań i odpowiedzi, listy parametrów, semantyka streamingu i interaktywny playground są w dokumentacji API.

08Wybór spośród trzech modeli W8A16

Na poziomie najwyższej wierności stoją trzy modele, wszystkie w cenie minimalnej. Wybór to głównie kwestia modalności:

Model	Wizja	json_schema	Cena wej. / wyj.	Wybierz do
Hy3 · W8A16	Nie	Tak	$0.50 / $2.00	Tekstowych potoków strukturalnych, orkiestracji narzędzi, wyszukiwania w długim kontekście
MiMo-V2.5-Pro · W8A16	Nie	Tak	$0.50 / $2.00	Pracy wyłącznie tekstowej, gdy chcesz strojenia Pro z linii MiMo
MiMo-V2.5 · W8A16	Tak	Tak	$0.50 / $2.00	Wszystkiego z obrazami — skanów dokumentów, zrzutów ekranu, zdjęć

Jeśli jakakolwiek część twojego wejścia jest obrazem, decyzja zapada za ciebie: Hy3 działa wyłącznie na tekście — zeskanowane PDF-y, zrzuty ekranu i zdjęcia wysyłaj do MiMo-V2.5. Tam, gdzie wejście naprawdę jest tekstem, profil Hy3 — agentowe użycie narzędzi, przypominanie z długiego kontekstu i niski raportowany poziom halucynacji — najbezpośredniej odwzorowuje pracę potokową. Skoro wszystkie trzy kosztują tyle samo, uruchom swój schemat na dwóch z nich na kilkuset prawdziwych rekordach i porównaj wskaźniki sparsowań; to rozstrzyga lepiej niż jakakolwiek tabela, łącznie z tą.

09Gdzie Hy3 zarabia na swoje miejsce

• Wysokowolumenowa ekstrakcja pól. Umowy, sprawozdania, raporty z incydentów, transkrypty, notatki kliniczne, akta sądowe — wszędzie tam, gdzie produktem jest typowany obiekt na dokument, a wolumen czyni ponowienia kosztownymi.
• Klasyfikacja i routing w skali. Wyjścia z domkniętych enumów, gdzie cała wartość modelu polega na tym, że nigdy nie wymyśli dziewiętnastej kategorii.
• Korpusy bezpieczeństwa i threat intel. Opisy złośliwego oprogramowania, ujawnienia exploitów i próbki phishingu — materiał, który wpycha filtrowane modele w odmowę i przy którym dziura w kształcie kategorii przekreśla cały sens.
• Agenci wywołujący narzędzia, którzy nie mogą utknąć. Wierność argumentów na 8 bitach oznacza, że JSON podany twoim funkcjom da się sparsować; pokiereszowane wywołanie narzędzia to zablokowany agent, a nie odrobinę gorsza odpowiedź.
• Analiza długich dokumentów do struktury. Całe sprawozdanie na wejściu, jeden zwarty obiekt na wyjściu.
• Moderacja treści i badania nad politykami. Etykietowanie materiału, którego filtrowany model odmawia przeczytać, to stały problem zespołów trust and safety; niefiltrowany model ze ścisłym schematem rozwiązuje go wprost.

A gdzie nie: wszystko z obrazami (użyj MiMo-V2.5) oraz autonomiczna inżynieria oprogramowania w wielu plikach, gdzie własne tabele Tencenta stawiają Hy3 za GLM-5.2 na SWE-bench Verified i wyraźnie z tyłu na DeepSWE.

Liczby benchmarkowe są raportowane przez Tencenta, łącznie z wynikami konkurencji; niezależna weryfikacja była w chwili pisania w toku. Liczby kosztowe są wyliczone z naszych opublikowanych stawek $0.50 / $2.00. Żadna liczba na tej stronie nie jest benchmarkiem przeprowadzonym przez Shannona ani szacunkiem.

10Najczęściej zadawane pytania

---

Źródła: karty modeli Tencent Hunyuan · repozytorium Hy3 · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · relacja VentureBeat z wydania Hy3. Benchmarki fundamentu są raportowane przez Tencenta i wstępne do czasu niezależnej weryfikacji. Shannon AI jest prowadzone przez Shannon Lab LLC, Nowy Meksyk, USA.