වාරණයෙන් තොර Hy3 ආකෘති API එක

බොහෝ "මම කුමන ආකෘතියක් භාවිත කළ යුතුද" විවාද සිවිලිම ගැනය: හොඳම කේතය ලියන්නේ කුමන එකද, දැඩිම ගණිතය විසඳන්නේ කුමන එකද, දිගම agent ධාවනය ජයගන්නේ කුමන එකද. ව්‍යුහගත pipelines එසේ ක්‍රියා නොකරයි. දිනකට ලක්ෂයක ලේඛන වලින් field ලබාගන්නා කාර්යයකට එක් වතාවක් දීප්තිමත් ආකෘතියක් අවශ්‍ය නොවේ — එයට අවශ්‍ය සෑම විටම එකම හැඩයෙන් නිවැරදි එකකි, JSON වස්තුවක් අයත් තැනක කිසි විටෙකත් ඡේදයක් ආපසු නොදෙන එකකි. Hy3-W8A16 මෙහි ඇත්තේ එම ගුණාංගය සඳහාය.

01Hy3 යනු කුමක්ද, එය පැමිණෙන්නේ කොහෙන්ද

Hy3 යනු Tencent හි Hunyuan කණ්ඩායමෙන් පැමිණෙන විවෘත-බර තර්කන සහ agentic ආකෘතියක් වන අතර, 2026 ජූලි 6 වන දින අවසර සහිත බලපත්‍රයක් යටතේ සම්පූර්ණයෙන්ම නිකුත් කරන ලද අතර, බර Hugging Face හි ප්‍රකාශයට පත් කර ඇත. එය Tencent හි පෙර Hunyuan-Large Mixture-of-Experts කාර්යයේ පෙළපත දිගටම කරගෙන යයි. ගෘහ නිර්මාණාත්මකව එය විරල MoE එකකි: මුළු පරාමිති බිලියන 295ක්, ඉන් දළ වශයෙන් බිලියන 21ක් ටෝකනයකට විශේෂඥයන් 192ක් හරහා top-8 මාර්ගගත කිරීමෙන් සක්‍රිය වේ, grouped-query attention සහිත ස්තර 80ක transformer එකක මත, මීට අමතරව speculative decoding සඳහා වෙනම බිලියන 3.8ක multi-token-prediction ස්තරයක් සමඟ. ස්වදේශීය සන්දර්භය 256K ක් — අප හෙළි කරන හරියටම ටෝකන 262,144, විශාල දෙයක කැපීමක් හෝ කුඩා දෙයක rope-දික් කළ දිගුවක් නොවේ.

ටෝකනයකට ගෙවන ඕනෑම කෙනෙකුට එම විරලතා අනුපාතය වැදගත් සංඛ්‍යාවකි: Hy3 forward pass එකකට 21B ආකෘතියක ගණිතමය ක්‍රියාවලියක් දළ වශයෙන් ඉටු කරමින් 295B ආකෘතියක දැනුම දරයි. එය නිසාම අපට එය තදින් සම්පීඩනය කිරීම වෙනුවට බිට් 8 හි සේවා සැපයීමට හැකි වන්නේ — මෙතරම් විරල ආකෘතියක බිට් 8 ගොඩනැගීමක් තවමත් අපගේම GPU පොකුරේ ගැලපී වේගයෙන් ධාවනය වේ.

Tencent වාර්තා කරන්නේ එය හොඳින් කරන දේ කුමක්ද යන්නයි

Tencent ප්‍රකාශයට පත් කළ ඇගයීම් වගු Hy3 හි ශක්තීන් තබන්නේ පිරිසිදු කේත ලිවීමට වඩා agentic සෙවීම, tool orchestration, සහ දිගු-සන්දර්භ ලබාගැනීම මතයි. ඔවුන් වාර්තා කළ සංඛ්‍යා:

අප දුර්වල තීරු හිතාමතාම පෙන්වන්නෙමු. Tencent ගේම සංසන්දනයේදී Hy3 කේත ලිවීමේදී GLM-5.2 ට පසුබැස්සේය — SWE-bench Verified හි 78.0 එදිරිව 84.2, DeepSWE හි 28.0 එදිරිව 46.2. ඔබේ වැඩ බර ස්වයංක්‍රීය බහු-ගොනු මෘදුකාංග ඉංජිනේරු විද්‍යාව නම්, පළමුව ආකෘති පර්යේෂණ දර්ශකයේ ඉතිරි කොටස කියවන්න. එය පෙළ කියවා ව්‍යුහයක් නිකුත් කිරීම නම්, පැතිකඩ පාහේ ඉතාම සුදුසුය.

pipeline කාර්යයට වඩාත්ම වැදගත් සංඛ්‍යාව විශ්වසනීයත්ව එකකි: Tencent Hy3 හි hallucination අනුපාතය 5.4% ලෙස වාර්තා කරයි, පෙර පරම්පරාවේ 12.5% සිට පහළ බැස ඇති අතර, commonsense දෝෂ 25.4% සිට 12.7% දක්වා පහත වැටී ඇත. ඔවුන් ප්‍රකාශිත පුහුණු මූලධර්මය — සාක්ෂි ඇති විට පිළිතුරු දෙන්න, නැති විට පැහැදිලිව එසේ කියන්න — මූලාශ්‍රය කිසි විටෙකත් සඳහන් නොකළ field එකකට විශ්වසනීය අගයක් නිර්මාණය කරන්නට ඉඩ ඇති නිස්සාරණ ආකෘතියක ඔබට අවශ්‍ය හරියටම එම ස්වභාවයයි.

මෙම කොටසේ සියලුම සංඛ්‍යා ඔවුන්ගේම පරීක්ෂණ ධාවනයන්ගෙන් Tencent-වාර්තා කළ ඒවාය; ලිවීමේ අවස්ථාවේදී ස්වාධීන තෙවන-පාර්ශ්ව සත්‍යාපනය තවමත් පොරොත්තුවෙන් පැවතුනි. ඒවා තහවුරු කළ ඒවා ලෙස නොව දිශානුගත ලෙස සලකන්න.

02W8A16 හි අර්ථය කුමක්ද, එය ව්‍යුහගත ප්‍රතිදානයට වැදගත් වන්නේ ඇයි

gateway එකේ සෑම ආකෘතියක්ම ප්‍රමාණකරණ ප්‍රත්‍යයක් දරයි. එය අලංකාරයක් නොවේ — සේවා කරන බර පර්යේෂණාගාරය නිකුත් කළ checkpoint එකෙන් කොපමණ දුරින්ද යන්න එය ඔබට කියයි.

ස්තරය	එය කරන දේ	නිරවද්‍යතාව
3BIT-REAP	බිට් 3 බර සහ REAP, ප්‍රමාණකරණයට පෙර කලාතුරකින් මාර්ගගත වන MoE විශේෂඥයන් ඉවත් කරන විශේෂඥ-කප්පාදු ක්‍රමයක්	වඩාත්ම සම්පීඩිත
W4A16-AUTOROUND-REAP	AutoRound හරහා බිට් 4 බර / බිට් 16 සක්‍රියතා — බොළඳ round-to-nearest එකට වඩා නිරවද්‍යතාව ප්‍රතිසාධනය කරන ඉගෙනගත් වට කිරීම — සහ REAP කප්පාදුව	මධ්‍යම
W8A16	බිට් 8 බර / බිට් 16 සක්‍රියතා. කප්පාදුවක් නැත, ඉගෙනගත්-වට කිරීමේ අලුත්වැඩියාවක් නැත — බර හුදෙක් දෙගුණයක නිරවද්‍යතාවයකින් රැගෙන යනු ලැබේ	ඉහළම

ප්‍රමාණකරණ අපගමනය ඇත්තටම හානි කරන්නේ කොහෙද

REAP සහ AutoRound බොළඳ සම්පීඩනයෙන් අහිමි වන බොහෝ දේ ප්‍රතිසාධනය කරයි — එහෙත් එම වාක්‍යයේ "බොහෝ" යන්න කාර්යයක් කරයි, සහ අවශේෂය සමානව නොවැටේ. අඩු-බිට් ප්‍රමාණකරණය වලිග පිරිහෙළයි: අඩු-සම්භාවිතා, ඉහළ-විශේෂිත තීරණ. ගද්‍යයේදී එය පාහේ නොපෙනේ; වෙනස් විශේෂණයක් තවමත් හොඳ වාක්‍යයකි. ව්‍යුහගත ප්‍රතිදානයේදී එය සම්පූර්ණ ක්‍රීඩාවයි, මන්ද schema එකක් එක් එක් එක හරියටම නිවැරදි විය යුතු අඩු-සම්භාවිතා තීරණවල දිගු දාමයක් වන බැවිනි:

• ටෝකන-මට්ටමේ syntax. අවසන් වරහනක්, කොමාවක්, උපුටාගැනීමේ අක්ෂරයක්. එක් එක් එකක් ටෝකනයක් වන අතර, එක් වැරදි ටෝකනයක් සම්පූර්ණ ප්‍රතිචාරය අවලංගු කරයි.
• Enum විනයගරුකකම. ඔබේ schema එක "status" "open" | "closed" | "pending" වලින් එකක් යැයි කියයි; අපගමනය වූ ආකෘතියක් "Open" හෝ "pending review" ආපසු දෙයි — අර්ථානුසාරයෙන් ආසන්නය, එහෙත් කිසිවක් ලෙස වලංගු නොවේ.
• Type විනයගරුකකම. number field එකක් "1,240" ලෙසත්, boolean එකක් "yes" ලෙසත් ආපසු එයි. දෙකම strings ලෙස parse වී schema එක අසමත් වේ.
• දිගු-වලිග literals. දුර්ලභ නාම පද, කොටස් අංක, රසායනික නම්, Latin නොවන ලිපි, නිශ්චිත දින — අඩු-බිට් බර අපැහැදිලි කරන අඩු-සම්භාවිතා කලාපයම.

මෙයින් කිසිවක් බිට් 4 හෝ බිට් 3 ආකෘති නරක බවට පත් නොකරයි; සංවාද කාර්යයට නිරවද්‍යතා වෙනස බොහෝ විට මිල වෙනසට වටින්නේ නැත. එහෙත් ප්‍රතිදානය පරිභෝජනය කරන්නේ මිනිසෙකු නොව validator එකක් වන විට, වලිගවල නිරවද්‍යතාව සෘජුවම parse අනුපාතයට පරිවර්තනය වේ — සහ parse අනුපාතය retry අයවැයට සහ p99 latency වෙත. ඔබ එම බදු ගෙවීම නවත්වන ස්තරය W8A16 ය.

03ව්‍යුහගත ප්‍රතිදානය: json_schema සහ response_format

Hy3 ව්‍යුහගත-ප්‍රතිදාන පෘෂ්ඨයේ දෙකෙන්ම දෙකටම සහාය දක්වයි — පැහැදිලිව සඳහන් කිරීමට වටී, මන්ද එය නාමාවලිය පුරාම සර්වත්‍රික නොවේ:

ආකෘතිය	response_format	json_schema
Hy3 · W8A16	ඔව්	ඔව්
MiMo-V2.5-Pro · W8A16	ඔව්	ඔව්
inkling · W4A16-AUTOROUND-REAP	ඔව්	නැත
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	නැත	නැත

යාන්ත්‍රණ දෙක අතර වෙනස මිනිසුන් උපකල්පනය කරනවාට වඩා වැදගත් වේ. response_format: {"type": "json_object"} ඉල්ලන්නේ වලංගු JSON එකක් සහ තවත් කිසිවක් නොවේ — ආකෘතිය හැඩය තෝරාගන්නා නිසා, ඇමතුම් දෙකකට {"name": ...} සහ {"full_name": ...} ආපසු දිය හැකි අතර දෙකම නිවැරදිය. json_schema කලින්ම හැඩය සපයයි: නම් කළ fields, types, enums, අවශ්‍ය ලැයිස්තු, nesting. එය ඔබට එරෙහිව කේත ලිවිය හැකි ගිවිසුමකි.

OpenAI-ගැළපෙන උපභාෂාවේ අවම ඇමතුමක්:

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"]
      }
    }
  }
}

ප්‍රායෝගික සටහන්

• සෑම field එකක්ම අවශ්‍ය කර null ට ඉඩ දෙන්න. විකල්ප fields නිශ්ශබ්ද අතහැරීම්වලට ආරාධනා කරයි; අවශ්‍ය nullable field එකක් පැහැදිලි "නොපවතී" එකක් බලෙන් සිදු කරයි, එය ඔබට ක්‍රියා කළ හැකි තොරතුරකි.
• Enums නිදහස් strings පරදවයි. ඔබට අගය කට්ටලය වසා දැමිය හැකි ඕනෑම තැනක, එය වසන්න — schema එකක සැබෑ-ලෝක සමත් අනුපාතයට ඇති ඉහළම-බලපෑම වෙනස.
• ටෝකන 16,384 ප්‍රතිදාන සිවිලිමට පහළින් රැඳී සිටින්න. සීමා නොකළ array එකක් වස්තුව මැදදී කැපී යනු ඇත. array දිග සීමා කරන්න, නැතහොත් ආදානය කැබලි කරන්න.
• system message එක තබා ගන්න. schema එක හැඩය සීමා කරයි; prompt එකම තවමත් අර්ථානුසාරය පාලනය කරයි — "critical" ලෙස ගණන් ගැනෙන්නේ කුමක්ද, දෙකක් පෙනුනහොත් කුමන දිනය ජයගන්නේද, ඒකක සාමාන්‍යකරණය කළ යුතුද.
• කෙසේ වුවත් වලංගු කරන්න. Schema සහාය සමත් අනුපාතය ඉහළ නංවයි; එය validator එකක් සහ dead-letter queue එකක් ප්‍රතිස්ථාපනය නොකරයි.

04"වාරණයෙන් තොර" විශ්වසනීයත්ව ගුණාංගයක් වන්නේ ඇයි, හුදෙක් අන්තර්ගත එකක් නොව

gateway එකේ Hy3 හට ප්‍රතික්ෂේප ස්තරයක් හෝ ප්‍රතිදාන පෙරහනක් නොමැත. සාමාන්‍ය රාමුව අන්තර්ගතය ගැනය: ආකෘතිය ඔබ වෙනුවෙන් එය කැමති නැති බව තීරණය කිරීමකින් තොරව, ඔබට ආරක්ෂක පර්යේෂණ, malware විශ්ලේෂණය, exploit ලේඛන, වෛද්‍ය සහ නීතිමය සංග්‍රහ, වැඩිහිටි ද්‍රව්‍ය, හානි-අඩු කිරීමේ ලේඛන හෝ සතුරු-පරිශීලක පිටපත් සැකසිය හැක.

එය වැදගත් වීමට දෙවන, වඩාත් යාන්ත්‍රික හේතුවක් ඇත. ප්‍රතික්ෂේපයක් schema උල්ලංඝනයකි. ප්‍රතික්ෂේප කරන පෙරහන් කළ ආකෘතියක් "unavailable" flag එකක් සමඟ ඔබේ වස්තුව ආපසු නොදෙයි — එය ගද්‍යයක් ආපසු දෙයි. "මට එම ඉල්ලීමට උදව් කළ නොහැක." එම string එක incident වස්තුවක් නොවේ; එය ඔබේ validator එක අසමත් වී සැබෑ parse දෝෂ අසල dead-letter queue එකට වැටේ, එහිදී ඔබට දැන් ප්‍රතිපත්ති ප්‍රතික්ෂේප සැබෑ විකෘතිතාවලින් වෙන් කිරීමට සිදු වේ.

වඩාත් නරක දෙය නම්, ප්‍රතික්ෂේප අහඹු ලෙස බෙදී යනවා වෙනුවට අන්තර්ගතය සමඟ සහසම්බන්ධ වීමයි. ඔබේ සංග්‍රහයෙන් 4%ක් ආරක්ෂක සිද්ධි වාර්තා නම් සහ ආකෘතිය ඉන් බොහොමයක් ප්‍රතික්ෂේප කරයි නම්, ඔබ throughput හි 4%ක් සමානව අහිමි කර නොමැත — ඔබ එක් ප්‍රවර්ගයක් අහිමි කර ඇති අතර, එම දත්ත මත ගොඩනගා ඇති dashboard එක එය හෙළි කිරීමට පවතින හරියටම එම දෙයම නිශ්ශබ්දව අඩුවෙන් වාර්තා කරයි. ප්‍රවර්ග-හැඩැති සිදුරු ඒකාකාර ශබ්දයට වඩා වැඩි වියදමක් දරයි, මන්ද ඒවා මත කිසිවක් අනතුරු අඟවන්නේ නැති බැවිනි. ප්‍රතික්ෂේප මාවත ඉවත් කරන්න, ඉතිරි වන දේ — විකෘතිතා, කැපීම්, අපැහැදිලි පෙළ — මාතෘකාව සමඟ සහසම්බන්ධ නොවන අතර, එබැවින් මනිය හැකිය.

05සන්දර්භය, ප්‍රතිදාන සිවිලිම, සහ ඒවා අයවැයගත කරන ආකාරය

gateway එකේ සෑම ආකෘතියක්ම එකම සීමා බෙදා ගනී:

සන්දර්භය බෙදාගත් අයවැයකි: prompt එක සහ ප්‍රතිදානය එකට 262,144 තුළට ගැලපිය යුතුය, එබැවින් එක් ඇමතුමකදී ප්‍රායෝගික ආදාන සිවිලිම ටෝකන 245,000ක් පමණ, දළ වශයෙන් ඉංග්‍රීසි වචන 180,000ක්. ව්‍යුහගත කාර්යය සඳහා ටෝකන 16,384 ප්‍රතිදාන සිවිලිම වඩාත් දුෂ්කර සීමාව වන අතර මිනිසුන් පුදුම කරන එකයි — වාර්තාවකට වස්තුවක් නිකුත් කරන schema එකක් window එක පිරීමට බොහෝ කලින් එයට වදිනු ඇත. ඊට එරෙහිව ක්‍රියා කරන රටා දෙකක්:

• පුළුල් ආදානය, පටු ප්‍රතිදානය. සම්පූර්ණ ගිවිසුමක්, filing එකක් හෝ log window එකක් සන්දර්භයට තල්ලු කර සංයුක්ත වස්තුවක් එකක් ඉල්ලන්න. ආදාන ටෝකන ප්‍රතිදාන ටෝකනවලින් හතරෙන් එකක් වැය කරයි, එබැවින් මිල ගණන් ගොඩක් කියවීමට සහ ටිකක් ලිවීමට ත්‍යාග දෙයි.
• byte ගණන් නොව record මායිම් මත කැබලි කරන්න. ආකෘතියට seam එක දැකිය හැකි තැන බෙදන්න. වාක්‍යයක් මැදදී කපන ලද record එකක් පැහැදිලි අසමත්වීමකට වඩා විශ්වාසයෙන් වැරදි වස්තුවක් නිපදවයි.

Hy3 හි වාර්තා කළ දිගු-සන්දර්භ ලබාගැනීමේ ශක්තිය — AA-LCR හි 73.4ක්, සහ MRCR දිගු-සංවාද මතකයේ 42.9% සිට 75.1% දක්වා පැනීමක් — පළමු රටාව රඳා පවතින හැකියාව හරියටම එයයි, සහ හොඳින් ලිවීමට වඩා වෙනස් කුසලතාවකි.

06බිම් මිල, සහ සැබෑ pipeline එකක ගණිතය

Hy3 ආදාන ටෝකන මිලියනයකට $0.50ක් සහ ප්‍රතිදාන ටෝකන මිලියනයකට $2.00ක් — MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 සහ MiniMax-M3 සමඟ බෙදාගන්නා නාමාවලියේ බිම් මිල. නියෝජිත වැඩ බර හරහා ගණනය කිරීම:

වැඩ බරය	ආදානය / ඇමතුම	ප්‍රතිදානය / ඇමතුම	පිරිවැය / ඇමතුම	1M ඇමතුම්වලට
Field නිස්සාරණය	1,200	300	$0.0012	$1,200
ලේඛන වර්ගීකරණය	3,000	120	$0.0018	$1,800
schema එකට දිගු-ලේඛන සාරාංශකරණය	40,000	900	$0.0218	$21,800
සම්පූර්ණ-window විශ්ලේෂණය	240,000	2,000	$0.1240	$124,000

තීරණ වෙනස් කරන සංඛ්‍යාව ශීර්ෂ අනුපාතය නොව retries වලින් පසු ඵලදායී අනුපාතයයි. ආකෘති දෙකක් එකම මිලක් ගෙවන අතර එකක් ඇමතුම්වලින් 6%ක validation එක අසමත් වන අතර අනෙක 1.5%ක් අසමත් වේ නම්, ඉහළ-අපගමන ආකෘතිය ඇමතුම් 4.5%ක් පමණ වැඩිපුර ධාවනය කරයි — දරාගත හැකිය. හානිය වලිගයේ ඇත: නැවත උත්සාහ කරන ලද ඇමතුම් දෙගුණයක කාලයක් ගනී, එබැවින් p99 latency දෘශ්‍යමාන ගමනාගමන කොටසකට දළ වශයෙන් දෙගුණ වන අතර, දෙවතාවක් අසමත් වන ඕනෑම දෙයක් අතින් කළ යුතු කාර්යයක් බවට පත් වේ. දිනකට ඇමතුම් මිලියනයක් ගණනේදී එය කිසිවෙකු කියවිය යුතු record දහස් ගණනකි.

එබැවින් බිම් මිලට බිට් 8 ස්තරය සඳහා තර්කය: මෙහි නිරවද්‍යතාවය සඳහා ඔබ අමතර මුදලක් ගෙවන්නේ නැත, එබැවින් retry ගණිතය නොමිලේ මුදලකි. බිට් 3 ආකෘතියක් ලාභ නම් කිරා බැලීමට සැබෑ හුවමාරුවක් ඇත — Hy3 නාමාවලියේ ලාභම දෙයට එකම මිලක් ගෙවයි.

07API උපභාෂා තුනක්, ආකෘතියක්

Hy3 gateway උපභාෂා තුනෙන්ම, එක් එක් එකේම ප්‍රවාහනය සමඟ ළඟා විය හැක. එකම ආකෘතිය, එකම බර, එකම සීමා — ඔබට දැනටමත් ඇති SDK එකට ගැලපෙන ඕනෑම එකක් තෝරන්න.

Endpoint	උපභාෂාව	භාවිත කරන්නේ මෙවිට
/v1/chat/completions	OpenAI	ඔබට OpenAI SDK, LangChain හෝ LlamaIndex ඇත. base URL එක මෙතනට යොමු කර, ආකෘති id එක වෙනස් කරන්න.
/v1/messages	Anthropic	ඔබ Anthropic SDK එකේ සිටින අතර පරිවර්තන ස්තරයක් නොමැතිව content blocks අවශ්‍යයි.
/v1/responses	Responses	ඔබට ටයිප් කළ ප්‍රතිදානය සහ server-side state සමඟ නවතම ඉල්ලීම් හැඩය අවශ්‍යයි.

Hy3 reasoning_effort ඇතුළුව මෙවලම් ඇමතුම් සහ තර්කනයටද සහාය දක්වයි. නිස්සාරණ කාර්යයට ප්‍රයෝජනවත් ක්‍රියාව සාමාන්‍යයෙන් තර්කනය පහත හෙළීමයි: පිරිසිදු පෙළක් මත හොඳින් නිශ්චිතව සකසන ලද schema එකකදී, thinking ටෝකන ඔබ ගෙවන ප්‍රතිදාන ටෝකන සහ ඔබ රැඳී සිටින latency ය, ආන්තික ලාභයක් සඳහා. ඒ වෙනුවට ප්‍රයත්න අයවැය ඇත්තටම අපැහැදිලි ආදානය මත වැය කරන්න.

සම්පූර්ණ ඉල්ලීම් සහ ප්‍රතිචාර යොමුව, පරාමිති ලැයිස්තු, ප්‍රවාහන semantics සහ අන්තර්ක්‍රියාකාරී playground එකක් API ලේඛනයේ ඇත.

08W8A16 ආකෘති තුනෙන් තෝරාගැනීම

ආකෘති තුනක් ඉහළම-නිරවද්‍යතා ස්තරයේ පිහිටා ඇත, සියල්ල බිම් මිලට. තේරීම බොහෝ දුරට modality එකයි:

ආකෘතිය	දෘශ්‍ය	json_schema	ආදාන / ප්‍රතිදාන මිල	තෝරන්නේ මෙයට
Hy3 · W8A16	නැත	ඔව්	$0.50 / $2.00	පෙළ-පමණි ව්‍යුහගත pipelines, tool orchestration, දිගු-සන්දර්භ ලබාගැනීම
MiMo-V2.5-Pro · W8A16	නැත	ඔව්	$0.50 / $2.00	MiMo පෙළපතේ Pro සීරුමාරුව අවශ්‍ය පෙළ-පමණි කාර්යය
MiMo-V2.5 · W8A16	ඔව්	ඔව්	$0.50 / $2.00	රූප ඇති ඕනෑම දෙයක් — පරිලෝකනය කළ ලේඛන, තිර රූ, ඡායාරූප

ඔබේ ආදානයේ ඕනෑම කොටසක් රූපයක් නම් තීරණය ඔබ වෙනුවෙන් ගෙන ඇත: Hy3 පෙළ-පමණි — පරිලෝකනය කළ PDF, තිර රූ සහ ඡායාරූප MiMo-V2.5 වෙත යවන්න. ආදානය සැබවින්ම පෙළ වන තැන, Hy3 හි agentic tool භාවිතය, දිගු-සන්දර්භ මතකය සහ අඩු වාර්තා කළ hallucination පැතිකඩ pipeline කාර්යයට වඩාත් සෘජුව සරිලයි. තුනම එකම මිලක් ගෙවන බැවින්, සැබෑ record සිය ගණනක් මත ඒවායින් දෙකකට එරෙහිව ඔබේ schema එක ධාවනය කර parse අනුපාත සසඳන්න; මෙය ඇතුළුව ඕනෑම වගුවකට වඩා එය එය විසඳයි.

09Hy3 එහි ස්ථානය දිනා ගන්නේ කොහෙද

• ඉහළ-පරිමාණ field නිස්සාරණය. ගිවිසුම්, filings, සිද්ධි වාර්තා, පිටපත්, සායනික සටහන්, උසාවි වාර්තා — ලේඛනයකට ටයිප් කළ වස්තුවක් ප්‍රතිඵලය වන සහ පරිමාව retries මිල අධික කරන ඕනෑම තැනක.
• පරිමාණයෙන් වර්ගීකරණය සහ මාර්ගගත කිරීම. වසා දැමූ enum ප්‍රතිදාන, එහිදී ආකෘතියේ සම්පූර්ණ වටිනාකම කිසි විටෙකත් දහනවවන ප්‍රවර්ගයක් නිර්මාණය නොකිරීමයි.
• ආරක්ෂක සහ threat-intel සංග්‍රහ. Malware ලේඛන, exploit හෙළිදරව් සහ phishing නියැදි — පෙරහන් කළ ආකෘති ප්‍රතික්ෂේපයට තල්ලු කරන ද්‍රව්‍ය, එහිදී ප්‍රවර්ග-හැඩැති සිදුරක් අරමුණ පරාජය කරයි.
• නවතින්නට නොහැකි tool-calling agents. බිට් 8 argument නිරවද්‍යතාව යන්නෙන් අදහස් වන්නේ ඔබේ functions වෙත භාර දෙන JSON parse වන බවයි; විකෘති tool call එකක් ටිකක් නරක පිළිතුරක් නොව නතර වූ agent එකකි.
• ව්‍යුහයට දිගු-ලේඛන විශ්ලේෂණය. සම්පූර්ණ filing එකක් ඇතුළට, සංයුක්ත වස්තුවක් එළියට.
• අන්තර්ගත මධ්‍යස්ථකරණය සහ ප්‍රතිපත්ති පර්යේෂණ. පෙරහන් කළ ආකෘතියක් කියවීම ප්‍රතික්ෂේප කරන ද්‍රව්‍ය ලේබල් කිරීම නිත්‍ය විශ්වාස-සහ-ආරක්ෂක ගැටලුවකි; දැඩි schema එකක් සහිත පෙරහන් නොකළ ආකෘතියක් එය සෘජුව විසඳයි.

එය එසේ නොවන තැන: රූප ඇති ඕනෑම දෙයක් (MiMo-V2.5 භාවිත කරන්න), සහ ස්වයංක්‍රීය බහු-ගොනු මෘදුකාංග ඉංජිනේරු විද්‍යාව, එහිදී Tencent ගේම වගු SWE-bench Verified හි Hy3 GLM-5.2 ට පසුපසින් තබන අතර DeepSWE හි බෙහෙවින් පසුපසින් තබයි.

ප්‍රතිස්පර්ධී සංඛ්‍යා ඇතුළුව ප්‍රමිති සංඛ්‍යා Tencent-වාර්තා කළ ඒවාය; ලිවීමේ අවස්ථාවේදී ස්වාධීන සත්‍යාපනය පොරොත්තුවෙන් පැවතුනි. පිරිවැය සංඛ්‍යා අපගේ ප්‍රකාශිත $0.50 / $2.00 ගාස්තුවලින් ගණනය කර ඇත. මෙම පිටුවේ කිසිදු සංඛ්‍යාවක් Shannon-ධාවනය කළ ප්‍රමිතියක් හෝ ඇස්තමේන්තුවක් නොවේ.

10නිතර අසන ප්‍රශ්න

---

මූලාශ්‍ර: Tencent Hunyuan ආකෘති කාඩ්පත් · Hy3 ගබඩාව · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · Hy3 නිකුතුව පිළිබඳ VentureBeat ආවරණය. පදනම් ප්‍රමිති Tencent-වාර්තා කළ අතර ස්වාධීන සත්‍යාපනය පොරොත්තුවෙන් තාවකාලිකය. Shannon AI ක්‍රියාත්මක කරනු ලබන්නේ Shannon Lab LLC, New Mexico, USA විසිනි.