Necenzurované Hy3 API

Väčšina sporov o tom, „ktorý model použiť“, sa točí okolo stropu: ktorý napíše najlepší kód, vyrieši najťažšiu matematiku, vyhrá najdlhší beh agenta. Štruktúrované pipeline takto nefungujú. Úloha, ktorá denne extrahuje polia zo stotisíc dokumentov, nepotrebuje model, ktorý je raz geniálny — potrebuje taký, ktorý je zakaždým správny v rovnakom tvare a nikdy nevráti odsek tam, kam patrí objekt JSON. Presne pre túto vlastnosť je tu Hy3-W8A16.

01Čo je Hy3 a odkiaľ pochádza

Hy3 je model na uvažovanie a agentickú prácu s otvorenými váhami od tímu Hunyuan v Tencente, vydaný v plnom rozsahu 6. júla 2026 pod permisívnou licenciou, s váhami zverejnenými na Hugging Face. Nadväzuje na líniu skoršej práce Tencentu s Mixture-of-Experts, Hunyuan-Large. Architektonicky ide o riedky MoE: 295 miliárd parametrov celkovo, z ktorých sa približne 21 miliárd aktivuje na token cez smerovanie top-8 naprieč 192 expertmi, na 80-vrstvovom transformeri s grouped-query attention, plus samostatná vrstva viactokenovej predikcie s 3,8 miliardami parametrov pre špekulatívne dekódovanie. Natívny kontext je 256K — presne tých 262 144 tokenov, ktoré sprístupňujeme, nie orezanie niečoho väčšieho ani rope-natiahnutie niečoho menšieho.

Ten pomer riedkosti je kľúčové číslo pre každého, kto platí za token: Hy3 nesie vedomosti modelu s 295 miliardami parametrov, no na jeden prechod dopredu vykoná zhruba aritmetiku modelu s 21 miliardami. Aj preto si môžeme dovoliť servírovať ho v 8 bitoch namiesto tvrdšej kompresie — 8-bitový build takto riedkeho modelu sa stále zmestí a stále beží rýchlo na našom vlastnom GPU klastri.

V čom je podľa Tencentu dobrý

Zverejnené hodnotiace tabuľky Tencentu kladú silné stránky Hy3 jednoznačne do agentického vyhľadávania, orchestrácie nástrojov a vyhľadávania v dlhom kontexte, nie do surového programovania. Ich uvádzané čísla:

Slabé stĺpce ukazujeme zámerne. Hy3 zaostáva za GLM-5.2 v programovaní vo vlastnom porovnaní Tencentu — 78.0 proti 84.2 na SWE-bench Verified, 28.0 proti 46.2 na DeepSWE. Ak je vaša záťaž autonómne softvérové inžinierstvo naprieč viacerými súbormi, prečítajte si najprv zvyšok indexu výskumu modelov. Ak ide o čítanie textu a produkovanie štruktúry, profil je takmer ideálny.

Číslo, ktoré pre prácu s pipeline znamená najviac, je číslo o spoľahlivosti: Tencent uvádza mieru halucinácií Hy3 na 5,4 % oproti 12,5 % v predchádzajúcej generácii, pričom chyby v zdravom rozume klesli z 25,4 % na 12,7 %. Ich deklarovaný tréningový princíp — odpovedať, keď existuje dôkaz, a jasne povedať, keď nie je — je presne ten postoj, aký chcete v extrakčnom modeli, ktorý by inak vymyslel vierohodnú hodnotu pre pole, o ktorom sa zdroj vôbec nezmieňuje.

Všetky čísla v tejto sekcii uvádza Tencent z vlastných testovacích behov; nezávislé overenie treťou stranou bolo v čase písania stále otvorené. Berte ich ako orientačné, nie ako uzavreté.

02Čo znamená W8A16 a prečo na tom záleží pri štruktúrovanom výstupe

Každý model v bráne nesie kvantizačnú príponu. Nie je to ozdoba — hovorí vám, ako ďaleko sú servírované váhy od kontrolného bodu, ktorý laboratórium vydalo.

Úroveň	Čo robí	Vernosť
3BIT-REAP	3-bitové váhy plus REAP, metóda orezávania expertov, ktorá pred kvantizáciou odstráni zriedka smerovaných MoE expertov	Najviac skomprimované
W4A16-AUTOROUND-REAP	4-bitové váhy / 16-bitové aktivácie cez AutoRound — učené zaokrúhľovanie, ktoré obnovuje presnosť oproti naivnému zaokrúhľovaniu na najbližšiu hodnotu — plus orezávanie REAP	Stred
W8A16	8-bitové váhy / 16-bitové aktivácie. Žiadne orezávanie, žiadna oprava učeným zaokrúhľovaním — váhy sa jednoducho nesú v dvojnásobnej presnosti	Najvyššia

Kde kvantizačný posun naozaj bolí

REAP a AutoRound obnovia väčšinu toho, o čo naivná kompresia príde — ale slovo „väčšina“ v tej vete robí veľa práce a zvyšok nedopadá rovnomerne. Nízkobitová kvantizácia degraduje chvosty: rozhodnutia s nízkou pravdepodobnosťou a vysokou špecifickosťou. V próze je to takmer neviditeľné; iné prídavné meno je stále dobrá veta. V štruktúrovanom výstupe je to celá hra, pretože schéma je dlhá reťaz málo pravdepodobných rozhodnutí, z ktorých každé musí byť presné:

• Syntax na úrovni tokenu. Zatvárajúca zložená zátvorka, čiarka, úvodzovka. Každá z nich je jeden token a jediný zlý token zneplatní celú odpoveď.
• Disciplína enumov. Vaša schéma hovorí, že "status" je jedno z "open" | "closed" | "pending"; posunutý model vráti "Open" alebo "pending review" — sémanticky blízko a platné ako ani jedno z toho.
• Disciplína typov. Pole typu number sa vráti ako "1,240", boolean ako "yes". Oboje sa parsuje ako reťazec a v schéme neprejde.
• Literály z dlhého chvosta. Zriedkavé vlastné mená, čísla dielov, chemické názvy, nelatinkové písma, presné dátumy — presne tá málo pravdepodobná oblasť, ktorú nízkobitové váhy rozmažú.

Nič z toho nerobí 4-bitové ani 3-bitové modely zlými; pri konverzačnej práci často rozdiel vo vernosti nestojí za rozdiel v cene. Ale keď je konzumentom výstupu validátor a nie človek, presnosť v chvostoch sa priamo premieta do miery úspešného parsovania — a tá do rozpočtu na opakovania a do latencie p99. W8A16 je úroveň, kde túto daň prestanete platiť.

03Štruktúrovaný výstup: json_schema a response_format

Hy3 podporuje obe polovice plochy štruktúrovaného výstupu — stojí za to to povedať výslovne, lebo naprieč katalógom to nie je univerzálne:

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

Rozdiel medzi oboma mechanizmami je dôležitejší, než sa väčšine ľudí zdá. response_format: {"type": "json_object"} žiada platný JSON a nič viac — tvar si volí model, takže dve volania môžu vrátiť {"name": ...} a {"full_name": ...} a obe sú správne. json_schema dodá tvar dopredu: pomenované polia, typy, enumy, zoznamy povinných položiek, vnorenie. To je zmluva, proti ktorej sa dá písať kód.

Minimálne volanie v dialekte kompatibilnom s 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"]
      }
    }
  }
}

Praktické poznámky

• Každé pole spravte povinným a povoľte null. Voliteľné polia lákajú k tichým výpadkom; povinné pole, ktoré smie byť null, si vynúti explicitné „nie je prítomné“, a to je informácia, s ktorou sa dá pracovať.
• Enumy sú lepšie než voľné reťazce. Všade, kde sa množina hodnôt dá uzavrieť, ju uzavrite — je to zmena s najväčším pákovým efektom na reálnu úspešnosť schémy.
• Zostaňte pod stropom 16 384 výstupných tokenov. Neohraničené pole sa odreže uprostred objektu. Obmedzte dĺžky polí alebo vstup rozdeľte.
• Systémovú správu si nechajte. Schéma obmedzuje tvar; sémantiku stále riadi prompt — čo sa počíta ako „kritické“, ktorý dátum vyhráva, keď sa objavia dva, či normalizovať jednotky.
• Aj tak validujte. Podpora schém zvyšuje úspešnosť; nenahrádza validátor a frontu nedoručiteľných záznamov.

04Prečo je „necenzurované“ vlastnosť spoľahlivosti, nielen obsahu

Hy3 v bráne nemá žiadnu vrstvu odmietania ani filtrovanie výstupu. Bežný rámec je obsahový: môžete spracúvať bezpečnostný výskum, analýzu malvéru, rozbory exploitov, medicínske a právne korpusy, materiál pre dospelých, dokumentáciu k znižovaniu rizík či prepisy nepriateľských používateľov bez toho, aby model za vás rozhodol, že by radšej nie.

Existuje druhý, mechanickejší dôvod, prečo na tom záleží. Odmietnutie je porušenie schémy. Filtrovaný model, ktorý odmietne, nevráti váš objekt s príznakom "unavailable" — vráti prózu. „S touto požiadavkou vám nemôžem pomôcť.“ Taký reťazec nie je objekt incident; neprejde vaším validátorom a pristane vo fronte nedoručiteľných záznamov vedľa skutočných chýb parsovania, kde teraz musíte oddeľovať politické odmietnutia od reálnych deformácií.

Horšie, odmietnutia korelujú s obsahom, namiesto aby sa rozdeľovali náhodne. Ak sú 4 % vášho korpusu správy o bezpečnostných incidentoch a model väčšinu z nich odmietne, nestratili ste 4 % priepustnosti rovnomerne — stratili ste jednu kategóriu a dashboard postavený na tých dátach ticho podhodnocuje presne to, kvôli čomu vznikol. Diery v tvare kategórie stoja viac než rovnomerný šum, pretože na ne nič neupozorní. Odstráňte cestu odmietania a to, čo zostane — deformácie, orezania, nejednoznačný text — nekoreluje s témou, a preto sa dá merať.

05Kontext, výstupný strop a ako ich rozpočtovať

Každý model v bráne zdieľa rovnaké limity:

Kontext je zdieľaný rozpočet: prompt aj výstup sa musia zmestiť spoločne do 262 144, takže praktický strop vstupu v jednom volaní je asi 245 000 tokenov, veľmi hrubo 180 000 anglických slov. Pri štruktúrovanej práci je tvrdším limitom výstupný strop 16 384 tokenov a práve ten ľudí prekvapuje — schéma, ktorá emituje jeden objekt na záznam, ho dosiahne dávno predtým, než sa naplní okno. Proti tomu fungujú dva vzory:

• Široký vstup, úzky výstup. Natlačte do kontextu celú zmluvu, podanie alebo okno logov a pýtajte si jeden kompaktný objekt. Vstupné tokeny stoja štvrtinu výstupných, takže cenník odmeňuje veľa čítania a málo písania.
• Deľte na hraniciach záznamov, nie podľa počtu bajtov. Rozdeľte tam, kde model vidí šev. Záznam prerezaný uprostred vety vyprodukuje sebavedome nesprávny objekt namiesto zjavného zlyhania.

Uvádzaná sila Hy3 vo vyhľadávaní v dlhom kontexte — 73.4 na AA-LCR a skok zo 42,9 % na 75,1 % v zapamätaní dlhého dialógu v MRCR — je presne tá schopnosť, na ktorej prvý vzor stojí, a je to iná zručnosť než dobré písanie.

06Najnižšia cena a aritmetika reálnej pipeline

Hy3 stojí 0,50 $ za milión vstupných tokenov a 2,00 $ za milión výstupných tokenov — najnižšia cena katalógu, spoločná s MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 a MiniMax-M3. Prepočítané cez reprezentatívne záťaže:

Záťaž	Vstup / volanie	Výstup / volanie	Cena / volanie	Za 1M volaní
Extrakcia polí	1,200	300	$0.0012	$1,200
Klasifikácia dokumentov	3,000	120	$0.0018	$1,800
Zhrnutie dlhého dokumentu do schémy	40,000	900	$0.0218	$21,800
Analýza celého okna	240,000	2,000	$0.1240	$124,000

Číslo, ktoré mení rozhodnutia, nie je cena v titulku, ale efektívna cena po opakovaniach. Ak dva modely stoja rovnako a jeden neprejde validáciou pri 6 % volaní, kým druhý pri 1,5 %, model s väčším posunom spraví asi o 4,5 % viac volaní — to sa dá prežiť. Škoda je v chvoste: opakované volania trvajú dvakrát tak dlho, takže latencia p99 sa pre viditeľnú časť prevádzky zhruba zdvojnásobí a čokoľvek, čo zlyhá dvakrát, sa stáva ručnou prácou. Pri milióne volaní denne sú to tisíce záznamov, ktoré musí niekto prečítať.

Odtiaľ argument pre 8-bitovú úroveň za najnižšiu cenu: za vernosť tu neplatíte prirážku, takže aritmetika opakovaní sú peniaze zadarmo. Keby bol 3-bitový model lacnejší, bolo by čo zvažovať — Hy3 stojí rovnako ako to najlacnejšie v katalógu.

07Tri dialekty API, jeden model

Hy3 je dostupný vo všetkých troch dialektoch brány, na každom so streamovaním. Rovnaký model, rovnaké váhy, rovnaké limity — vyberte si ten, ktorý sedí SDK, ktoré už máte.

Koncový bod	Dialekt	Použite, keď
/v1/chat/completions	OpenAI	Máte OpenAI SDK, LangChain alebo LlamaIndex. Nasmerujte základnú URL sem a zmeňte id modelu.
/v1/messages	Anthropic	Ste na Anthropic SDK a chcete bloky obsahu bez prekladovej vrstvy.
/v1/responses	Responses	Chcete novší tvar požiadavky s typovaným výstupom a stavom na strane servera.

Hy3 podporuje aj volanie nástrojov a uvažovanie vrátane reasoning_effort. Pri extrakčnej práci je užitočným ťahom uvažovanie zvyčajne stlmiť: nad dobre špecifikovanou schémou a čistým textom sú tokeny na premýšľanie výstupnými tokenmi, ktoré platíte, a latenciou, ktorú si odčakáte, za okrajový zisk. Rozpočet na úsilie radšej minite na naozaj nejednoznačný vstup.

Kompletná referencia požiadaviek a odpovedí, zoznamy parametrov, sémantika streamovania a interaktívne ihrisko sú v dokumentácii API.

08Ako si vybrať spomedzi troch modelov W8A16

Na najvernejšej úrovni sedia tri modely, všetky za najnižšiu cenu. Voľba je najmä o modalite:

Model	Videnie	json_schema	Cena vstup / výstup	Zvoľte pre
Hy3 · W8A16	Nie	Áno	$0.50 / $2.00	Len textové štruktúrované pipeline, orchestrácia nástrojov, vyhľadávanie v dlhom kontexte
MiMo-V2.5-Pro · W8A16	Nie	Áno	$0.50 / $2.00	Len textovú prácu, kde chcete Pro ladenie línie MiMo
MiMo-V2.5 · W8A16	Áno	Áno	$0.50 / $2.00	Čokoľvek s obrázkami — skenované dokumenty, snímky obrazovky, fotografie

Ak je akákoľvek časť vášho vstupu obrázok, rozhodnuté je za vás: Hy3 je len textový — skenované PDF, snímky obrazovky a fotografie posielajte na MiMo-V2.5. Tam, kde je vstup naozaj text, profil Hy3 — agentické používanie nástrojov, pamäť v dlhom kontexte a nízka uvádzaná miera halucinácií — sedí na prácu s pipeline najpriamejšie. Keďže všetky tri stoja rovnako, pustite svoju schému proti dvom z nich na niekoľkých stovkách reálnych záznamov a porovnajte úspešnosť parsovania; to rozhodne lepšie než akákoľvek tabuľka vrátane tejto.

09Kde si Hy3 zaslúži miesto

• Vysokoobjemová extrakcia polí. Zmluvy, podania, správy o incidentoch, prepisy, klinické záznamy, súdne spisy — všade, kde je výstupom typovaný objekt na dokument a objem robí opakovania drahými.
• Klasifikácia a smerovanie vo veľkom. Uzavreté enumové výstupy, kde celá hodnota modelu spočíva v tom, že si nikdy nevymyslí devätnástu kategóriu.
• Bezpečnostné a threat-intel korpusy. Rozbory malvéru, zverejnenia exploitov a phishingové vzorky — materiál, ktorý filtrované modely zráža k odmietnutiu a kde diera v tvare kategórie marí celý zmysel.
• Agenti volajúci nástroje, ktorí sa nesmú zaseknúť. 8-bitová vernosť argumentov znamená, že JSON odovzdaný vašim funkciám sa parsuje; pokazené volanie nástroja je zaseknutý agent, nie o niečo horšia odpoveď.
• Analýza dlhých dokumentov do štruktúry. Celé podanie dnu, jeden kompaktný objekt von.
• Moderovanie obsahu a výskum politík. Označovanie materiálu, ktorý filtrovaný model odmieta čítať, je trvalý problém dôvery a bezpečnosti; nefiltrovaný model so striktnou schémou ho rieši priamo.

A kde nie: čokoľvek s obrázkami (použite MiMo-V2.5) a autonómne softvérové inžinierstvo naprieč viacerými súbormi, kde vlastné tabuľky Tencentu kladú Hy3 za GLM-5.2 na SWE-bench Verified a výrazne za neho na DeepSWE.

Benchmarkové čísla uvádza Tencent vrátane čísel konkurencie; nezávislé overenie bolo v čase písania otvorené. Nákladové čísla sú vypočítané z našich zverejnených sadzieb 0,50 $ / 2,00 $. Žiadne číslo na tejto stránke nie je benchmark spustený Shannonom ani odhad.

10Často kladené otázky

---

Zdroje: Karty modelov Tencent Hunyuan · Repozitár Hy3 · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · Pokrytie vydania Hy3 na VentureBeat. Benchmarky základu uvádza Tencent a sú predbežné, kým ich nezávisle neoverí niekto iný. Shannon AI prevádzkuje Shannon Lab LLC, Nové Mexiko, USA.