Uncensored na Hy3 Model API

Karamihan sa mga debateng "aling modelo ang gagamitin ko" ay tungkol sa kisame: alin ang pinakamahusay magsulat ng code, lumulutas ng pinakamahirap na matematika, nananalo sa pinakamahabang takbo ng agent. Hindi ganoon gumana ang mga structured na pipeline. Ang trabahong kumukuha ng field mula sa sandaang libong dokumento kada araw ay hindi nangangailangan ng modelong minsanang henyo — kailangan nito ang tama sa parehong hugis sa tuwina, at hindi kailanman nagbabalik ng talata kung saan dapat naroon ang isang JSON object. Iyon ang katangiang kinaroroonan ng Hy3-W8A16.

01Ano ang Hy3, at saan ito nagmula

Ang Hy3 ay isang open-weight na modelong pangangatwiran at agentic mula sa koponang Hunyuan ng Tencent, inilabas nang buo noong Hulyo 6, 2026 sa ilalim ng maluwag na lisensya, na may weights na inilathala sa Hugging Face. Ipinagpapatuloy nito ang lahi ng naunang gawaing Hunyuan-Large na Mixture-of-Experts ng Tencent. Arkitektural itong sparse na MoE: 295 bilyong kabuuang parameter, na ang mga 21 bilyon ay nag-aaktibo kada token sa pamamagitan ng top-8 na pagruruta sa 192 na expert, sa isang 80-layer na transformer na may grouped-query na attention, kasama ang hiwalay na 3.8B na layer ng multi-token-prediction para sa speculative decoding. Ang likas na context ay 256K — eksaktong ang 262,144 na token na inilalantad namin, hindi pagputol sa mas malaki ni pinahabang rope ng mas maliit.

Ang ratio ng sparsity na iyon ang mahalagang numero para sa sinumang nagbabayad kada token: dala ng Hy3 ang kaalaman ng isang 295B na modelo habang ginagawa ang halos aritmetika lamang ng isang 21B kada forward pass. Iyon din ang dahilan kung bakit kaya naming ihain ito sa 8 na bit sa halip na siksikin nang mas malakas — kasya pa rin at mabilis pa ring tumatakbo ang 8-bit na build ng modelong ganito kasparse sa sarili naming GPU cluster.

Ang sinasabi ng Tencent na kagalingan nito

Inilalagay ng inilathalang talahanayan ng ebalwasyon ng Tencent ang lakas ng Hy3 sa agentic na paghahanap, orkestrasyon ng tool, at pagkuha sa mahabang context sa halip na sa hilaw na coding. Ang kanilang iniulat na bilang:

Sadya naming ipinapakita ang mahihinang bar. Nahuhuli ang Hy3 sa GLM-5.2 sa coding sa sariling paghahambing ng Tencent — 78.0 laban sa 84.2 sa SWE-bench Verified, 28.0 laban sa 46.2 sa DeepSWE. Kung awtonomong maraming-file na software engineering ang trabaho mo, basahin muna ang natitirang indise ng pananaliksik sa modelo. Kung pagbasa ng teksto at paglalabas ng istruktura naman, halos perpekto ang profile nito.

Ang pinakamahalagang bilang para sa gawaing pipeline ay isa sa pagiging maaasahan: iniuulat ng Tencent ang antas ng halusinasyon ng Hy3 sa 5.4%, mula sa 12.5% sa naunang henerasyon, na bumaba ang mali sa sentido komun mula 25.4% tungong 12.7%. Ang kanilang nakasaad na simulain sa pagsasanay — sumagot kapag may ebidensiya, sabihin nang malinaw kapag wala — ay mismong ang disposisyong gusto mo sa isang modelong pang-ekstraksiyon na kung hindi ay mag-iimbento ng kapani-paniwalang halaga para sa field na hindi naman binanggit ng pinagmulan.

Lahat ng bilang sa seksiyong ito ay iniulat ng Tencent mula sa sarili nilang pagsubok; nakabinbin pa ang malayang pagpapatunay ng ikatlong panig noong isinulat ito. Ituring silang panuro, hindi tapos na usapin.

02Ang ibig sabihin ng W8A16, at bakit ito mahalaga sa structured output

Bawat modelo sa gateway ay may dalang suffix ng kuwantisasyon. Hindi ito palamuti — sinasabi nito kung gaano kalayo ang inihaing weights sa checkpoint na inilabas ng lab.

Antas	Ang ginagawa nito	Katapatan
3BIT-REAP	3-bit na weights kasama ang REAP, isang paraan ng pagputol sa expert na nagbabagsak sa bihirang niruruta na MoE na expert bago ang pagkuwantisa	Pinakasiksik
W4A16-AUTOROUND-REAP	4-bit na weights / 16-bit na activations sa pamamagitan ng AutoRound — natutong pag-round na nagbabawi ng katumpakan laban sa payak na pag-round sa pinakamalapit — kasama ang pagputol na REAP	Gitna
W8A16	8-bit na weights / 16-bit na activations. Walang pagputol, walang pagkumpuni sa pamamagitan ng natutong pag-round — dinadala lamang ang weights sa dobleng presisyon	Pinakamataas

Kung saan talaga sumasakit ang paglihis ng kuwantisasyon

Nababawi ng REAP at AutoRound ang halos lahat ng nawawala sa payak na pagsisiksik — ngunit may bigat ang salitang "halos" sa pangungusap na iyon, at hindi pantay bumabagsak ang natira. Pinapahina ng mababang-bit na kuwantisasyon ang mga buntot: ang mababang-probabilidad at mataas-ang-tiyak na desisyon. Sa prosa halos hindi ito nakikita; kahit ibang pang-uri, maayos pa rin ang pangungusap. Sa structured output ito ang buong laro, dahil ang schema ay mahabang tanikala ng mababang-probabilidad na desisyong bawat isa ay dapat eksaktong tama:

• Sintaks sa antas ng token. Isang pansarang kulot, isang kuwit, isang panipi. Isang token ang bawat isa, at isang maling token ang nagpapawalang-bisa sa buong sagot.
• Disiplina sa enum. Sinasabi ng schema mo na ang "status" ay isa sa "open" | "closed" | "pending"; nagbabalik ang lumihis na modelo ng "Open" o "pending review" — malapit sa kahulugan, at balido bilang wala sa dalawa.
• Disiplina sa uri. Ang field na number ay bumabalik bilang "1,240", ang boolean bilang "yes". Pareho silang nababasa bilang string at bumabagsak sa schema.
• Mahabang-buntot na literal. Bihirang pangngalang pantangi, numero ng piyesa, pangalang kemikal, di-Latinong sulat, tumpak na petsa — mismong ang mababang-probabilidad na rehiyong nilalabo ng mababang-bit na weights.

Walang dito ang gumagawa sa 4-bit o 3-bit na modelo bilang masama; para sa gawaing pang-usap, madalas na hindi katumbas ng agwat sa presyo ang agwat sa katapatan. Ngunit kapag ang kumukonsumo ng output ay isang validator at hindi tao, tuwirang nagiging antas ng pagbabasa ang presisyon sa mga buntot — at ang antas ng pagbabasa ay nagiging badyet sa muling pagsubok at p99 na latency. Ang W8A16 ang antas kung saan tumitigil ka sa pagbabayad ng buwis na iyon.

03Structured output: json_schema at response_format

Sinusuportahan ng Hy3 ang dalawang kalahati ng ibabaw ng structured output — sulit sabihin nang tahasan, dahil hindi ito pangkalahatan sa katalogo:

Modelo	response_format	json_schema
Hy3 · W8A16	Oo	Oo
MiMo-V2.5-Pro · W8A16	Oo	Oo
inkling · W4A16-AUTOROUND-REAP	Oo	Hindi
Laguna-S-2.1 · W4A16-AUTOROUND-REAP	Hindi	Hindi

Mas mahalaga ang pagkakaiba ng dalawang mekanismo kaysa sa inaakala ng marami. Ang response_format: {"type": "json_object"} ay humihingi ng balidong JSON at wala nang iba — pinipili ng modelo ang hugis, kaya maaaring magbalik ang dalawang tawag ng {"name": ...} at {"full_name": ...} at tama pareho. Ibinibigay ng json_schema ang hugis nang maaga: pinangalanang field, uri, enum, listahan ng kailangan, pugad. Kontratang iyon na kaya mong sulatan ng code.

Isang pinakapayak na tawag sa dayalektong tugma sa 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"]
      }
    }
  }
}

Mga praktikal na tala

• Gawing kailangan ang bawat field at payagan ang null. Nag-aanyaya ng tahimik na pagkalaglag ang mga opsiyonal na field; pinipilit ng kailangang field na maaaring null ang isang tahasang "wala," na impormasyong kaya mong pagbatayan.
• Mas mainam ang enum kaysa malayang string. Saanman kaya mong isara ang set ng halaga, isara mo — ito ang pinakamalakas na pagbabago sa tunay na antas ng pagpasa ng isang schema.
• Manatili sa ilalim ng 16,384-token na takip sa output. Puputol sa gitna ng object ang walang-hangganang array. Takdaan ang haba ng array, o hatiin ang input.
• Panatilihin ang system message. Kinokontrol ng schema ang hugis; ang prompt pa rin ang namamahala sa kahulugan — ano ang itinuturing na "critical," aling petsa ang mananalo kapag dalawa ang lumitaw, kung isasa-pamantayan ba ang mga yunit.
• Magpatunay pa rin. Itinataas ng suporta sa schema ang antas ng pagpasa; hindi nito pinapalitan ang isang validator at isang dead-letter queue.

04Bakit katangian ng pagiging maaasahan ang "uncensored," hindi lamang ng nilalaman

Ang Hy3 sa gateway ay walang refusal layer at walang pagsala sa output. Ang karaniwang pagbabalangkas ay tungkol sa nilalaman: kaya mong iproseso ang pananaliksik sa seguridad, pagsusuri ng malware, mga ulat sa exploit, korpus na medikal at legal, materyal na pang-adulto, dokumentasyon sa pagbabawas ng pinsala o transkrip ng mapanlaban na gumagamit nang hindi nagpapasya ang modelo para sa iyo na mas gusto niyang huwag.

May pangalawa at mas mekanikal na dahilan kung bakit ito mahalaga. Paglabag sa schema ang isang pagtanggi. Ang nasasalang modelong tumatanggi ay hindi nagbabalik ng object mo na may bandilang "unavailable" — nagbabalik ito ng prosa. "I'm not able to help with that request." Hindi object na incident ang string na iyon; bumabagsak ito sa validator mo at napupunta sa dead-letter queue katabi ng tunay na mali sa pagbasa, kung saan kailangan mo nang paghiwalayin ang mga pagtanggi ayon sa patakaran at ang tunay na sira.

Mas malala, kaugnay ng nilalaman ang mga pagtanggi sa halip na basta kumalat. Kung 4% ng korpus mo ay ulat ng insidente sa seguridad at tinatanggihan ng modelo ang karamihan sa kanila, hindi ka nawalan ng 4% ng daloy nang pantay — nawalan ka ng isang kategorya, at tahimik na kulang ang iniuulat ng dashboard na itinayo sa datos na iyon tungkol sa mismong bagay na dahilan ng pag-iral nito. Mas mahal ang mga butas na hugis-kategorya kaysa sa pantay na ingay dahil walang nagbabala tungkol sa kanila. Alisin ang landas ng pagtanggi at ang natitira — mga sira, putol, at malabong teksto — ay hindi kaugnay ng paksa, at samakatwid ay nasusukat.

05Context, takip sa output, at kung paano sila babadyetan

Magkakabahagi ang bawat modelo sa gateway sa parehong hangganan:

Ibinabahaging badyet ang context: dapat magkasyang magkasama ang prompt at output sa loob ng 262,144, kaya ang praktikal na kisame ng input sa isang tawag ay mga 245,000 na token, magaspang na mga 180,000 na salitang Ingles. Sa structured na gawain, ang 16,384-token na takip sa output ang mas mahigpit na hangganan at ito ang nakakagulat sa marami — ang schema na naglalabas ng isang object kada tala ay tumatama rito bago pa mapuno ang bintana. Dalawang padron ang epektibo laban doon:

• Malapad na input, makitid na output. Itulak ang buong kontrata, dokumento o bintana ng log sa context at humingi ng iisang siksik na object. Ikaapat ng halaga ng output token ang input token, kaya ginagantimpalaan ng presyo ang maraming pagbasa at kaunting pagsulat.
• Maghati sa hangganan ng tala, hindi sa bilang ng byte. Maghati kung saan nakikita ng modelo ang tahi. Ang talang pinutol sa gitna ng pangungusap ay naglalabas ng object na may tiwalang mali sa halip na malinaw na pagkabigo.

Ang iniulat na lakas ng Hy3 sa pagkuha mula sa mahabang context — 73.4 sa AA-LCR, at ang paglundag mula 42.9% tungong 75.1% sa pag-alala sa mahabang usapan ng MRCR — ay mismong ang kakayahang pinagbabatayan ng unang padron, at ibang kasanayan iyon sa magaling na pagsulat.

06Presyong nasa sahig, at ang aritmetika ng tunay na pipeline

Nakaupo ang Hy3 sa $0.50 kada milyong input na token at $2.00 kada milyong output na token — ang sahig ng katalogo, kabahagi ng MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 at MiniMax-M3. Sa mga kinatawang karga:

Trabaho	Input / tawag	Output / tawag	Halaga / tawag	Kada 1M na tawag
Pagkuha ng field	1,200	300	$0.0012	$1,200
Klasipikasyon ng dokumento	3,000	120	$0.0018	$1,800
Mahabang dokumento tungong schema	40,000	900	$0.0218	$21,800
Pagsusuri sa buong bintana	240,000	2,000	$0.1240	$124,000

Hindi ang presyong pang-ulo ang numerong nagpapabago ng desisyon kundi ang epektibong halaga pagkatapos ng muling pagsubok. Kung magkasinghalaga ang dalawang modelo at ang isa ay bumabagsak sa pagpapatunay sa 6% ng tawag samantalang ang isa ay sa 1.5%, nagpapatakbo ang modelong mataas ang paglihis ng mga 4.5% na dagdag na tawag — kaya pang tiisin. Nasa buntot ang pinsala: dumodoble ang tagal ng inuulit na tawag, kaya halos dumodoble ang p99 na latency para sa nakikitang bahagi ng trapiko, at nagiging manwal na trabaho ang anumang bumagsak nang dalawang beses. Sa isang milyong tawag kada araw, libu-libong talaan iyon na kailangang basahin ng isang tao.

Kaya narito ang argumento para sa 8-bit na antas sa pinakamababang presyo: hindi ka nagbabayad ng premium para sa katapatan dito, kaya libreng pera ang aritmetika ng muling pagsubok. Kung mas mura ang isang 3-bit na modelo, may tunay na palitang titimbangin — kasinghalaga ng pinakamurang bagay sa katalogo ang Hy3.

07Tatlong dayalekto ng API, isang modelo

Maaabot ang Hy3 sa tatlong dayalekto ng gateway na may streaming sa bawat isa. Parehong modelo, parehong weights, parehong hangganan — piliin ang alinmang tumutugma sa SDK na mayroon ka na.

Endpoint	Dayalekto	Gamitin kapag
/v1/chat/completions	OpenAI	May OpenAI SDK, LangChain o LlamaIndex ka. Ituro dito ang base URL, palitan ang model id.
/v1/messages	Anthropic	Nasa Anthropic SDK ka at gusto mo ang mga bloke ng nilalaman nang walang layer ng pagsasalin.
/v1/responses	Responses	Gusto mo ang mas bagong hugis ng request na may tipadong output at estadong nasa server.

Sinusuportahan din ng Hy3 ang tool calling at ang pangangatwiran, kasama ang reasoning_effort. Para sa gawaing pang-ekstraksiyon, ang kapaki-pakinabang na hakbang ay karaniwang ibaba ang pangangatwiran: sa isang mahusay na tinukoy na schema laban sa malinis na teksto, ang mga token ng pag-iisip ay output na token na binabayaran mo at latency na hinihintay mo, para sa kakaunting pakinabang. Igugol ang badyet sa pagsisikap sa tunay na malabong input.

Nasa dokumentasyon ng API ang buong sanggunian sa request at response, ang listahan ng parameter, ang semantika ng streaming at isang interaktibong playground.

08Pagpili sa tatlong modelong W8A16

Tatlong modelo ang nakaupo sa pinakamataas ang katapatang antas, lahat sa pinakamababang presyo. Halos modalidad ang pinipili:

Modelo	Vision	json_schema	Presyo in / out	Piliin para sa
Hy3 · W8A16	Hindi	Oo	$0.50 / $2.00	Teksto lamang na structured na pipeline, orkestrasyon ng tool, pagkuha sa mahabang context
MiMo-V2.5-Pro · W8A16	Hindi	Oo	$0.50 / $2.00	Trabahong teksto lamang kung saan gusto mo ang Pro na pag-tune ng linyang MiMo
MiMo-V2.5 · W8A16	Oo	Oo	$0.50 / $2.00	Anumang may larawan — iskaneadong dokumento, screenshot, litrato

Kung larawan ang alinmang bahagi ng iyong input, napagdesisyunan na ito para sa iyo: teksto lamang ang Hy3 — ipadala sa MiMo-V2.5 ang iskaneadong PDF, screenshot at litrato. Kung tunay ngang teksto ang input, ang profile ng Hy3 sa agentic na paggamit ng tool, pag-alala sa mahabang context at mababang iniulat na halusinasyon ang pinakatuwirang tumutugma sa gawaing pipeline. Dahil magkakasinghalaga ang tatlo, patakbuhin ang schema mo laban sa dalawa sa kanila sa ilang daang tunay na talaan at ihambing ang antas ng pagbabasa; mas maayos niyon nalulutas ito kaysa sa anumang talahanayan, pati na sa isang ito.

09Saan kinikita ng Hy3 ang puwesto nito

• Malakihang pagkuha ng field. Kontrata, dokumentong isinampa, ulat ng insidente, transkrip, klinikal na tala, talaan ng korte — saanmang tipadong object kada dokumento ang produkto at ginagawang mahal ng dami ang muling pagsubok.
• Klasipikasyon at pagruruta sa laki. Saradong output na enum, kung saan ang buong halaga ng modelo ay ang hindi kailanman pag-imbento ng ikalabinsiyam na kategorya.
• Korpus ng seguridad at threat intel. Ulat sa malware, paglalantad ng exploit at halimbawa ng phishing — ang materyal na nagtutulak sa nasasalang modelo tungo sa pagtanggi, at kung saan tinatalo ng butas na hugis-kategorya ang mismong layunin.
• Mga agent na tumatawag ng tool at hindi dapat huminto. Ang 8-bit na katapatan sa argumento ay nangangahulugang nababasa ang JSON na ibinibigay sa iyong function; hindi bahagyang mas masamang sagot ang gusot na tool call kundi huminto nang agent.
• Pagsusuri sa mahabang dokumento tungo sa istruktura. Buong dokumento papasok, isang siksik na object palabas.
• Moderasyon ng nilalaman at pananaliksik sa patakaran. Ang paglalagay ng label sa materyal na tumatangging basahin ng nasasalang modelo ay laging problema sa tiwala at kaligtasan; tuwiran itong nilulutas ng modelong walang filter na may mahigpit na schema.

At kung saan hindi: anumang may larawan (gamitin ang MiMo-V2.5), at awtonomong maraming-file na software engineering, kung saan inilalagay ng sariling talahanayan ng Tencent ang Hy3 sa likod ng GLM-5.2 sa SWE-bench Verified at malayong likod sa DeepSWE.

Iniulat ng Tencent ang mga bilang sa benchmark, kasama ang bilang ng mga katunggali; nakabinbin pa ang malayang pagpapatunay noong isinusulat ito. Kinalkula ang mga bilang ng halaga mula sa aming inilathalang $0.50 / $2.00 na halaga. Walang numero sa pahinang ito ang benchmark na pinatakbo ng Shannon o isang tantiya.

10Mga madalas itanong

---

Mga sanggunian: mga model card ng Tencent Hunyuan · repositoryo ng Hy3 · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · ulat ng VentureBeat sa paglabas ng Hy3. Iniulat ng Tencent ang mga benchmark ng pundasyon at pansamantala pa ang mga ito habang naghihintay ng malayang pagpapatunay. Pinapatakbo ang Shannon AI ng Shannon Lab LLC, New Mexico, USA.