Sansürsüz Hy3 Model API'si

"Hangi modeli kullanmalıyım" tartışmalarının çoğu tavanla ilgilidir: hangisi en iyi kodu yazar, en zor matematiği çözer, en uzun ajan koşusunu kazanır. Yapılandırılmış hatlar böyle çalışmaz. Günde yüz bin belgeden alan çıkaran bir iş, bir kez parlak olan bir modele ihtiyaç duymaz — her seferinde aynı biçimde doğru olan ve bir JSON nesnesinin durması gereken yerde asla paragraf döndürmeyen bir modele ihtiyaç duyar. Hy3-W8A16'nın burada bulunma nedeni bu özelliktir.

01Hy3 nedir ve nereden geliyor

Hy3, Tencent'in Hunyuan ekibinden gelen açık ağırlıklı bir akıl yürütme ve ajansal modeldir; 6 Temmuz 2026'da izin verici bir lisansla tam olarak yayımlandı ve ağırlıkları Hugging Face'te yayımlandı. Tencent'in daha önceki Hunyuan-Large Uzmanlar Karışımı çalışmasının soyunu sürdürüyor. Mimari olarak seyrek bir MoE: 295 milyar toplam parametre, bunların kabaca 21 milyarı token başına etkin; 192 uzman arasında top-8 yönlendirmeyle, gruplanmış sorgu dikkatli 80 katmanlı bir transformer üzerinde, artı spekülatif kod çözme için ayrı bir 3,8B çok tokenlı öngörü katmanı. Doğal bağlam 256K — bizim açtığımız tam olarak 262.144 token; daha büyük bir şeyin kırpılması ya da daha küçük bir şeyin rope ile gerilmiş uzantısı değil.

Token başına ödeyen herkes için önemli olan sayı bu seyreklik oranıdır: Hy3, 295B'lik bir modelin bilgisini taşırken ileri geçiş başına kabaca 21B'lik bir modelin aritmetiğini yapar. Onu daha sert sıkıştırmak yerine 8 bitte sunmayı göze alabilmemizin nedeni de budur — bu kadar seyrek bir modelin 8 bitlik derlemesi kendi GPU kümemize hâlâ sığar ve hâlâ hızlı koşar.

Tencent onun neyde iyi olduğunu bildiriyor

Tencent'in yayımladığı değerlendirme tabloları, Hy3'ün güçlü yanlarını ham kodlamadan çok ajansal arama, araç düzenleme ve uzun bağlamlı erişim alanına yerleştiriyor. Bildirdikleri rakamlar:

Zayıf çubukları kasten gösteriyoruz. Tencent'in kendi karşılaştırmasında Hy3 kodlamada GLM-5.2'nin gerisinde kalıyor — SWE-bench Verified'da 84,2'ye karşı 78,0, DeepSWE'de 46,2'ye karşı 28,0. İş yükünüz özerk çok dosyalı yazılım mühendisliğiyse, önce model araştırma dizininin geri kalanını okuyun. Metin okuyup yapı üretmekse, profil ideale yakın.

Hat işleri için en çok önem taşıyan rakam bir güvenilirlik rakamı: Tencent, Hy3'ün halüsinasyon oranını %5,4 olarak bildiriyor; önceki kuşaktaki %12,5'ten düşmüş, sağduyu hataları ise %25,4'ten %12,7'ye inmiş. Açıkladıkları eğitim ilkesi — kanıt varsa yanıtla, yoksa açıkça söyle — kaynağın hiç anmadığı bir alan için makul görünen bir değer uyduracak bir çıkarım modelinde tam da istediğiniz mizaçtır.

Bu bölümdeki tüm rakamlar Tencent'in kendi test koşularından bildirdiği rakamlardır; yazım anında bağımsız üçüncü taraf doğrulaması henüz bekliyordu. Kesinleşmiş değil, yön gösterici sayın.

02W8A16 ne demek ve yapılandırılmış çıktı için neden önemli

Ağ geçidindeki her model bir niceleme son eki taşır. Bu bir süs değildir — sunulan ağırlıkların laboratuvarın yayımladığı kontrol noktasından ne kadar uzakta durduğunu söyler.

Katman	Ne yapar	Sadakat
3BIT-REAP	3 bit ağırlıklar artı REAP; nicelemeden önce nadiren yönlendirilen MoE uzmanlarını düşüren bir uzman budama yöntemi	En sıkıştırılmış
W4A16-AUTOROUND-REAP	AutoRound ile 4 bit ağırlık / 16 bit aktivasyon — naif en yakına yuvarlamaya göre doğruluğu geri kazandıran öğrenilmiş yuvarlama — artı REAP budaması	Orta
W8A16	8 bit ağırlık / 16 bit aktivasyon. Budama yok, öğrenilmiş yuvarlamayla onarım yok — ağırlıklar yalnızca iki katı hassasiyette taşınır	En yüksek

Niceleme savrulması aslında nerede canını yakıyor

REAP ve AutoRound, naif sıkıştırmanın yitirdiğinin çoğunu geri kazanır — ama o cümledeki asıl işi "çoğunu" yapıyor ve kalan artık eşit dağılmıyor. Düşük bitli niceleme kuyrukları bozar: düşük olasılıklı, yüksek özgüllüklü kararları. Düzyazıda bu neredeyse görünmezdir; farklı bir sıfat da güzel bir cümledir. Yapılandırılmış çıktıda ise oyunun tamamıdır, çünkü bir şema, her biri tam olarak doğru olmak zorunda olan uzun bir düşük olasılıklı kararlar zinciridir:

• Token düzeyinde sözdizimi. Bir kapanış süslü parantezi, bir virgül, bir tırnak karakteri. Her biri tek bir tokendır ve yanlış tek bir token tüm yanıtı geçersizleştirir.
• Enum disiplini. Şemanız "status" alanının "open" | "closed" | "pending"'den biri olduğunu söylüyor; savrulmuş bir model "Open" ya da "pending review" döndürüyor — anlamca yakın, ikisi olarak da geçersiz.
• Tür disiplini. Bir number alanı "1,240" olarak, bir boolean ise "yes" olarak geliyor. İkisi de dizge olarak ayrıştırılır ve şemada başarısız olur.
• Uzun kuyruklu değişmezler. Nadir özel adlar, parça numaraları, kimyasal adlar, Latin dışı yazılar, tam tarihler — tam olarak düşük bitli ağırlıkların bulanıklaştırdığı düşük olasılıklı bölge.

Bunların hiçbiri 4 bit ya da 3 bit modelleri kötü yapmaz; sohbet işleri için sadakat farkı çoğu zaman fiyat farkına değmez. Ama çıktının tüketicisi bir insan değil bir doğrulayıcıysa, kuyruklardaki hassasiyet doğrudan ayrıştırma oranına dönüşür — ayrıştırma oranı da yeniden deneme bütçesine ve p99 gecikmesine. W8A16, bu vergiyi ödemeyi bıraktığınız katmandır.

03Yapılandırılmış çıktı: json_schema ve response_format

Hy3, yapılandırılmış çıktı yüzeyinin her iki yarısını da destekler — bunu açıkça söylemeye değer, çünkü katalog genelinde evrensel değil:

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

İki mekanizma arasındaki fark sanılandan daha önemli. response_format: {"type": "json_object"} yalnızca geçerli JSON ister, fazlasını değil — biçimi model seçer, dolayısıyla iki çağrı {"name": ...} ve {"full_name": ...} döndürebilir ve ikisi de doğrudur. json_schema ise biçimi baştan verir: adlandırılmış alanlar, türler, enumlar, zorunlu listeler, iç içe geçme. Karşısında kod yazabileceğiniz bir sözleşme budur.

OpenAI uyumlu lehçede asgari bir çağrı:

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"]
      }
    }
  }
}

Pratik notlar

• Her alanı zorunlu yapın ve null'a izin verin. İsteğe bağlı alanlar sessiz düşüşleri davet eder; zorunlu ama boş geçilebilir bir alan, açık bir "yok" yanıtını dayatır ve bu, üzerine iş yapabileceğiniz bir bilgidir.
• Enumlar serbest dizgeleri yener. Değer kümesini kapatabildiğiniz her yerde kapatın — bir şemanın gerçek dünyadaki geçme oranını en çok yükselten değişiklik budur.
• 16.384 tokenlık çıktı tavanının altında kalın. Sınırsız bir dizi nesnenin ortasında kesilir. Dizi uzunluklarını sınırlayın ya da girdiyi parçalayın.
• Sistem iletisini koruyun. Şema biçimi kısıtlar; anlamı hâlâ istem yönetir — neyin "kritik" sayıldığı, iki tarih göründüğünde hangisinin kazandığı, birimlerin normalleştirilip normalleştirilmeyeceği.
• Yine de doğrulayın. Şema desteği geçme oranını yükseltir; bir doğrulayıcının ve bir ölü mektup kuyruğunun yerini tutmaz.

04"Sansürsüz" neden yalnızca bir içerik değil, bir güvenilirlik özelliği

Ağ geçidindeki Hy3'ün reddetme katmanı ve çıktı filtresi yok. Alışılmış çerçeveleme içerikle ilgilidir: güvenlik araştırmasını, kötücül yazılım çözümlemesini, istismar yazılarını, tıbbi ve hukuki derlemleri, yetişkin malzemesini, zarar azaltma belgelerini ya da düşmanca kullanıcı dökümlerini, model sizin adınıza "yapmasam daha iyi" demeden işleyebilirsiniz.

Bunun önem taşımasının ikinci ve daha mekanik bir nedeni var. Reddetme bir şema ihlalidir. Geri çeviren filtreli bir model, nesnenizi bir "unavailable" bayrağıyla döndürmez — düzyazı döndürür. "Bu istekte size yardımcı olamam." O dizge bir incident nesnesi değildir; doğrulayıcınızda başarısız olur ve gerçek ayrıştırma hatalarının yanında ölü mektup kuyruğuna düşer; artık politika reddetmelerini gerçek bozukluklardan ayırmanız gerekir.

Daha kötüsü, reddetmeler rastgele dağılmaz, içerikle ilişkilidir. Derleminizin %4'ü güvenlik olay raporlarıysa ve model bunların çoğunu geri çeviriyorsa, verimin %4'ünü eşit biçimde kaybetmiş olmazsınız — bir kategoriyi kaybedersiniz ve o veri üzerine kurulu gösterge paneli, tam da var olma nedeni olan şeyi sessizce eksik bildirir. Kategori biçimli boşluklar, tekdüze gürültüden daha pahalıya patlar, çünkü hiçbir şey onlar için uyarı vermez. Reddetme yolunu kaldırın; geriye kalan — bozukluklar, kesilmeler, belirsiz metin — konuyla ilişkisizdir ve dolayısıyla ölçülebilirdir.

05Bağlam, çıktı tavanı ve bunları nasıl bütçeleyeceğiniz

Ağ geçidindeki her model aynı sınırları paylaşır:

Bağlam paylaşılan bir bütçedir: istem ve çıktı birlikte 262.144'ün içine sığmak zorundadır, dolayısıyla tek bir çağrıdaki pratik giriş tavanı yaklaşık 245.000 token, çok kabaca 180.000 İngilizce sözcüktür. Yapılandırılmış işlerde 16.384 tokenlık çıktı sınırı daha sert kısıttır ve insanları şaşırtan da odur — kayıt başına bir nesne üreten bir şema, pencere dolmadan çok önce ona toslar. Buna karşı iki örüntü işe yarar:

• Geniş giriş, dar çıkış. Bir sözleşmenin, dosyanın ya da günlük penceresinin tamamını bağlama itin ve tek bir derli toplu nesne isteyin. Giriş tokenları çıkış tokenlarının dörtte biri kadar tutar; yani fiyatlandırma çok okuyup az yazmayı ödüllendirir.
• Bayt sayısına göre değil, kayıt sınırlarına göre parçalayın. Modelin dikişi görebileceği yerden bölün. Cümle ortasından kesilen bir kayıt, apaçık bir başarısızlık yerine kendinden emin biçimde yanlış bir nesne üretir.

Hy3'ün bildirilen uzun bağlamlı erişim gücü — AA-LCR'de 73,4 ve MRCR uzun diyalog hatırlamasında %42,9'dan %75,1'e sıçrama — birinci örüntünün dayandığı yeteneğin ta kendisidir ve iyi yazmaktan farklı bir beceridir.

06Taban fiyat ve gerçek bir hattın aritmetiği

Hy3, milyon giriş tokeni başına 0,50 $ ve milyon çıkış tokeni başına 2,00 $ ile katalog tabanında oturuyor; MiMo-V2.5, MiMo-V2.5-Pro, DeepSeek-V4-Flash-0731 ve MiniMax-M3 ile paylaşılan bir taban. Temsilî yükler üzerinden işlenmiş hâli:

İş yükü	Çağrı başına giriş	Çağrı başına çıkış	Çağrı başına maliyet	1M çağrı başına
Alan çıkarımı	1,200	300	$0.0012	$1,200
Belge sınıflandırma	3,000	120	$0.0018	$1,800
Uzun belgeyi şemaya özetleme	40,000	900	$0.0218	$21,800
Tam pencere çözümlemesi	240,000	2,000	$0.1240	$124,000

Kararları değiştiren sayı manşet tarife değil, yeniden denemelerden sonraki etkin tarifedir. İki model aynı fiyattaysa ve biri çağrıların %6'sında, diğeri %1,5'inde doğrulamada başarısız oluyorsa, savrulması yüksek olan model kabaca %4,5 daha fazla çağrı koşar — katlanılır. Asıl hasar kuyruktadır: yeniden denenen çağrılar iki kat uzun sürer, dolayısıyla trafiğin görünür bir diliminde p99 gecikmesi kabaca ikiye katlanır ve iki kez başarısız olan her şey elle iş hâline gelir. Günde milyon çağrıda bu, birinin okumak zorunda kalacağı binlerce kayıt demektir.

8 bit katmanının taban fiyatta olmasının gerekçesi de bu: burada sadakat için prim ödemiyorsunuz, dolayısıyla yeniden deneme aritmetiği bedava para. 3 bitlik bir model daha ucuz olsaydı tartılacak gerçek bir takas olurdu — Hy3, katalogdaki en ucuz şeyle aynı fiyata.

07Üç API lehçesi, tek model

Hy3, üç ağ geçidi lehçesinin hepsinde ve her birinde akıtmayla erişilebilir. Aynı model, aynı ağırlıklar, aynı sınırlar — elinizdeki SDK hangisine uyuyorsa onu seçin.

Uç nokta	Lehçe	Ne zaman
/v1/chat/completions	OpenAI	Elinizde bir OpenAI SDK'sı, LangChain ya da LlamaIndex var. Taban URL'yi buraya yöneltin, model kimliğini değiştirin.
/v1/messages	Anthropic	Anthropic SDK'sındasınız ve çeviri katmanı olmadan içerik blokları istiyorsunuz.
/v1/responses	Responses	Türlenmiş çıktı ve sunucu tarafı durumuyla daha yeni istek biçimini istiyorsunuz.

Hy3 ayrıca araç çağırmayı ve reasoning_effort dâhil akıl yürütmeyi destekler. Çıkarım işlerinde yararlı hamle genellikle akıl yürütmeyi kısmaktır: temiz metin üzerinde iyi tanımlanmış bir şemada düşünme tokenları, marjinal bir kazanç için ödediğiniz çıkış tokenları ve beklediğiniz gecikmedir. Çaba bütçesini bunun yerine gerçekten belirsiz girdilere harcayın.

Tam istek ve yanıt başvurusu, parametre listeleri, akıtma anlambilimi ve etkileşimli bir oyun alanı API belgelerinde.

08Üç W8A16 modeli arasında seçim yapmak

En yüksek sadakatli katmanda üç model oturuyor, hepsi taban fiyata. Seçim çoğunlukla kiple ilgili:

Model	Görü	json_schema	Giriş / çıkış fiyatı	Ne için seçilir
Hy3 · W8A16	Hayır	Evet	$0.50 / $2.00	Yalnızca metin yapılandırılmış hatlar, araç düzenleme, uzun bağlamlı erişim
MiMo-V2.5-Pro · W8A16	Hayır	Evet	$0.50 / $2.00	MiMo soyunun Pro ayarını istediğiniz yalnızca metin işler
MiMo-V2.5 · W8A16	Evet	Evet	$0.50 / $2.00	Görsel içeren her şey — taranmış belgeler, ekran görüntüleri, fotoğraflar

Girdinizin herhangi bir parçası görselse karar sizin yerinize verilmiştir: Hy3 yalnızca metindir — taranmış PDF'leri, ekran görüntülerini ve fotoğrafları MiMo-V2.5'e gönderin. Girdi gerçekten metinse, Hy3'ün ajansal araç kullanımı, uzun bağlam hatırlaması ve düşük bildirilen halüsinasyon profili hat işlerine en doğrudan oturan profildir. Üçü de aynı fiyata olduğu için, şemanızı birkaç yüz gerçek kayıt üzerinde ikisine karşı koşturun ve ayrıştırma oranlarını karşılaştırın; bu, bu tablo dâhil hiçbir tablonun çözemeyeceği kadar iyi çözer meseleyi.

09Hy3 yerini nerede hak ediyor

• Yüksek hacimli alan çıkarımı. Sözleşmeler, resmî dosyalar, olay raporları, dökümler, klinik notlar, mahkeme kayıtları — belge başına türlenmiş bir nesnenin teslim edilecek ürün olduğu ve hacmin yeniden denemeleri pahalıya getirdiği her yer.
• Ölçekte sınıflandırma ve yönlendirme. Modelin bütün değerinin on dokuzuncu bir kategori uydurmamak olduğu, kapalı enum çıktıları.
• Güvenlik ve tehdit istihbaratı derlemleri. Kötücül yazılım yazıları, istismar açıklamaları ve kimlik avı örnekleri — filtreli modelleri reddetmeye tetikleyen ve kategori biçimli bir boşluğun amacı boşa düşürdüğü malzeme.
• Takılmaması gereken araç çağıran ajanlar. 8 bitlik argüman sadakati, fonksiyonlarınıza verilen JSON'un ayrıştırıldığı anlamına gelir; bozulmuş bir araç çağrısı biraz daha kötü bir yanıt değil, takılmış bir ajandır.
• Uzun belgeyi yapıya dökme çözümlemesi. Dosyanın tamamı girer, tek bir derli toplu nesne çıkar.
• İçerik moderasyonu ve politika araştırması. Filtreli bir modelin okumayı reddettiği malzemeyi etiketlemek süregelen bir güven ve güvenlik problemidir; katı şemalı filtresiz bir model bunu doğrudan çözer.

Hak etmediği yerler ise: görsel içeren her şey (MiMo-V2.5 kullanın) ve özerk çok dosyalı yazılım mühendisliği; orada Tencent'in kendi tabloları Hy3'ü SWE-bench Verified'da GLM-5.2'nin gerisine, DeepSWE'de ise epeyce gerisine koyuyor.

Kıyaslama rakamları, rakip sayıları da dâhil olmak üzere Tencent'in bildirdiği rakamlardır; yazım anında bağımsız doğrulama bekliyordu. Maliyet rakamları yayımlanmış 0,50 $ / 2,00 $ tarifelerimizden hesaplanmıştır. Bu sayfadaki hiçbir sayı Shannon'ın koşturduğu bir kıyaslama ya da bir tahmin değildir.

10Sıkça sorulan sorular

---

Kaynaklar: Tencent Hunyuan model kartları · Hy3 deposu · Hunyuan-Large: An Open-Source MoE Model (arXiv 2411.02265) · Hy3 yayımının VentureBeat'teki haberi. Temel kıyaslamaları Tencent'in bildirdiği rakamlardır ve bağımsız doğrulama beklerken geçicidir. Shannon AI, ABD'nin New Mexico eyaletindeki Shannon Lab LLC tarafından işletilmektedir.