Tencent merilis model open source Hy3
(hy.tencent.com)- Menargetkan performa yang lebih tinggi dibanding model berukuran serupa, dan dinilai mampu bersaing dengan model open source flagship yang memiliki parameter 2~5 kali lebih banyak
- Dalam evaluasi buta berbasis pekerjaan nyata oleh 270 pakar, Hy3 mencatat 2.67/4, mengungguli 2.51/4 milik GLM-5.1, dengan selisih terbesar pada pengembangan frontend, data dan storage, serta CI/CD
- Melalui perbaikan berbasis umpan balik produk, tingkat halusinasi turun dari 12.5%→5.4%, tingkat kesalahan penalaran umum dari 25.4%→12.7%, dan tingkat isu pada pengujian internal multi-turn dari 17.4%→7.9%
- Dirilis dengan lisensi Apache 2.0 di GitHub, HuggingFace, ModelScope, dan AtomGit; harga API adalah input 1 RMB, output 4 RMB, dan cache input 0.25 RMB per 1 juta token
- Setelah Hy3 preview pada akhir April, Tencent merilis Hy3 resmi dengan memasukkan umpan balik dari lebih dari 50 produk dan data pasca-pelatihan berkualitas tinggi
Perilisan Hy3 dan performa agen
- Setelah meluncurkan Hy3 preview pada akhir April, Tencent mengumpulkan umpan balik dari lebih dari 50 produk dan memperluas pasca-pelatihan dengan data berkualitas lebih tinggi untuk merilis Hy3
- Model baru ini menghasilkan performa lebih tinggi daripada model dengan ukuran serupa, dan dinilai mampu bersaing dengan model open source flagship yang memiliki parameter 2~5 kali lebih banyak
- Setelah preview, kualitas dan keberagaman data pasca-pelatihan ditingkatkan dan pelatihan RL diperluas
- Meningkat pada penalaran, tugas berbasis agen, dan tugas konteks panjang
- Menargetkan level yang mampu bersaing dengan model flagship yang lebih besar
- Pada tugas produktivitas, ada kemajuan dalam coding, pekerjaan kantor, pemodelan keuangan, desain frontend, dan pengembangan game
- Dalam evaluasi buta menggunakan tugas kerja nyata oleh 270 pakar, Hy3 mencatat 2.67/4
- GLM-5.1 mencatat 2.51/4
- Keunggulan Hy3 paling besar pada tugas pengembangan frontend, data dan storage, serta CI/CD
Keandalan produk, biaya, dan cara perilisannya
- Tencent menilai benchmark saja sulit menangkap kegunaan model secara memadai, sehingga memperbaiki berbagai masalah berdasarkan umpan balik produk nyata
- Pemanggilan tool dan stabilitas format output ditingkatkan
- Memperbaiki masalah keandalan mendasar agar memenuhi standar tingkat produksi di seluruh pengaturan tool dan batasan output
- Pemulihan dari kesalahan pemanggilan tool dan efisiensi keseluruhan meningkat
- Pada scaffolding agen yang berbeda seperti CodeBuddy, Cline, dan KiloCode, rentang perubahan akurasi SWE-Bench Verified tetap dalam 4%
- Pengetahuan dan pencegahan halusinasi diperkuat
- Pembersihan data dan batasan pelatihan diterapkan dengan standar menjawab saat ada dasar, mengatakan tidak ada saat tidak ada bukti, serta tidak mencampur sumber atau memanipulasi data
- Dalam evaluasi internal berbasis skenario nyata, tingkat halusinasi turun dari 12.5% menjadi 5.4%
- Tingkat kesalahan penalaran umum turun dari 25.4% menjadi 12.7%
- Kebingungan fakta, manipulasi, dan kontradiksi logis berkurang
- Menjaga konteks kompleks dan pelacakan niat multi-turn ditingkatkan
- Melalui optimasi bersama SFT dan RL, berbagai masalah operasional seperti interpretasi target instruksi, pemulihan bagian yang dihilangkan, dan pewarisan batasan multi-turn ditangani
- Tingkat isu pada pengujian internal komprehensif multi-turn turun dari 17.4% menjadi 7.9%
- Juga membaik pada evaluasi percakapan panjang seperti MRCR
- Pada interaksi panjang, output menjadi lebih ringkas sambil menjaga agar niat kompleks tidak melemah atau bergeser
- Dalam pengujian internal WorkBuddy, Hy3 meningkatkan tingkat keberhasilan tugas dan waktu penyelesaian dibanding preview
- Tingkat keberhasilan tugas naik dari 72% pada Hy3 preview menjadi 90% pada Hy3
- Waktu penyelesaian rata-rata berkurang 34%
- Ada peningkatan pada pemrosesan data, pekerjaan dokumen, dan analisis laporan riset
- Pada beberapa tugas umum dibandingkan GLM-5.2, efisiensi token Hy3 lebih tinggi
- Menggunakan 47.4% lebih sedikit token pada pemrosesan dokumen
- Menggunakan 49% lebih sedikit token pada pembuatan presentasi
- Hy3 dirilis dengan lisensi Apache 2.0
- Harga API diturunkan melalui optimasi bersama hardware-software
- Input per 1 juta token: 1 RMB
- Output per 1 juta token: 4 RMB
- Cache input per 1 juta token: 0.25 RMB
- Dalam waktu 6 bulan, Tencent menjalani loop pengembangan model end-to-end mulai dari pembangunan ulang infrastruktur pada akhir Januari, Hy3 preview pada April, hingga perilisan dan deployment produk Hy3 kali ini
- Ke depan, Tencent berencana terus memperluas pelatihan, meningkatkan kualitas data, dan mengoptimalkan detail pengalaman pengguna
1 komentar
Opini Hacker News
Hasil Pelican beberapa hari lalu: https://simonwillison.net/2026/Jul/6/hy3/ — saya memakai tier gratis OpenRouter dan akan berakhir pada 21 Juli
41 hari lalu, saat mencobanya dengan model preview, pelikan yang muncul dilengkapi tombol "change pelican color": https://static.simonwillison.net/static/2026/hy3-preview-pelican.html
Sungguh keren melihat seberapa jauh model-model membaik pada pelikan SVG
Tertulis
tencent/Hy3. New Apache 2.0 licensed model from Tencent in China; apakah lab riset AI Tencent juga ada di wilayah lain? Misalnya, apa hubungan MiniMax dengan Tencent?Saya tidak terlalu menyukai LLM, tetapi berkat Anda saya sadar bahwa perasaan saya tidak rasional, dan bahwa pekerjaan yang dulu saya nikmati pada dasarnya sudah berakhir dalam bentuk lamanya, jadi saya harus merelakannya dan bergabung dengan pihak yang melakukannya demi uang dan perhatian
Meski begitu, untuk proyek pribadi saya, sebisa mungkin saya akan tetap coding manual dan tidak memakai LLM
Entah meme pelikan itu sebenarnya seberapa berguna, tetapi menurut saya keren bahwa setidaknya ia dimulai dari sisi estetika
Sebulan lalu saya menulis posting blog tentang Hy3 yang masuk papan atas peringkat OpenRouter meski tidak ada yang membicarakannya: https://news.ycombinator.com/item?id=48317294
Per hari ini, peringkatnya sudah turun ke posisi 8–9, dan saya tidak melihat alasan kuat untuk memakai ini dibanding model pesaing
Namun struktur harganya agak membingungkan; saat ini harga input efektif Hy3 melalui OpenRouter sudah sama dengan DeepSeek Flash V4 yang di-host oleh DeepSeek
https://openrouter.ai/tencent/hy3-preview
https://openrouter.ai/deepseek/deepseek-v4-flash
Turunnya peringkat mungkin juga karena itu, dan tampaknya mereka tidak mampu menangani permintaan
Memang masih model kecil, tetapi setidaknya skor benchmark-nya naik besar, termasuk DeepSWE
Harganya sama dengan Flash, tetapi benchmark-nya mirip Pro atau bahkan lebih tinggi pada sebagian tes
Tentu saja benchmark umumnya tidak terlalu bermakna; benchmark yang sesungguhnya adalah pekerjaan yang benar-benar kita berikan
Pengetahuan dunianya juga sangat baik untuk ukurannya, dan menurut saya lebih baik daripada DS4 Flash
Novita sedang menyediakan pemakaian gratis Hy3 di OpenRouter hingga 21 Juli
https://openrouter.ai/tencent/hy3:free
https://x.com/novita_labs/status/2074158304159510819
Karena ukurannya cukup mirip, saya penasaran bagaimana orang-orang merasakannya dibanding DS4 Flash
Saya juga penasaran seberapa tahan model ini saat diberi kuantisasi agresif
DS4 Flash saat ini berjalan cukup baik di sistem dengan RAM sekitar 96GB atau lebih, tetapi saya tidak tahu apakah Hy3 bisa bersaing di ranah itu
Saat dipakai melalui Claude Code, DS4 Flash terasa cukup berubah-ubah
Kecepatannya sangat bagus, tetapi sering membuat model mental yang sepenuhnya keliru lalu melaju ke arah yang salah, sehingga harus sering dikendalikan; riwayat juga perlu dikompresi, yang mengurangi keunggulan harga cache
Hy3 tidak secepat itu, tetapi sejauh ini jauh lebih stabil dalam mempertahankan arah dibanding DS4 Flash
Sepertinya juga lebih sedikit rusak pada konteks panjang, dan meski saya tidak tahu harga sebenarnya, saya merasa ini model yang sangat kompetitif
Secara terpisah, saya juga membeli paket 50 juta token LongCat 2.0 untuk mencobanya; memang tidak gratis, tetapi harganya praktis semurah dibagi-bagikan
Ini juga cukup mengesankan dan terlihat kira-kira setara dengan Hy3
Bukan kecerdasan kelas frontier, tetapi lebih seperti pekerja andal yang dapat menelusuri codebase dengan baik dan menjalankan pekerjaan yang diperintahkan secara stabil
Jika llama.cpp sepenuhnya mendukung lightning indexer, seluruh konteks 1M hanya akan membutuhkan sekitar 6GB RAM
Jadi meski ukurannya mirip, menurut saya DeepSeek akan jauh lebih efisien dalam aspek itu
Apakah Hy3 bisa bersaing sangat bergantung pada seberapa kuat ia terhadap kuantisasi
DSV4 masih bisa dipakai bahkan dengan kuantisasi 2-bit
Mungkin lebih baik menjalankan Qwen3.6-27B dalam Q8
DSv4 Flash bisa dijalankan di dua DGX Spark dan masih menyisakan memori untuk KV cache 3M token, sedangkan Hy3, meski dikuantisasi ke FP4, hanya muat KV cache sekitar 130K token
Model ini ukurannya sangat kecil dibandingkan performanya
Memang sedikit lebih besar daripada deepseekV4 flash, tetapi di beberapa benchmark tampaknya setara atau bahkan lebih baik daripada V4 pro, jadi tidak akan mengejutkan jika menjadi model lokal populer
GLM-5.2 juga berukuran setengah dari DeepSeek V4 Pro, tetapi harganya kira-kira dua kali lipat
Saya sempat melihat sedikit arsitektur DeepSeek, dan fokus utamanya adalah bagaimana menekan biaya semaksimal mungkin
Mereka banyak menghemat biaya pada mekanisme attention, sehingga bisa menawarkan harga yang sangat murah bahkan untuk konteks raksasa, tetapi tampaknya ada pengorbanan performa
Setidaknya, melihat model yang lebih kecil justru lebih mahal dan lebih bagus, saya jadi berpikir, “apakah attention-nya lebih padat?”
Hy3 has 295B parameters in total. To serve it on 8 GPUs, we recommend using H20-3e or other GPUs with larger memory capacity.Saya juga melihatnya bisa menjadi model lokal populer
Saya sudah mencoba modelnya dan hasilnya cukup bagus; sepertinya lebih baik daripada ~~gpt5.4~~ gpt-5.4-mini
Performanya juga cukup dekat dengan sonnet 5 sehingga saya tidak merasakan perbedaan besar
Ini bukan kelas gpt 5.5 dan mungkin di bawah glm 5.2, tetapi untuk sebagian besar tugas yang saya coba, model ini berjalan baik-baik saja dan sangat murah
Kalau Anda membutuhkan model FOSS, tidak ada alasan untuk tidak memakainya
Koreksi: ternyata bukan gpt-5.4 dasar, melainkan gpt-5.4-mini
Di posting blog Hy3 tampaknya ada banyak benchmark yang terkontaminasi, jadi perlu pengujian nyata
Kesan kuatnya, seperti banyak model Tiongkok, model ini sangat dioptimalkan untuk benchmark
Kalau gpt-5.4, mungkin belum ada model open source yang bisa menandinginya, dan mungkin masih butuh 1 tahun lagi
Saat memakai Hy3, rasanya saya yang jadi aneh
Entah karena model ini sangat ekstrem dioptimalkan untuk benchmark, atau karena cara saya memakainya yang bermasalah, tetapi saya lebih memilih memakai dense Gemma
Dalam ingatan terbaru saya, belum ada model yang membuang waktu saya sebanyak ini
31B jelas unggul, dan MoE juga sedikit lebih baik meski memakai kuantisasi 4-bit pada versi QAT
Qwen 3.6 27B juga lebih baik daripada Hy3
Sekarang setelah keluar dari preview dan mendapat lebih banyak post-training, saya akan mencobanya lagi
Seharusnya tidak menjadi lebih buruk, jadi mungkin sudah cukup bagus untuk bersaing dengan model 31B
Saya kira ini rilis baru bahasa Hy: https://hylang.org
Yang benar-benar dibutuhkan adalah terobosan dalam inferensi atau arsitektur LLM
Model sekelas GLM-5.2 harus bisa dijalankan dengan ukuran setara atau lebih kecil dari Qwen 3.6 27b pada perangkat konsumen seperti Macbook Pro 48GB, dengan setidaknya 100 token per detik
Hipotesis saya adalah, jika model yang lebih kecil, kurang pintar, tetapi cepat digabungkan dengan perangkat eksekusi yang baik, ia bisa berjalan lebih lama dan menyelesaikan masalah yang biasanya diselesaikan model besar sekaligus dengan cara brute force
Mirip seperti memasang peredam getaran pada berbagai struktur mekanis
Tidak bisa mengakses situsnya
Tidak tersambung ke https://hy.tencent.com/research/hy3