Hy3 är Tencent Hunyuans produktionsklara expertblandningsmodell — 295B totala parametrar med endast 21B aktiva per pass (192 experter, top-8-routning), den uppgraderade utgåvan som bygger på Hy3-preview-serien. Den utökar RL-träningsskalan och datakvaliteten efter träning för ytterligare förbättringar inom resonemang, långa sammanhang och agentbaserade uppgifter, med resultat som kan jämföras med flaggskeppsmodeller flera gånger dess parameterstorlek. Den har ett 256K-tokens kontextfönster (text in, text ut) med konfigurerbar resonemangsinsats och är byggd för verklig kodning, verktygsanvändning och flerstegsagentarbetsflöden med ett starkt förhållande mellan kvalitet och kostnad.
Tencent Hy3 är en textbaserad stor språkmodell utvecklad av Tencent. Den är designad för att bearbeta och generera text med ett kontextfönster på 262 144 tokens, vilket gör att den kan arbeta med…
Tencent Hy3 utmärker sig i alla uppgifter som innebär att bearbeta stora mängder text i ett enda sammanhang. Detta inkluderar att sammanfatta hela böcker, extrahera information från långa rapporter, analysera juridiska kontrakt från början till slut och granska stora programvarukodbaser för buggar eller förbättringar. Den är också stark på att bibehålla koherens i långformiga genereringsuppgifter som att skriva detaljerade artiklar eller fleromgångsdialoger med omfattande historik. Dess BrowseComp-poäng tyder på att den är särskilt bra på uppgifter som kräver att navigera och förstå stora mängder textinformation, liknande att bläddra i en dokumentsamling.
Du bör välja Tencent Hy3 när din uppgift kräver ett stort kontextfönster som mindre modeller inte kan hantera utan att dela upp. Till exempel om du behöver analysera ett 200-sidigt dokument i ett svep eller upprätthålla samtalskontext över hundratals turer. För enklare uppgifter som klassificering eller översättning av enstaka stycken skulle en mindre, billigare modell vara mer kostnadseffektiv. Tencent Hy3 är också ett bra val när du behöver förutsägbara, transparenta priser utan extra omkostnader. Om din uppgift är multimodal behöver du en annan modell som stöder bilder eller ljud.
Modellens främsta styrka är dess förmåga att hantera upp till 262 144 tokens i en enda prompt, vilket är ett av de största tillgängliga kontextfönstren. Detta eliminerar behovet av komplexa chunking-strategier för många långa dokument. Den fick 84,2 på BrowseComp, vilket indikerar robust prestanda för uppgifter som innefattar att bläddra och extrahera information från långa textsekvenser. Modellen förväntas bibehålla noggrannhet och koherens över mycket långa indata, även om exakta prestandamått för andra uppgifter inte anges. Dess styrkor realiseras bäst i scenarier där hela dokumentet måste beaktas på en gång.
BrowseComp är ett riktmärke utformat för att utvärdera en modells förmåga att bläddra och förstå stora mängder text, simulera uppgifter som att söka efter specifik information över flera dokument eller långa avsnitt. En poäng på 84.2 indikerar stark prestanda i dessa typer av uppgifter. Även om den exakta metriken inte beskrivs, tyder detta på att Tencent Hy3 är effektiv på att hämta och syntetisera information från långa sammanhang. Som jämförelse anses en poäng över 80 generellt vara mycket bra. Detta riktmärke är särskilt relevant för applikationer som forskningsassistenter och dokumentanalys.
Specifika latenssiffror för Tencent Hy3 anges inte. Som en stor modell med ett kontextfönster på 262k kommer inferenstiden att bero på in- och utdatatokenlängder, hårdvara och aktuell belastning. Generellt sett ökar längre indata bearbetningstiden. Användare bör förvänta sig högre latens jämfört med mindre modeller för mycket långa dokument. OrcaRouters API kan erbjuda olika endpoints med varierande hastigheter. För realtidsapplikationer är det tillrådligt att testa med representativa indata. Modellens avvägning mellan hastighet och noggrannhet är typisk för dess storlek.
Det enda tillhandahållna riktmärket är BrowseComp, där den fick 84,2, vilket indikerar stark långkontextbläddring och förståelse. Styrkorna inkluderar troligen noggrann informationshämtning från långa texter och att bibehålla sammanhang över många tokens. Svagheter anges inte explicit, men som en textbaserad modell saknar den multimodala förmågor. Andra riktmärkesresultat tillhandahålls inte, så vi kan inte jämföra med standarduppgifter för LLM som resonemang eller matematik. Dess stora kontext kan medföra högre latens och beräkningskostnad jämfört med mindre modeller. Modellen är utformad för textintensiva uppgifter snarare än allmän chatt.
Med ett kontextfönster på 262 144 tokens är Tencent Hy3 konstruerat för att bearbeta långa sekvenser i en enda omgång. Det innebär att information i början av ett långt dokument fortfarande kan vara tillgänglig när utdata genereras i slutet, vilket minskar vanliga hämtningsfel vid styckning. BrowseComp-poängen på 84,2 tyder på att modellen presterar bra på uppgifter som kräver uppmärksamhet på detaljer spridda över en lång text. Hantering av mycket långa sekvenser kan fortfarande kräva noggrann promptdesign för att undvika att överbelasta modellen, men det stora fönstret ger betydande utrymme för de flesta praktiska användningsfall med långa dokument.
Genom OrcaRouter är faktureringen transparent och baseras enbart på tokenanvändning. Du betalar $0,18 per en miljon tokens som skickas till modellen (indata) och $0,59 per en miljon tokens som genereras av modellen (utdata). Dessa priser är exakt vad leverantören tar ut, utan någon påslag från OrcaRouter. Tokenantal beräknas av Tencent tokenizer. Det finns inga prenumerationsavgifter eller krav på minimianvändning. Avgifterna visas på din OrcaRouter-faktura. Denna enkla struktur gör att du kan förutsäga kostnader för uppgifter med känd längd.
För långkontextuppgifter är Tencent Hy3:s prissättning konkurrenskraftig med tanke på kontextfönstrets storlek. Många modeller med liknande kontextfönster har högre kostnader per token. Men om din uppgift bara kräver en liten kontext, skulle en billigare modell vara mer ekonomisk. Nollpåslagspolicyn innebär att du inte betalar extra för plattformen. Kostnaden per miljon token är fast, så att bearbeta en 262k token inmatning kostar ungefär $0.047 för inmatning (eftersom 262k är 0.262M, inmatningskostnad 0.262 * 0.18 = $0.047). Utdatatokens läggs till proportionellt. Detta gör det överkomligt för många tillämpningar.
Inga specifika rabatter eller cachningsmekanismer nämns för Tencent Hy3 via OrcaRouter. Prissättningen är per förfrågan baserad på tokenantal, och inga volymrabatter har annonserats. Cachning av prompts eller svar beskrivs inte; varje förfrågan behandlas troligen oberoende. Användare bör anta att det inte finns några särskilda prisoptimeringar utöver baspriset. För högvolymanvändning kan det vara värt att kontakta OrcaRouter för potentiella anpassade arrangemang, men inga är garanterade. Det annonserade priset på $0,18/$0,59 per miljon tokens är den vanliga offentliga taxan.
För att anropa Tencent Hy3, ställ in bas-URL:en till https://api.orcarouter.ai/v1 och använd modellidentifieraren "tencent/hy3". API:et är fullt OpenAI-kompatibelt, så du kan använda OpenAI Python-klienten eller någon HTTP-klient som stöder Chat Completions-slutpunkten. Till exempel, med OpenAI Python-biblioteket, ställ in openai.api_base = "https://api.orcarouter.ai/v1" och inkludera din API-nyckel. Skapa sedan en chattkomplettering med model="tencent/hy3". Förfrågningsformatet är identiskt med OpenAI:s, med messages-array, temperature, max_tokens, etc. Inga särskilda parametrar krävs utöver modellnamnet.
API:n stöder alla standardparametrar för OpenAI Chat Completions-slutpunkten. Dessa inkluderar 'messages' (obligatoriskt), 'temperature' (0–2, standard 0.7), 'max_tokens' (gräns för utdatalängd), 'top_p', 'frequency_penalty', 'presence_penalty', 'stop' och 'stream' för token-för-token-utdata. Du kan också ställa in 'seed' för deterministisk sampling om så önskas. API:n kommer att respektera den 262,144-tokens kontextgränsen; meddelanden som överskrider den kommer att trunkeras eller avvisas. Det finns ingen speciell 'multimodal'-parameter eftersom modellen är textbaserad. Svarsformatet följer OpenAIs struktur.
Ja, att migrera från en annan text-LLM till Tencent Hy3 via OrcaRouter är enkelt tack vare det OpenAI-kompatibla API:et. Du behöver bara ändra modellidentifieraren från din tidigare modell (t.ex. "some-other-model") till "tencent/hy3" och uppdatera bas-URL:en till https://api.orcarouter.ai/v1. Begäran- och svars-scheman är identiska. Du kan behöva justera promptformateringen om den tidigare modellen hade annorlunda beteende, men vanligtvis krävs inga kodändringar utöver modellnamnet. Det rekommenderas att testa med representativa indata för att bekräfta utdatakvaliteten.
Autentisering använder en API-nyckel som tillhandahålls av OrcaRouter. Du måste inkludera denna nyckel i Authorization-huvudet som "Bearer YOUR_API_KEY" när du gör förfrågningar. API-nyckeln bör hållas hemlig och inte delas. OrcaRouter kan erbjuda olika nivåer av nycklar med varierande hastighetsbegränsningar. För OpenAI Python-klienten, ställ in openai.api_key = "your-key". Ingen annan autentisering krävs. Se till att du använder rätt bas-URL (https://api.orcarouter.ai/v1) och att nyckeln har behörighet att komma åt modellen "tencent/hy3".
Jämfört med modeller med mindre kontextfönster (t.ex. 4k, 8k, 32k) erbjuder Tencent Hy3 en mycket större kapacitet på 262k tokens, vilket gör att den kan bearbeta hela dokument utan att dela upp dem. Detta kan leda till högre noggrannhet för uppgifter som kräver global kontext. Mindre modeller är dock vanligtvis billigare per token, har lägre latens och kan vara mer effektiva för korta indata. Till exempel kan en modell med en 4k-kontext till ett lägre pris vara bättre för enkla frågor. Tencent Hy3:s kostnad per miljon tokens är relativt låg för sin kontextstorlek, vilket gör den till ett bra val för uppgifter med lång kontext.
Tencent Hy3 är endast textbaserad, så den kan inte bearbeta bilder, ljud eller video. Multimodala modeller som OpenAI:s GPT-4o kan acceptera sådana indata men kan ha mindre textkontextfönster eller högre kostnader. För texttunga uppgifter kan Tencent Hy3 vara mer kostnadseffektiv. Om ditt användningsfall kräver förståelse av visuellt innehåll kommer du att behöva en multimodal modell. Jämförelsen beror på om den tillagda modaliteten rättfärdigar avvägningen. Tencent Hy3:s stora kontextfönster är en tydlig fördel för rent textbaserade uppgifter som involverar långa dokument.
Tencent Hy3 utmärker sig i OrcaRouter's katalog för sin kombination av ett mycket stort kontextfönster (262k tokens) och konkurrenskraftig prissättning ($0.18/$0.59 per miljon tokens). Det är en av de få modeller som erbjuder en så stor kontext till en kostnad under $1 per output-token. Modellen är endast textbaserad, vilket fokuserar dess användbarhet på dokumentanalys och generering. Prissättningen med noll påslag (pass-through) säkerställer inga överraskningsavgifter. Detta gör det till ett attraktivt alternativ för utvecklare och företag som behöver bearbeta långa texter utan att ruinera sig, särskilt jämfört med andra stora kontextmodeller som kan ha högre kostnader per token.
OpenAI-kompatibel — behåll det SDK du redan använder
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="tencent/hy3",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)frequency_penaltyinclude_reasoninglogit_biasmax_tokensmin_ppresence_penaltyreasoningreasoning_effortrepetition_penaltyresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_ktop_p| Inmatning / 1M token | $0.180 |
| Utdata / 1M tokens | $0.590 |
| Cacheläsning / 1M | $0.059 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
@misc{orcarouter_hy3,
title = {Hy3 API},
author = {Tencent},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/tencent/hy3}
}Tencent. (2026). Hy3 API. OrcaRouter. https://www.orcarouter.ai/models/tencent/hy3