Hy3是腾讯混元的生产级混合专家模型——总参数达2950亿，每次推理仅激活210亿参数（192个专家，Top-8路由），是基于Hy3-preview系列的升级版本。它扩展了强化学习训练规模并提升了后训练数据质量，在推理、长上下文和智能体任务上进一步取得突破，性能可媲美参数规模数倍于自身的旗舰模型。该模型支持256K token上下文窗口（文本输入/输出），具备可配置的推理能力，专为实际场景中的编码、工具调用及多步骤智能体工作流设计，提供卓越的性价比。
Tencent Hy3 是腾讯开发的一款纯文本大语言模型，专为处理与生成文本而设计，支持262,144个令牌的上下文窗口，使其能够处理超长文档或大规模对话。该模型在评估浏览能力与长文本理解的BrowseComp基准测试中获得了84.2分。可通过OrcaRouter提供的OpenAI兼容API使用，模型ID为"tencent/hy3"。定价为每百万输入令牌0.18美元、每百万输出令牌0.59美元，无…
Tencent Hy3 擅长处理单个上下文中的大量文本，包括总结整本书籍、从长篇报告中提取信息、端到端分析法律合同，以及审查大型软件代码库以查找错误或改进点。它还能在长篇生成任务中保持连贯性，例如撰写详细文章或涉及大量历史记录的多轮对话。其 BrowseComp 分数表明，它特别擅长需要导航和理解大量文本信息的任务，类似于浏览文档集合。
当您的任务需要大上下文窗口，而较小的模型无法在不分块的情况下处理时，应选择 Tencent Hy3。例如，如果您需要一次性分析200页的文档，或在数百轮对话中保持上下文。对于更简单的任务，如单段落分类或翻译，使用更小、更便宜的模型会更经济高效。当您需要可预测、透明的定价且无隐性成本时，Tencent Hy3 也是一个不错的选择。如果您的任务是多模态的，您需要支持图像或音频的其他模型。
模型的主要优势在于能在单次提示中处理多达262,144个tokens，这是目前最大的上下文窗口之一。这消除了对许多长文档采用复杂分块策略的需求。它在BrowseComp上得分为84.2，表明在涉及浏览和从长文本序列中提取信息的任务中表现稳健。该模型可能在非常长的输入中保持准确性和连贯性，尽管未提供其他任务的确切性能基准。其优势在需要一次性考虑整个文档的场景中最为明显。
BrowseComp 是一个基准测试，用于评估模型浏览和理解大量文本的能力，模拟在多份文档或长段落中搜索特定信息等任务。84.2 的分数表明在该类任务中表现出色。虽然未明确具体指标，但这说明腾讯 Hy3 能够有效从长上下文中检索并综合信息。作为参考，80 分以上通常被认为非常优秀。该基准测试对于研究助手和文档分析等应用尤为相关。
未提供腾讯Hy3的具体延迟数据。作为拥有262k上下文窗口的大模型，推理时间取决于输入和输出token长度、硬件及当前负载。通常，较长的输入会增加处理时间。与小型模型相比，处理超长文档时用户应预期更高的延迟。OrcaRouter的API可能提供不同速度的端点。对于实时应用，建议使用代表性输入进行测试。该模型的速度-准确率权衡符合其规模特征。
唯一提供的基准测试是 BrowseComp，其得分为 84.2，表明具有较强的长上下文浏览和理解能力。优势可能包括从长文本中准确检索信息以及跨多个 token 保持上下文。弱点未明确给出，但作为纯文本模型，它缺乏多模态能力。其他基准测试得分未提供，因此我们无法在推理或数学等标准 LLM 任务上进行比较。其大上下文可能导致相比小型模型更高的延迟和计算成本。该模型专为文本密集型任务设计，而非通用对话场景。
凭借262,144个token的上下文窗口，腾讯Hy3能够单次处理长序列。这意味着在生成长文档末尾的输出时，文档开头的信息仍然可用，从而减少了分块常见的检索错误。84.2的BrowseComp得分表明，该模型在需要关注长篇文本中分散细节的任务上表现良好。处理极长序列时可能仍需精心设计提示词以避免模型过载，但较大的窗口为大多数实用的长文档应用场景提供了充足的空间。
通过OrcaRouter，计费透明且仅基于令牌使用量。您需支付每百万输入令牌（发送至模型）0.18美元，以及每百万输出令牌（模型生成）0.59美元。这些费率与提供商收取的费用完全相同，OrcaRouter不加价。令牌计数由腾讯的tokenizer计算。无订阅费或最低使用量要求。费用将显示在您的OrcaRouter账单上。这种简单的计费结构使您能够预测已知长度任务的成本。
对于长上下文任务，腾讯Hy3在上下文窗口大小方面的定价具有竞争力。许多具有相似上下文窗口的模型每token成本更高。然而，如果你的任务只需要小上下文，选择更便宜的模型会更经济。零加价政策意味着你无需为平台支付额外费用。每百万token的成本是固定的，因此处理262k token的输入大约需要0.047美元作为输入成本（因为262k是0.262M，输入成本0.262 * 0.18 = 0.047美元）。输出token按比例增加。这使得它对许多应用来说都负担得起。
腾讯Hy3通过OrcaRouter暂无提及具体折扣或缓存机制。定价按每次请求的token数量计费，未公布批量折扣。未说明提示或响应的缓存方式，每次请求可能独立处理。用户应假设除基础费率外无特殊定价优化。若需大量使用，可联系OrcaRouter探讨潜在定制方案，但无法保证任何优惠。公布的每百万token 0.18美元/0.59美元为标准公开费率。
要调用腾讯Hy3，请将基础URL设置为 https://api.orcarouter.ai/v1，并使用模型标识符 "tencent/hy3"。该API完全兼容OpenAI，因此你可以使用OpenAI的Python客户端或任何支持Chat Completions端点的HTTP客户端。例如，使用OpenAI Python库时，设置 openai.api_base = "https://api.orcarouter.ai/v1" 并包含你的API密钥。然后使用 model="tencent/hy3" 创建聊天补全。请求格式与OpenAI相同，包含messages数组、temperature、max_tokens等参数。除模型名称外，无需特殊参数。
该API支持OpenAI聊天补全端点的所有标准参数。其中包括'messages'（必填）、'temperature'（0-2，默认0.7）、'max_tokens'（输出长度限制）、'top_p'、'frequency_penalty'、'presence_penalty'、'stop'以及用于逐词输出的'stream'。如有需要，您也可以设置'seed'以实现确定性采样。API将遵守262,144个令牌的上下文限制；超出该限制的提示将被截断或拒绝。由于模型仅支持文本，因此没有特殊的'multimodal'参数。响应格式遵循OpenAI的结构。
是的，通过OrcaRouter从其他文本LLM迁移到Tencent Hy3非常简单，因为其API兼容OpenAI格式。您只需将之前的模型标识（例如"some-other-model"）更改为"tencent/hy3"，并将基础URL更新为https://api.orcarouter.ai/v1。请求和响应模式完全相同。如果之前的模型行为不同，您可能需要调整提示词格式，但通常除了模型名称外无需更改代码。建议使用代表性输入进行测试以确认输出质量。
认证使用OrcaRouter提供的API密钥。发起请求时，必须在Authorization头中将其作为"Bearer YOUR_API_KEY"包含。API密钥应保密，不得共享。OrcaRouter可能提供不同层级的密钥，具有不同的速率限制。对于OpenAI Python客户端，请设置openai.api_key = "your-key"。无需其他认证。确保使用正确的base URL (https://api.orcarouter.ai/v1)，且密钥具有访问"tencent/hy3"模型的权限。
相比上下文窗口较小的模型（如4k、8k、32k），Tencent Hy3提供了高达262k token的庞大容量，使其能够处理完整文档而无需分块。这有助于在需要全局上下文的任务中实现更高准确性。然而，较小的模型通常每token成本更低、延迟更低，对于短输入可能更高效。例如，价格更低的4k上下文模型可能更适合简单查询。Tencent Hy3每百万token的成本在其上下文大小下相对较低，使其成为长上下文任务的优选。
腾讯Hy3 仅支持文本，因此无法处理图像、音频或视频。像 OpenAI 的 GPT-4o 这样的多模态模型可以接受此类输入，但文本上下文窗口可能更小或成本更高。对于文本密集型任务，腾讯Hy3 可能更具成本效益。如果你的用例需要理解视觉内容，则需要多模态模型。比较取决于新增的模态是否值得权衡。对于涉及长文档的纯文本任务，腾讯Hy3 的大上下文窗口是一个显著优势。
Tencent Hy3 在 OrcaRouter 的目录中脱颖而出，因为它兼具超大的上下文窗口（26.2万 tokens）和极具竞争力的定价（每百万 tokens 输入/输出分别为 $0.18/$0.59）。它是少数能以低于 $1 的输出 token 成本提供如此大上下文的模型之一。该模型仅支持文本，因此其效用聚焦于文档分析与生成。零加价的直通定价确保了不会出现意外费用。这使得它成为需要处理长文本但又不想花费太多成本的开发者与企业的理想选择——尤其与其他每 token 成本更高的大上下文模型相比。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| 输入 / 1M tokens | $0.180 |
| 输出 / 1M tokens | $0.590 |
| 缓存读取 / 1M | $0.059 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@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