Tencent ने ओपन-सोर्स मॉडल Hy3 जारी किया
(hy.tencent.com)- समान आकार के मॉडलों से बेहतर प्रदर्शन का लक्ष्य रखता है, और 2~5 गुना अधिक parameters वाले flagship open-source मॉडलों से भी प्रतिस्पर्धा करने लायक स्तर पर है
- 270 विशेषज्ञों के वास्तविक काम पर आधारित blind evaluation में Hy3 ने 2.67/4 स्कोर किया, जो GLM-5.1 के 2.51/4 से आगे था; frontend development, data और storage, तथा CI/CD में अंतर बड़ा था
- product feedback पर आधारित सुधारों से hallucination rate 12.5%→5.4%, commonsense error rate 25.4%→12.7%, और internal multi-turn test issue rate 17.4%→7.9% तक घटा
- Apache 2.0 license के तहत GitHub, HuggingFace, ModelScope और AtomGit पर जारी किया गया; API pricing 10 लाख tokens पर input 1 RMB, output 4 RMB, और cached input 0.25 RMB है
- Tencent ने अप्रैल के अंत में Hy3 preview के बाद 50 से अधिक products से मिले feedback और high-quality post-training data को शामिल कर आधिकारिक Hy3 जारी किया
Hy3 रिलीज़ और agent performance
- Tencent ने अप्रैल के अंत में Hy3 preview launch करने के बाद 50 से अधिक products से feedback इकट्ठा किया, और अधिक high-quality data के साथ post-training को expand कर Hy3 जारी किया
- नए model को समान आकार के models से बेहतर performance देने वाला और 2~5 गुना parameters वाले flagship open-source models से प्रतिस्पर्धा करने लायक स्तर का माना गया है
- preview के बाद post-training data की quality और diversity बढ़ाई गई और RL training को expand किया गया
- reasoning, agentic tasks और long-context tasks में सुधार हुआ
- लक्ष्य बड़े flagship models से प्रतिस्पर्धा करने लायक स्तर तक पहुंचना है
- productivity tasks में coding, office work, financial modeling, frontend design और game development में प्रगति हुई है
- 270 विशेषज्ञों ने वास्तविक work tasks का इस्तेमाल कर blind evaluation किया, जिसमें Hy3 ने 2.67/4 दर्ज किया
- GLM-5.1 ने 2.51/4 दर्ज किया
- Hy3 की बढ़त frontend development, data और storage, तथा CI/CD tasks में सबसे अधिक थी
Product reliability, cost और release method
- यह मानते हुए कि सिर्फ benchmarks model की उपयोगिता को पूरी तरह नहीं पकड़ पाते, वास्तविक product feedback के आधार पर कई समस्याएं ठीक की गईं
- tool calling और output format stability में सुधार किया गया
- tool settings और output constraints में production-level standards को पूरा करने के लिए बुनियादी reliability issues ठीक किए गए
- tool call error recovery और overall efficiency बेहतर हुई
- CodeBuddy, Cline, KiloCode जैसे अलग-अलग agent scaffolding में SWE-Bench Verified accuracy variation 4% के भीतर रहा
- knowledge और hallucination prevention को मजबूत किया गया
- आधार होने पर जवाब देना, evidence न होने पर उसे न होने की बात कहना, और sources मिलाना या data fabricate न करना—इन मानकों के आधार पर data cleaning और training constraints लागू किए गए
- internal real-scenario evaluation में hallucination rate 12.5% से घटकर 5.4% हो गया
- commonsense error rate 25.4% से घटकर 12.7% हो गया
- factual confusion, fabrication और logical contradictions कम हुए
- complex context retention और multi-turn intent tracking में सुधार किया गया
- SFT और RL के joint optimization से instruction target interpretation, omitted information recovery, और multi-turn constraint inheritance जैसी operational समस्याओं को संभाला गया
- internal comprehensive multi-turn test में issue rate 17.4% से घटकर 7.9% हो गया
- MRCR जैसे long-conversation evaluations में भी सुधार हुआ
- लंबे interactions में भी complex intent कमजोर या drift न हो, इसे बनाए रखते हुए output को अधिक concise बनाया गया
- WorkBuddy internal test में Hy3 ने preview की तुलना में task success rate और completion time में सुधार किया
- task success rate Hy3 preview के 72% से बढ़कर Hy3 में 90% हो गया
- average completion time 34% घटा
- data processing, document work और research report analysis में सुधार हुआ
- GLM-5.2 से तुलना किए गए कुछ general tasks में Hy3 की token efficiency अधिक थी
- document processing में 47.4% कम tokens इस्तेमाल किए
- presentation generation में 49% कम tokens इस्तेमाल किए
- Hy3 को Apache 2.0 license के तहत जारी किया गया
- hardware-software co-optimization से API price कम किया गया
- 10 लाख tokens पर input: 1 RMB
- 10 लाख tokens पर output: 4 RMB
- 10 लाख tokens पर cached input: 0.25 RMB
- Tencent ने जनवरी के अंत में infrastructure rebuild, अप्रैल में Hy3 preview, और अब Hy3 release तथा product deployment तक 6 महीनों के भीतर end-to-end model development loop पूरा किया
- आगे training expansion, data quality improvement और user experience की detailed optimization जारी रखने की योजना है
1 टिप्पणियां
Hacker News की रायें
कुछ दिन पहले के Pelican नतीजे: https://simonwillison.net/2026/Jul/6/hy3/ — OpenRouter का free tier इस्तेमाल कर रहा था, और यह 21 जुलाई को expire होगा
41 दिन पहले preview model से टेस्ट किया था, तो "change pelican color" बटन वाला pelican निकला था: https://static.simonwillison.net/static/2026/hy3-preview-pelican.html
SVG pelican में models कितने बेहतर हो गए हैं, यह देखना वाकई शानदार है
tencent/Hy3. New Apache 2.0 licensed model from Tencent in Chinaलिखा है; क्या Tencent AI labs दूसरे क्षेत्रों में भी हैं? उदाहरण के लिए MiniMax का Tencent से कोई संबंध हैमुझे LLM बहुत पसंद नहीं हैं, लेकिन आपकी वजह से मुझे समझ आया कि मेरी भावनाएँ तर्कहीन थीं, और जिस पेशे में मुझे आनंद मिलता था वह अपने पुराने रूप में व्यावहारिक रूप से खत्म हो चुका है, इसलिए उसे छोड़कर पैसे और ध्यान के लिए यह काम करने वालों में शामिल होना चाहिए
फिर भी अपने personal projects में, जहाँ तक हो सके, मैं खुद hand-coding करूँगा और LLM का इस्तेमाल नहीं करूँगा
pelican meme असल में कितना उपयोगी है, पता नहीं, लेकिन मुझे लगता है कि सौंदर्य के लिहाज से ही सही, इसकी शुरुआत करना अच्छा था
एक महीने पहले मैंने एक blog post लिखी थी कि Hy3 के बारे में कोई बात नहीं कर रहा, फिर भी यह OpenRouter ranking में ऊपर है: https://news.ycombinator.com/item?id=48317294
आज के हिसाब से ranking 8~9वें स्थान तक गिर गई है, और competing models की जगह इसे इस्तेमाल करने की कोई खास वजह नहीं दिखती
हालांकि pricing structure थोड़ा उलझाने वाला है; अभी OpenRouter के जरिए Hy3 की effective input price, DeepSeek द्वारा hosted DeepSeek Flash V4 के बराबर हो गई है
https://openrouter.ai/tencent/hy3-preview
https://openrouter.ai/deepseek/deepseek-v4-flash
ranking गिरने की वजह भी शायद यही रही होगी, और ऐसा लग रहा था कि वे demand संभाल नहीं पा रहे थे
अब भी छोटा model है, लेकिन कम से कम benchmark scores DeepSWE समेत काफी बढ़े हैं
price Flash जैसी है, लेकिन benchmarks Pro जैसे हैं या कुछ में उससे भी बेहतर हैं
बेशक benchmarks आम तौर पर कम मायने रखते हैं; असली benchmark वे tasks हैं जो आप सच में इसे देते हैं
आकार के हिसाब से world knowledge भी बहुत अच्छा है, और मुझे लगता है कि यह DS4 Flash से बेहतर है
Novita, OpenRouter पर 21 जुलाई तक Hy3 free usage दे रहा है
https://openrouter.ai/tencent/hy3:free
https://x.com/novita_labs/status/2074158304159510819
आकार काफी मिलता-जुलता है, इसलिए जानना चाहूँगा कि DS4 Flash की तुलना में लोगों को यह कैसा लगता है
यह भी जानना है कि strong quantization लगाने पर यह कितना टिकता है
DS4 Flash अभी लगभग 96GB या उससे ज्यादा RAM वाले systems पर काफी अच्छी तरह चलता है, लेकिन पता नहीं Hy3 उस क्षेत्र में compete कर पाएगा या नहीं
Claude Code के जरिए इस्तेमाल करते समय DS4 Flash मुझे काफी unpredictable लगा
speed शानदार है, लेकिन यह अक्सर पूरी तरह गलत mental model बना लेता है और गलत दिशा में तेजी से दौड़ पड़ता है, इसलिए बार-बार control करना पड़ता है; history भी compress करनी पड़ती है, जिससे cache price का फायदा घट जाता है
Hy3 इतना तेज नहीं है, लेकिन अभी तक DS4 Flash की तुलना में direction बनाए रखने में कहीं ज्यादा stable है
लंबे context में भी यह कम टूटता हुआ लगता है, और असली price ठीक-ठीक नहीं पता, लेकिन मुझे यह बहुत competitive model लगता है
अलग से LongCat 2.0 भी 50 million token pack खरीदकर टेस्ट किया; free नहीं है, लेकिन practically बाँटने जितना सस्ता है
यह भी काफी impressive है और Hy3 जैसा ही दिखता है
frontier-level intelligence नहीं है, लेकिन codebase को अच्छी तरह navigate करता है और बताए गए काम को stable ढंग से पूरा करने वाला भरोसेमंद workhorse ज्यादा लगता है
जब llama.cpp lightning indexer को पूरी तरह support करेगा, तो पूरे 1M context के लिए सिर्फ लगभग 6GB RAM की जरूरत होगी
इसलिए size समान होने पर भी उस पहलू में DeepSeek कहीं ज्यादा efficient होगा, ऐसा लगता है
Hy3 compete कर पाएगा या नहीं, यह काफी हद तक इस पर निर्भर है कि वह quantization को कितना अच्छी तरह सहता है
DSV4 2-bit quantization में भी usable है
इसके बजाय Qwen3.6-27B को Q8 में चलाना बेहतर हो सकता है
DSv4 Flash को दो DGX Spark पर चलाते हुए भी KV cache के 3M tokens डालने के लिए memory बचती है, लेकिन Hy3 को FP4 में quantize करने पर भी KV cache में लगभग 130K tokens ही आ पाते हैं
यह मॉडल अपनी performance के मुकाबले हैरान करने वाली हद तक छोटा है
deepseekV4 flash से थोड़ा बड़ा है, लेकिन कुछ benchmarks में V4 pro जितना या उससे बेहतर दिखता है, इसलिए अगर यह popular local model बन जाए तो हैरानी नहीं होगी
GLM-5.2 भी DeepSeek V4 Pro के आधे आकार का है, लेकिन कीमत लगभग दोगुनी है
मैंने DeepSeek architecture को थोड़ा देखा था, और उसका मुख्य focus जितना हो सके cost कम करने के तरीकों पर था
attention mechanism में काफी cost cutting की गई, और इसी वजह से वह विशाल context पर भी absurdly सस्ती कीमत दे पाया, लेकिन लगता है performance की कुर्बानी हुई
कम-से-कम छोटे models के महंगे और बेहतर होने को देखकर मन में आता है, “क्या attention ज़्यादा dense है?”
Hy3 has 295B parameters in total. To serve it on 8 GPUs, we recommend using H20-3e or other GPUs with larger memory capacity.मुझे भी लगता है कि यह popular local model बन सकता है
मैंने model इस्तेमाल करके देखा, और यह काफी अच्छा था; लगता है ~~gpt5.4~~ gpt-5.4-mini से बेहतर है
performance भी sonnet 5 के काफी करीब है, इसलिए बड़ा फर्क महसूस नहीं हुआ
gpt 5.5 level का नहीं है और शायद glm 5.2 से कम होगा, लेकिन मैंने जो ज्यादातर काम किए उनमें यह बस ठीक से चला और बहुत सस्ता है
अगर आपको FOSS model चाहिए, तो इसे न इस्तेमाल करने की कोई वजह नहीं है
संशोधन: यह basic gpt-5.4 नहीं, बल्कि gpt-5.4-mini था
Hy3 blog post में कई contaminated benchmarks लगते हैं, इसलिए real testing की जरूरत है
कई Chinese models की तरह ऐसा strongly लगता है कि इसमें benchmark optimization बहुत ज्यादा की गई है
अगर gpt-5.4 की बात है, तो उसके बराबर कोई open source model शायद नहीं है, और शायद इसमें एक साल और लग सकता है
Hy3 इस्तेमाल करते हुए मुझे लगता है कि मैं ही अजीब हो रहा हूं
पता नहीं यह extreme benchmark optimization है या मेरे use case की समस्या, लेकिन मैं इसके बजाय dense Gemma इस्तेमाल करना चाहूंगा
हाल की याद में ऐसा कोई model नहीं जिसने मेरा इतना समय बर्बाद किया हो
31B साफ तौर पर आगे था, और MoE भी QAT version में 4-bit quantization इस्तेमाल करने पर थोड़ा बेहतर था
Qwen 3.6 27B भी Hy3 से बेहतर था
preview से बाहर आने और अब post-training ज्यादा होने के बाद मैं इसे फिर से test करने वाला हूं
यह और खराब तो नहीं हुआ होगा, इसलिए हो सकता है 31B models से मुकाबला करने जितना अच्छा हो गया हो
मुझे लगा Hy language की नई release आई है: https://hylang.org
सच में जरूरत inference या LLM architecture में breakthrough की है
GLM-5.2 level के model को Qwen 3.6 27b या उससे छोटे size में, 48GB Macbook Pro जैसे consumer devices पर कम-से-कम 100 tokens प्रति second पर चला पाना चाहिए
मेरी hypothesis यह है कि अगर एक छोटे, कम smart लेकिन fast model को अच्छे execution device के साथ जोड़ दिया जाए, तो उसे लंबे समय तक चलाकर बड़े model द्वारा एक बार में हल किए जाने वाले problem को brute force से solve किया जा सकता है
यह कुछ-कुछ कई mechanical structures में vibration dampers लगाने जैसा है
site access नहीं हो रही
https://hy.tencent.com/research/hy3 से connect नहीं हो रहा