Tencent выпустила Hy3: модель бьёт конкурентов в 5 раз крупнее себя

Эффективность вместо размера — новый девиз Tencent

Когда все вокруг наращивают параметры до триллионов, Tencent идёт против течения. Компания выпустила Hy3 — флагманскую языковую модель серии Hunyuan, которая при 295 млрд общих параметрах активирует одновременно лишь 21 млрд. Это архитектурное решение Mixture-of-Experts, доведённое до логического предела: платишь за маленькую модель, получаешь производительность большой. По крайней мере, именно так утверждает Tencent.

И что примечательно — данные подтверждают эти слова.

Что внутри и как это работает

Hy3 построена на архитектуре MoE (Mixture of Experts), где из общего пула параметров в 295 млрд при обработке каждого токена задействуется только 21 млрд активных, плюс дополнительный MTP-слой на 3.8 млрд. Контекстное окно — 256 000 токенов, что соответствует уровню лучших современных моделей.

Предыдущий флагман компании, HY 2.0, вышедший в декабре прошлого года, имел свыше 400 млрд параметров. То есть Tencent буквально уменьшила модель — и при этом получила лучшие результаты. Это не просто маркетинг: архитектурная перестройка велась с февраля 2026 года, и вся инфраструктура предобучения и обучения с подкреплением была пересобрана с нуля за менее чем 90 дней.

Цифры, которые говорят сами за себя

На бенчмарке SWE-bench Verified Hy3 набрала 74.4% — против 53.0% у предыдущего Hy2. Прирост в 40% за одно поколение — это не эволюция, это скачок. Для сравнения: GLM-5 от Zhipu AI показывает 77.8%, Kimi-K2.5 — 76.8%, а Claude Opus 4.6 — 80.8%. Hy3 не дотягивается до лидера, но уже дышит в затылок ближайшим конкурентам.

В слепом тестировании с участием 270 экспертов Hy3 набрала 2.67 из 4, опередив GLM-5.1 с его 2.51. Это именно тот тип оценки, которому я доверяю больше синтетических бенчмарков — живые эксперты, реальные задачи.

Отдельно впечатляет работа с галлюцинациями: уровень снизился с 12.5% до 5.4%. Для агентских сценариев, где модель автономно выполняет цепочки задач, это критически важно.

Кто стоит за моделью

Hy3 — первый флагман, выпущенный под руководством Яо Шуньюя (Yao Shunyu), бывшего исследователя OpenAI, который возглавил разработку фундаментальных моделей в Tencent. Его цитата из официального блога компании лаконична, но показательна: команда стремится «раздвигать границы интеллекта модели» через масштабирование предобучения и RL. Приход человека из OpenAI в китайскую компанию — само по себе сигнал о том, где сейчас формируется передовой фронт разработки.

Практическое применение и доступность

Tencent уже встроила Hy3 в собственную экосистему: Yuanbao, CodeBuddy, WorkBuddy, QQ, Tencent Docs, WeChat и даже в игровой ассистент для Path of Exile: Advent. В WorkBuddy модель снизила время до первого токена на 54%, а сквозное время ответа — на 47%, при этом поддерживая успешность операций на уровне 99.99%.

В агентских сценариях Hy3 способна надёжно выполнять цепочки задач длиной до 495 шагов — это серьёзный показатель для автоматизации рабочих процессов. Поддерживаются популярные агентские фреймворки: OpenClaw, OpenCode, KiloCode.

Модель опубликована под лицензией Apache 2.0 — то есть полностью открыта для коммерческого использования. Доступна на Hugging Face, ModelScope и GitHub. Есть квантизованная версия FP8 для тех, кто хочет запускать локально с меньшими требованиями к памяти. API доступен через OpenRouter — на момент релиза с бесплатным периодом на две недели. Цена API через Tencent Cloud: 1.2 юаня за миллион входящих токенов (~$0.18) — агрессивное ценообразование, особенно на фоне западных конкурентов.

Что это значит для рынка

Hy3 — ещё одно подтверждение тренда, который я наблюдаю последние полгода: гонка параметров уступает место гонке эффективности. MoE-архитектура позволяет создавать модели, которые дёшево стоят в инференсе, но при этом не уступают монолитным гигантам. Именно по этому пути идут Mistral, DeepSeek, теперь и Tencent.

Для российских разработчиков: модель доступна на Hugging Face, скачать веса можно без ограничений. API через OpenRouter работает, но потребует зарубежной карты или крипты. Локальный запуск FP8-версии реален на серверных конфигурациях с достаточным объёмом VRAM — это не история для домашнего GPU.

Главный вопрос, который остаётся открытым: насколько заявленные бенчмарки отражают реальную производительность в задачах вне тестовых наборов? Tencent активно разрабатывает собственные внутренние бенчмарки, чтобы уйти от «переобучения под стандартные тесты» — и это правильный подход. Но независимая проверка от сообщества только началась.

Данная информация подтверждена несколькими независимыми публикациями, включая официальный блог Tencent и материалы специализированных изданий по теме ИИ.