Meta: Llama 3.1 70B Instruct mot Tencent: Hy3 preview
En jämförelse sida vid sida av Meta: Llama 3.1 70B Instruct (2,52 US$ / 1M textdelar (≈ 24,69 kr)) och Tencent: Hy3 preview (0,63 US$ / 1M textdelar (≈ 6,17 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| Meta: Llama 3.1 70B Instruct | Tencent: Hy3 preview | |
|---|---|---|
| Leverantör | Meta | Tencent |
| Indata | 2,52 US$ / 1M textdelar (≈ 24,69 kr) | 0,63 US$ / 1M textdelar (≈ 6,17 kr) |
| Utdata | 2,52 US$ / 1M textdelar (≈ 24,69 kr) | 2,10 US$ / 1M textdelar (≈ 20,57 kr) |
| Cacheläsning | - | 0,21 US$ / 1M textdelar (≈ 2,06 kr) |
| Kontextfönster | 131 072 | 262 144 |
| Max utdata | 8 192 | 235 929 |
| Indata | text | text |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 23 juli 2024 | 22 apr. 2026 |
Viktiga skillnader
- Tencent: Hy3 preview är 75% billigare på indata-tokens.
- Tencent: Hy3 preview är 17% billigare på utdata-tokens.
- Tencent: Hy3 preview läser 2.0× mer kontext (262 144 tokens).
- Endast Tencent: Hy3 preview stöder verktygsanrop.
- Endast Tencent: Hy3 preview stöder styrning av resonemangsnivå.
- Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,00378 US$ med Meta: Llama 3.1 70B Instruct och 0,00168 US$ med Tencent: Hy3 preview.
Mer i detalj
Meta: Llama 3.1 70B Instruct är en textmodell från Meta, släppt 2024-07-23. Tencent: Hy3 preview är en textmodell från Tencent, släppt 2026-04-22. Båda serveras via api14 som modeller i chattstil med en enda textinmatning och textutmatning, så på nivån för grundläggande förfrågningsform ser de lika ut. Skillnaderna visar sig i kontextlängd, parametrar som stöds och pris.
Den mest uppenbara uppdelningen är kontexten. Llama 3.1 70B Instruct har ett kontextfönster på 131072 tokens, medan Hy3 preview fördubblar det med 262096 tokens, så Hy3 preview är den man ska välja när din prompt, dina dokument eller din konversationshistorik är lång. Hy3 preview exponerar också parametrar som Llama 3.1 70B Instruct inte har: include_reasoning, reasoning, reasoning_effort, seed och tools, plus stöd för verktyg. Det betyder att Hy3 preview är den enda av de två som kan göra verktygsanrop och den enda med resonemangskontroller. Llama 3.1 70B Instruct stöder max_tokens, stop, temperature, top_k och top_p, vilket täcker vanlig sampling men inget utöver det. Priset: Hy3 preview är det billigare alternativet för både inmatnings- och utmatningstokens.
För det dagliga arbetet handlar valet oftast om huruvida du behöver de extra funktionerna. Om du gör enkel generering, sammanfattning, klassificering eller chatt där en fast prompt får plats bekvämt och du inte behöver att modellen anropar funktioner, är Llama 3.1 70B Instruct ett rimligt, välkänt alternativ och dess samplingparametrar ger dig de vanliga reglagen. Om du behöver att modellen anropar verktyg, om du vill finjustera resonemangsinsatsen, eller om dina indata är tillräckligt stora för att ett fönster på 131072 tokens är trångt, är Hy3 preview en bättre passning, och den är också billigare av de två både för indata och utdata. Den större kontexten och resonemangsparametrarna gör den till den mer flexibla modellen för agentliknande eller återvinningstunga arbetsbelastningar.
Att anropa endera via api14 fungerar på samma sätt. Båda är OpenAI-kompatibla, så du pekar din befintliga klient mot api14:s bas-URL, skickar din nyckel och anger fältet model. För att använda Llama 3.1 70B Instruct skickar du "meta-llama/llama-3.1-70b-instruct" som modell-id. För att använda Hy3 preview skickar du "tencent/hy3-preview". Allt annat i förfrågningskroppen förblir som det är, och svaret kommer tillbaka i samma form. Att växla mellan de två är en ändring på en rad, vilket gör det enkelt att testa båda mot dina egna prompter innan du bestämmer dig.
Det finns fortfarande ett argument för Llama 3.1 70B Instruct även om Hy3 preview är billigare och har fler funktioner. Om din arbetsbelastning är vanlig textgenerering utan verktygsanrop och utan behov av resonemangskontroller, och dina prompter får plats inom 131072 tokens, då ger de extra parametrarna på Hy3 preview dig ingenting, och du kan välja vilken som helst utan att förlora något funktionellt. I den situationen handlar beslutet mest om vilken modells utdata du föredrar på dina egna data, vilket bara din egen utvärdering kan avgöra.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "meta-llama/llama-3.1-70b-instruct" till "tencent/hy3-preview", promptar, streaming och verktyg fortsätter att fungera.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "tencent/hy3-preview",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Fler jämförelser
- LiquidAI: LFM3-1.7B mot Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B mot Crouton Alpha
- LiquidAI: LFM3-1.7B mot Tencent: Hy4
- LiquidAI: LFM3-1.7B mot Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview mot Crouton Alpha
- Ricursive: Ripple 65B Preview mot Tencent: Hy4
- Ricursive: Ripple 65B Preview mot Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha mot Tencent: Hy4