Tencent: Hy3 preview

Tencent: Hy3 preview är en textmodell från Tencent, släppt av leverantören 2026-04-22. Den tillhör textkategorin och beskrivs av Tencent som en högeffektiv Mixture-of-Experts-modell byggd för agentiska arbetsflöden och produktionsanvändning. Etiketten "preview" i namnet signalerar att detta är en tidig version av Hy3-serien snarare än en slutlig, långsiktig release, vilket är värt att ha i åtanke om du planerar att förlita dig på den i en produkt som släpps.

Modellen tar emot text och returnerar text, så det finns ingen bild-, ljud- eller filinmatning att planera kring. Dess kontextfönster är 262144 tokens, och maximal utdata är 235929 tokens, vilket innebär att du kan mata in mycket stora indata och fortfarande lämna utrymme för ett långt svar. En anmärkningsvärd del av dess design är konfigurerbart resonemang: Tencent beskriver resonemangsnivåer i lägena disabled, low och high, så du kan justera mängden internt resonemang upp eller ner beroende på uppgiften i stället för att acceptera ett enda fast beteende.

Dessa egenskaper pekar mot en ganska specifik uppsättning användningsområden. Den långa kontexten passar arbete där du behöver hålla en stor dokumentmängd, en lång konversationshistorik eller en stor kodbas i sikte samtidigt. Det agentiska fokuset och verktygsstödet gör den till en rimlig kandidat för assistenter som anropar funktioner, kedjar steg eller arbetar över flera turer. Konfigurerbart resonemang hjälper i fall där du vill ha snabba, direkta svar för enkla förfrågningar och djupare övervägande för svårare sådana, utan att byta modell. Parametern seed är användbar när du behöver reproducerbar sampling under testning.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "tencent/hy3-preview". Eftersom gränssnittet följer OpenAI chat completions-formen fungerar befintliga OpenAI-SDK:er och klienter i allmänhet med bara en ändring av bas-URL och nyckel. De stödda förfrågningsparametrarna är include_reasoning, max_tokens, reasoning, reasoning_effort, seed, temperature, tool_choice, tools och top_p. De resonemangsrelaterade parametrarna (reasoning, reasoning_effort, include_reasoning) är de som mappar mot modellens konfigurerbara resonemangsnivåer, medan tools och tool_choice täcker funktionsanrop och temperature, top_p, seed och max_tokens täcker standardiserad sampling och längdkontroll.

Eftersom detta är en preview-release bör du betrakta stabilitet och långsiktig tillgänglighet som öppna frågor, och kontrollera den aktuella pristabellen på denna sida för gällande priser innan du binder dig. Om din arbetsbelastning inte är textbaserad, eller om du behöver en modell med en etablerad releasehistorik snarare än en preview, kan en annan modell passa bättre. För textuppgifter som drar nytta av en stor kontext, verktygsanvändning och justerbart resonemang är den ett enkelt alternativ att utvärdera.