Hy3 preview ist das erste Hy3-Modell von Tencent Hy, das auf der neu aufgebauten Infrastruktur trainiert wurde. Der Hersteller nennt eine Mixture-of-Experts-Architektur mit insgesamt 295 Milliarden Parametern, 21 Milliarden aktiven Parametern und einer Multi-Token-Prediction-Schicht mit 3,8 Milliarden Parametern. Das Modell verarbeitet schriftliche Prompts und Gespräche und erzeugt Text für Reasoning-, Programmier- und anweisungsbasierte Aufgaben.
Das veröffentlichte Grundnetz hat 80 Schichten, Grouped-Query Attention mit 64 Query-Köpfen und acht Key/Value-Köpfen sowie 192 Experten, von denen pro Token acht aktiviert werden. Das Kontextfenster beträgt 256K. Diese Spezifikationen gehören zur Preview-Ausgabe; die spätere Hy3-Veröffentlichung verändert Nachtraining und Produktverhalten und ist nicht dasselbe benannte Modell.
Die vom Hersteller hervorgehobenen Schwerpunkte beginnen mit MINT und Reasoning. Geben Sie bei einem analytischen Problem die Prämissen, Beobachtungen und gewünschte Antwortform vor. Fordern Sie die Schlussfolgerung zusammen mit den zu ihrer Bewertung nötigen Schritten an. Eine Programmieraufgabe sollte die aktuelle Implementierung, das erwartete Verhalten und die tatsächlichen Fehlerinformationen enthalten, damit ein Änderungsvorschlag ein klar umrissenes Problem löst.
Lernen aus dem Kontext und das Befolgen von Anweisungen sind ebenfalls zentral für diese Veröffentlichung. Bereiten Sie umfangreiches Material mit den Regeln vor, die das Modell anwenden muss, und mit den für die Frage relevanten Abschnitten. Fordern Sie quellenbezogene Erkenntnisse an und halten Sie wichtige Bedingungen über Folgeschritte hinweg sichtbar. So lässt sich eine korrekte Anwendung des bereitgestellten Kontexts von einer Antwort unterscheiden, die auf einer unausgesprochenen Annahme beruht.
Bei einem Programmier- oder Suchagenten-Workflow stellt die Anwendung die Werkzeuge bereit und gibt deren Ergebnisse zurück. Das Modell schlägt die nächste Interaktion vor und verwendet die entstehenden Beobachtungen für einen weiteren Schritt. Ein hilfreiches abschließendes Artefakt benennt die vorgeschlagene Änderung oder Rechercheerkenntnis und die Belege, die noch geprüft werden müssen, bevor die Anwendung das Ergebnis verwendet.
Das Herstellerbeispiel nennt no_think als standardmäßige Auswahl für direkte Antworten, neben low und high; die erläuternden Hinweise empfehlen high für komplexes Reasoning. Die Sampling-Empfehlung verwendet temperature 0.9 und top-p 1.0. Dies sind Herstellereinstellungen, keine Garantie für optionale Steuerungsmöglichkeiten in einer bestimmten Integration. Die separat benannte vortrainierte Basis, Instruct-Preview und konvertierte Artefakte behalten jeweils ihre eigene Identität.
", "aboutText": "Hy3 preview ist das erste Hy3-Modell von Tencent Hy, das auf der neu aufgebauten Infrastruktur trainiert wurde. Der Hersteller nennt eine Mixture-of-Experts-Architektur mit insgesamt 295 Milliarden Parametern, 21 Milliarden aktiven Parametern und einer Multi-Token-Prediction-Schicht mit 3,8 Milliarden Parametern. Das Modell verarbeitet schriftliche Prompts und Gespräche und erzeugt Text für Reasoning-, Programmier- und anweisungsbasierte Aufgaben.\n\nDas veröffentlichte Grundnetz hat 80 Schichten, Grouped-Query Attention mit 64 Query-Köpfen und acht Key/Value-Köpfen sowie 192 Experten, von denen pro Token acht aktiviert werden. Das Kontextfenster beträgt 256K. Diese Spezifikationen gehören zur Preview-Ausgabe; die spätere Hy3-Veröffentlichung verändert Nachtraining und Produktverhalten und ist nicht dasselbe benannte Modell.\n\nDie vom Hersteller hervorgehobenen Schwerpunkte beginnen mit MINT und Reasoning. Geben Sie bei einem analytischen Problem die Prämissen, Beobachtungen und gewünschte Antwortform vor. Fordern Sie die Schlussfolgerung zusammen mit den zu ihrer Bewertung nötigen Schritten an. Eine Programmieraufgabe sollte die aktuelle Implementierung, das erwartete Verhalten und die tatsächlichen Fehlerinformationen enthalten, damit ein Änderungsvorschlag ein klar umrissenes Problem löst.\n\nLernen aus dem Kontext und das Befolgen von Anweisungen sind ebenfalls zentral für diese Veröffentlichung. Bereiten Sie umfangreiches Material mit den Regeln vor, die das Modell anwenden muss, und mit den für die Frage relevanten Abschnitten. Fordern Sie quellenbezogene Erkenntnisse an und halten Sie wichtige Bedingungen über Folgeschritte hinweg sichtbar. So lässt sich eine korrekte Anwendung des bereitgestellten Kontexts von einer Antwort unterscheiden, die auf einer unausgesprochenen Annahme beruht.\n\nBei einem Programmier- oder Suchagenten-Workflow stellt die Anwendung die Werkzeuge bereit und gibt deren Ergebnisse zurück. Das Modell schlägt die nächste Interaktion vor und verwendet die entstehenden Beobachtungen für einen weiteren Schritt. Ein hilfreiches abschließendes Artefakt benennt die vorgeschlagene Änderung oder Rechercheerkenntnis und die Belege, die noch geprüft werden müssen, bevor die Anwendung das Ergebnis verwendet.\n\nDas Herstellerbeispiel nennt no_think als standardmäßige Auswahl für direkte Antworten, neben low und high; die erläuternden Hinweise empfehlen high für komplexes Reasoning. Die Sampling-Empfehlung verwendet temperature 0.9 und top-p 1.0. Dies sind Herstellereinstellungen, keine Garantie für optionale Steuerungsmöglichkeiten in einer bestimmten Integration. Die separat benannte vortrainierte Basis, Instruct-Preview und konvertierte Artefakte behalten jeweils ihre eigene Identität.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Calculate a two-stage mixture\n\nA tank contains 40 liters of a 10% salt solution. Remove 10 liters of well-mixed solution, then add 10 liters of pure water. Calculate the final salt concentration. Show salt and total volume after each stage and state the uniform-mixing assumption. Finish with the concentration as a percentage rather than an unlabeled decimal.A two-stage mass-balance table and a final percentage with the mixing assumption stated.The removal subtracts salt in the original concentration, while adding pure water changes volume but not salt mass.tencent/hy3-previewHy3 preview von Tencent ist ein MoE-Textmodell mit 295 Milliarden Parametern, davon 21 Milliarden aktiv, und einem 256K-Kontext. Es zielt auf MINT-Reasoning, Lernen aus dem Kontext, Anweisungen, Programmierung und Agenten; das Herstellerbeispiel bietet eine direkte Antwort sowie Thinking-Optionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Hy3 preview ist das erste Hy3-Modell von Tencent Hy, das auf der neu aufgebauten Infrastruktur trainiert wurde. Der Hersteller nennt eine Mixture-of-Experts-Architektur mit insgesamt 295 Milliarden Parametern, 21 Milliarden aktiven Parametern und einer Multi-Token-Prediction-Schicht mit 3,8 Milliarden Parametern. Das Modell verarbeitet schriftliche Prompts und Gespräche und erzeugt Text für Reasoning-, Programmier- und anweisungsbasierte Aufgaben.
Das veröffentlichte Grundnetz hat 80 Schichten, Grouped-Query Attention mit 64 Query-Köpfen und acht Key/Value-Köpfen sowie 192 Experten, von denen pro Token acht aktiviert werden. Das Kontextfenster beträgt 256K. Diese Spezifikationen gehören zur Preview-Ausgabe; die spätere Hy3-Veröffentlichung verändert Nachtraining und Produktverhalten und ist nicht dasselbe benannte Modell.
Die vom Hersteller hervorgehobenen Schwerpunkte beginnen mit MINT und Reasoning. Geben Sie bei einem analytischen Problem die Prämissen, Beobachtungen und gewünschte Antwortform vor. Fordern Sie die Schlussfolgerung zusammen mit den zu ihrer Bewertung nötigen Schritten an. Eine Programmieraufgabe sollte die aktuelle Implementierung, das erwartete Verhalten und die tatsächlichen Fehlerinformationen enthalten, damit ein Änderungsvorschlag ein klar umrissenes Problem löst.
Lernen aus dem Kontext und das Befolgen von Anweisungen sind ebenfalls zentral für diese Veröffentlichung. Bereiten Sie umfangreiches Material mit den Regeln vor, die das Modell anwenden muss, und mit den für die Frage relevanten Abschnitten. Fordern Sie quellenbezogene Erkenntnisse an und halten Sie wichtige Bedingungen über Folgeschritte hinweg sichtbar. So lässt sich eine korrekte Anwendung des bereitgestellten Kontexts von einer Antwort unterscheiden, die auf einer unausgesprochenen Annahme beruht.
Bei einem Programmier- oder Suchagenten-Workflow stellt die Anwendung die Werkzeuge bereit und gibt deren Ergebnisse zurück. Das Modell schlägt die nächste Interaktion vor und verwendet die entstehenden Beobachtungen für einen weiteren Schritt. Ein hilfreiches abschließendes Artefakt benennt die vorgeschlagene Änderung oder Rechercheerkenntnis und die Belege, die noch geprüft werden müssen, bevor die Anwendung das Ergebnis verwendet.
Das Herstellerbeispiel nennt no_think als standardmäßige Auswahl für direkte Antworten, neben low und high; die erläuternden Hinweise empfehlen high für komplexes Reasoning. Die Sampling-Empfehlung verwendet temperature 0.9 und top-p 1.0. Dies sind Herstellereinstellungen, keine Garantie für optionale Steuerungsmöglichkeiten in einer bestimmten Integration. Die separat benannte vortrainierte Basis, Instruct-Preview und konvertierte Artefakte behalten jeweils ihre eigene Identität.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits tencent/hy3-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0.00012 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0.00012 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "tencent/hy3-preview", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='tencent/hy3-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='tencent/hy3-preview',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra tencent/hy3-preview
Verwenden Sie die oben angezeigten Methodenpfade.
tencent/hy3-previewHy3 preview von Tencent ist ein MoE-Textmodell mit 295 Milliarden Parametern, davon 21 Milliarden aktiv, und einem 256K-Kontext. Es zielt auf MINT-Reasoning, Lernen aus dem Kontext, Anweisungen, Programmierung und Agenten; das Herstellerbeispiel bietet eine direkte Antwort sowie Thinking-Optionen.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Hy3 preview ist das erste Hy3-Modell von Tencent Hy, das auf der neu aufgebauten Infrastruktur trainiert wurde. Der Hersteller nennt eine Mixture-of-Experts-Architektur mit insgesamt 295 Milliarden Parametern, 21 Milliarden aktiven Parametern und einer Multi-Token-Prediction-Schicht mit 3,8 Milliarden Parametern. Das Modell verarbeitet schriftliche Prompts und Gespräche und erzeugt Text für Reasoning-, Programmier- und anweisungsbasierte Aufgaben.
Das veröffentlichte Grundnetz hat 80 Schichten, Grouped-Query Attention mit 64 Query-Köpfen und acht Key/Value-Köpfen sowie 192 Experten, von denen pro Token acht aktiviert werden. Das Kontextfenster beträgt 256K. Diese Spezifikationen gehören zur Preview-Ausgabe; die spätere Hy3-Veröffentlichung verändert Nachtraining und Produktverhalten und ist nicht dasselbe benannte Modell.
Die vom Hersteller hervorgehobenen Schwerpunkte beginnen mit MINT und Reasoning. Geben Sie bei einem analytischen Problem die Prämissen, Beobachtungen und gewünschte Antwortform vor. Fordern Sie die Schlussfolgerung zusammen mit den zu ihrer Bewertung nötigen Schritten an. Eine Programmieraufgabe sollte die aktuelle Implementierung, das erwartete Verhalten und die tatsächlichen Fehlerinformationen enthalten, damit ein Änderungsvorschlag ein klar umrissenes Problem löst.
Lernen aus dem Kontext und das Befolgen von Anweisungen sind ebenfalls zentral für diese Veröffentlichung. Bereiten Sie umfangreiches Material mit den Regeln vor, die das Modell anwenden muss, und mit den für die Frage relevanten Abschnitten. Fordern Sie quellenbezogene Erkenntnisse an und halten Sie wichtige Bedingungen über Folgeschritte hinweg sichtbar. So lässt sich eine korrekte Anwendung des bereitgestellten Kontexts von einer Antwort unterscheiden, die auf einer unausgesprochenen Annahme beruht.
Bei einem Programmier- oder Suchagenten-Workflow stellt die Anwendung die Werkzeuge bereit und gibt deren Ergebnisse zurück. Das Modell schlägt die nächste Interaktion vor und verwendet die entstehenden Beobachtungen für einen weiteren Schritt. Ein hilfreiches abschließendes Artefakt benennt die vorgeschlagene Änderung oder Rechercheerkenntnis und die Belege, die noch geprüft werden müssen, bevor die Anwendung das Ergebnis verwendet.
Das Herstellerbeispiel nennt no_think als standardmäßige Auswahl für direkte Antworten, neben low und high; die erläuternden Hinweise empfehlen high für komplexes Reasoning. Die Sampling-Empfehlung verwendet temperature 0.9 und top-p 1.0. Dies sind Herstellereinstellungen, keine Garantie für optionale Steuerungsmöglichkeiten in einer bestimmten Integration. Die separat benannte vortrainierte Basis, Instruct-Preview und konvertierte Artefakte behalten jeweils ihre eigene Identität.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits tencent/hy3-preview | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0.00012 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.00036 / 1K Token Ausgabe · Ausgabetoken $0.0012 / 1K Token Eingabe · Cache-Lesen $0.00012 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "tencent/hy3-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'tencent/hy3-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'tencent/hy3-preview', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra tencent/hy3-preview
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Calculate a two-stage mixture\n\nA tank contains 40 liters of a 10% salt solution. Remove 10 liters of well-mixed solution, then add 10 liters of pure water. Calculate the final salt concentration. Show salt and total volume after each stage and state the uniform-mixing assumption. Finish with the concentration as a percentage rather than an unlabeled decimal.A two-stage mass-balance table and a final percentage with the mixing assumption stated.The removal subtracts salt in the original concentration, while adding pure water changes volume but not salt mass.