Hy3 preview adalah model Hy3 pertama Tencent Hy yang dilatih pada infrastruktur yang dibangun ulang. Pembuatnya menetapkan arsitektur mixture-of-experts dengan total 295B parameter, 21B parameter aktif, dan lapisan prediksi multitoken 3.8B. Model ini menerima prompt tertulis dan percakapan serta menghasilkan teks untuk tugas penalaran, pemrograman, dan tugas berbasis instruksi.
Arsitektur inti yang dipublikasikan memiliki 80 lapisan, grouped-query attention dengan 64 query head dan delapan key/value head, serta 192 expert dengan delapan diaktifkan per token. Jendela konteksnya 256K. Spesifikasi ini merupakan milik edisi preview, sementara rilis Hy3 yang lebih baru mengubah pascapelatihan dan perilaku produk, bukan merupakan model bernama sama.
Sorotan pembuatnya dimulai dari STEM dan penalaran. Untuk masalah analitis, berikan premis, pengamatan, dan bentuk jawaban. Mintalah kesimpulan beserta langkah yang diperlukan untuk menilainya. Tugas pemrograman perlu menyertakan implementasi saat ini, perilaku yang diharapkan, dan informasi kegagalan yang sebenarnya agar perubahan yang diusulkan menangani masalah yang terdefinisi.
Pembelajaran dari konteks dan kepatuhan terhadap instruksi juga menjadi inti rilis ini. Siapkan materi panjang bersama aturan yang harus digunakan model dan bagian yang relevan dengan pertanyaan. Mintalah temuan yang dikaitkan dengan sumber dan jaga agar batasan penting tetap terlihat pada giliran lanjutan. Ini membantu membedakan penerapan konteks yang diberikan secara benar dari jawaban yang didasarkan pada asumsi tak tersurat.
Untuk alur kerja agen pemrograman atau pencarian, aplikasi menyediakan alat dan mengembalikan hasilnya. Model mengusulkan interaksi berikutnya dan menggunakan pengamatan yang dihasilkan untuk langkah selanjutnya. Artefak akhir yang berguna mengidentifikasi perubahan yang diusulkan atau temuan riset serta bukti yang masih perlu diperiksa sebelum aplikasi menggunakannya.
Contoh pembuat mencantumkan no_think sebagai pilihan respons langsung default, bersama low dan high; panduan penjelasannya merekomendasikan high untuk penalaran kompleks. Panduan sampling menggunakan temperature 0.9 dan top-p 1.0. Ini adalah pengaturan pembuat, bukan jaminan tentang kontrol opsional dalam integrasi tertentu. Base pralatih, instruct preview, dan artefak hasil konversi yang dinamai secara terpisah tetap memiliki identitas masing-masing.
", "aboutText": "Hy3 preview adalah model Hy3 pertama Tencent Hy yang dilatih pada infrastruktur yang dibangun ulang. Pembuatnya menetapkan arsitektur mixture-of-experts dengan total 295B parameter, 21B parameter aktif, dan lapisan prediksi multitoken 3.8B. Model ini menerima prompt tertulis dan percakapan serta menghasilkan teks untuk tugas penalaran, pemrograman, dan tugas berbasis instruksi.\n\nArsitektur inti yang dipublikasikan memiliki 80 lapisan, grouped-query attention dengan 64 query head dan delapan key/value head, serta 192 expert dengan delapan diaktifkan per token. Jendela konteksnya 256K. Spesifikasi ini merupakan milik edisi preview, sementara rilis Hy3 yang lebih baru mengubah pascapelatihan dan perilaku produk, bukan merupakan model bernama sama.\n\nSorotan pembuatnya dimulai dari STEM dan penalaran. Untuk masalah analitis, berikan premis, pengamatan, dan bentuk jawaban. Mintalah kesimpulan beserta langkah yang diperlukan untuk menilainya. Tugas pemrograman perlu menyertakan implementasi saat ini, perilaku yang diharapkan, dan informasi kegagalan yang sebenarnya agar perubahan yang diusulkan menangani masalah yang terdefinisi.\n\nPembelajaran dari konteks dan kepatuhan terhadap instruksi juga menjadi inti rilis ini. Siapkan materi panjang bersama aturan yang harus digunakan model dan bagian yang relevan dengan pertanyaan. Mintalah temuan yang dikaitkan dengan sumber dan jaga agar batasan penting tetap terlihat pada giliran lanjutan. Ini membantu membedakan penerapan konteks yang diberikan secara benar dari jawaban yang didasarkan pada asumsi tak tersurat.\n\nUntuk alur kerja agen pemrograman atau pencarian, aplikasi menyediakan alat dan mengembalikan hasilnya. Model mengusulkan interaksi berikutnya dan menggunakan pengamatan yang dihasilkan untuk langkah selanjutnya. Artefak akhir yang berguna mengidentifikasi perubahan yang diusulkan atau temuan riset serta bukti yang masih perlu diperiksa sebelum aplikasi menggunakannya.\n\nContoh pembuat mencantumkan no_think sebagai pilihan respons langsung default, bersama low dan high; panduan penjelasannya merekomendasikan high untuk penalaran kompleks. Panduan sampling menggunakan temperature 0.9 dan top-p 1.0. Ini adalah pengaturan pembuat, bukan jaminan tentang kontrol opsional dalam integrasi tertentu. Base pralatih, instruct preview, dan artefak hasil konversi yang dinamai secara terpisah tetap memiliki identitas masing-masing.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknis dalam bahasa Inggris
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 dari Tencent adalah model teks MoE 295B dengan 21B parameter aktif dan konteks 256K. Model ini ditujukan untuk penalaran STEM, pembelajaran dari konteks, instruksi, pemrograman, dan agen, dengan pilihan respons langsung dan berpikir dalam contoh pembuatnya.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Hy3 preview adalah model Hy3 pertama Tencent Hy yang dilatih pada infrastruktur yang dibangun ulang. Pembuatnya menetapkan arsitektur mixture-of-experts dengan total 295B parameter, 21B parameter aktif, dan lapisan prediksi multitoken 3.8B. Model ini menerima prompt tertulis dan percakapan serta menghasilkan teks untuk tugas penalaran, pemrograman, dan tugas berbasis instruksi.
Arsitektur inti yang dipublikasikan memiliki 80 lapisan, grouped-query attention dengan 64 query head dan delapan key/value head, serta 192 expert dengan delapan diaktifkan per token. Jendela konteksnya 256K. Spesifikasi ini merupakan milik edisi preview, sementara rilis Hy3 yang lebih baru mengubah pascapelatihan dan perilaku produk, bukan merupakan model bernama sama.
Sorotan pembuatnya dimulai dari STEM dan penalaran. Untuk masalah analitis, berikan premis, pengamatan, dan bentuk jawaban. Mintalah kesimpulan beserta langkah yang diperlukan untuk menilainya. Tugas pemrograman perlu menyertakan implementasi saat ini, perilaku yang diharapkan, dan informasi kegagalan yang sebenarnya agar perubahan yang diusulkan menangani masalah yang terdefinisi.
Pembelajaran dari konteks dan kepatuhan terhadap instruksi juga menjadi inti rilis ini. Siapkan materi panjang bersama aturan yang harus digunakan model dan bagian yang relevan dengan pertanyaan. Mintalah temuan yang dikaitkan dengan sumber dan jaga agar batasan penting tetap terlihat pada giliran lanjutan. Ini membantu membedakan penerapan konteks yang diberikan secara benar dari jawaban yang didasarkan pada asumsi tak tersurat.
Untuk alur kerja agen pemrograman atau pencarian, aplikasi menyediakan alat dan mengembalikan hasilnya. Model mengusulkan interaksi berikutnya dan menggunakan pengamatan yang dihasilkan untuk langkah selanjutnya. Artefak akhir yang berguna mengidentifikasi perubahan yang diusulkan atau temuan riset serta bukti yang masih perlu diperiksa sebelum aplikasi menggunakannya.
Contoh pembuat mencantumkan no_think sebagai pilihan respons langsung default, bersama low dan high; panduan penjelasannya merekomendasikan high untuk penalaran kompleks. Panduan sampling menggunakan temperature 0.9 dan top-p 1.0. Ini adalah pengaturan pembuat, bukan jaminan tentang kontrol opsional dalam integrasi tertentu. Base pralatih, instruct preview, dan artefak hasil konversi yang dinamai secara terpisah tetap memiliki identitas masing-masing.
POST /v1/chat/completionstexttext| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan tencent/hy3-preview | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan Item minimum: 1 | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan Contoh: system, user, assistant, tool, function Kondisi: Peran ini direpresentasikan secara eksplisit oleh tipe kompatibilitas dalam kode sumber; kumpulan peran model yang tepat tetap khusus untuk tiap model. Bergantung pada model | Bawaan— |
Kolommessages[].content | Jenisstring|content_part[]|null | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_calls | Jenistool_call[] | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].tool_call_id | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: role=tool; gunakan ID yang benar-benar dikembalikan | Bawaan— |
Kolommessages[].name | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolommessages[].reasoning_content | Jenisstring | PersyaratanOpsional | Nilai & batasan Berlaku jika: Kirim kembali penalaran yang benar-benar dikembalikan jika model ini menggunakannya | Bawaan— |
Kolommessages[].reasoning_details | Jenisobject|array | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolommax_completion_tokens | Jenisinteger | PersyaratanOpsional | Nilai & batasan Minimum: 1 Bergantung pada model | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Kolomstream_options.include_usage | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtemperature | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtop_p | Jenisnumber | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomstop | Jenisstring|string[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools | Jenisfunction_tool[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomtools[].type | Jenisstring | PersyaratanOpsional | Nilai & batasan function Bergantung pada model | Bawaan— |
Kolomtools[].function.name | Jenisstring | PersyaratanWajib | Nilai & batasan Berlaku jika: alat fungsi disediakan | Bawaan— |
Kolomtools[].function.description | Jenisstring | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtools[].function.parameters | JenisJSON_schema | PersyaratanOpsional | Nilai & batasan | Bawaan— |
Kolomtool_choice | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomparallel_tool_calls | Jenisboolean | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomresponse_format | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning_effort | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomreasoning | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomservice_tier | Jenisstring | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolominstructions | Jenisstring | PersyaratanOpsional | Nilai & batasan Kolom kompatibilitas | Bawaan— |
Kolomfunctions | Jenisfunction[] | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomfunction_call | Jenisstring|object | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolomprompt_cache_options | Jenisobject | PersyaratanOpsional | Nilai & batasan Bergantung pada model | Bawaan— |
Kolommodalities | Jenisstring[] | PersyaratanOpsional | Nilai & batasan text | Bawaan— |
Kolomprovider | Jenisobject | PersyaratanOpsional | Nilai & batasan Kondisi: provider.options ditolak pada rute teks Ultra ini | Bawaan— |
Kolomcache_control.ttl | Jenisstring | PersyaratanOpsional | Nilai & batasan Kondisi: 1h ditolak pada lokasi cache prompt yang digunakan | Bawaan— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontrakarray pesan dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 yang sebenarnya dimasukkan sebagai teks apa adanya; ID file tidak disimpulkan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeda dari alat yang dihosting |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Siklus hidup: synchronous_or_streamed
Kirim ID model yang tepat bersama messages.
Panjang konteks bukan batas keluaran.
File teks dapat menyediakan teks apa adanya; masukan gambar/audio/objek file memerlukan pengikatan yang tepat.
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00036 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache $0.00012 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00036 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache $0.00012 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan setiap alternatif jawaban beserta konten, panggilan alat, dan penalarannya. Dalam SSE, gabungkan delta menurut indeks alternatif jawaban/alat, lalu pertahankan alasan penghentian akhir dan data penggunaan.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomchoices[].index | Jenisinteger |
Kolomchoices[].message.content | Jenisstring|null |
Kolomchoices[].message.tool_calls | Jenistool_call[] |
Kolomchoices[].message.reasoning_content | Jenisstring |
Kolomchoices[].message.reasoning_details | Jenisobject|array |
Kolomchoices[].finish_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra tencent/hy3-preview
Gunakan jalur metode yang ditampilkan di atas.
tencent/hy3-previewHy3 preview dari Tencent adalah model teks MoE 295B dengan 21B parameter aktif dan konteks 256K. Model ini ditujukan untuk penalaran STEM, pembelajaran dari konteks, instruksi, pemrograman, dan agen, dengan pilihan respons langsung dan berpikir dalam contoh pembuatnya.
Deskripsi ini mencakup kemampuan model. Masukan, keluaran, dan opsi yang tersedia di Ailoot tercantum di bawah untuk metode yang dipilih.
Hy3 preview adalah model Hy3 pertama Tencent Hy yang dilatih pada infrastruktur yang dibangun ulang. Pembuatnya menetapkan arsitektur mixture-of-experts dengan total 295B parameter, 21B parameter aktif, dan lapisan prediksi multitoken 3.8B. Model ini menerima prompt tertulis dan percakapan serta menghasilkan teks untuk tugas penalaran, pemrograman, dan tugas berbasis instruksi.
Arsitektur inti yang dipublikasikan memiliki 80 lapisan, grouped-query attention dengan 64 query head dan delapan key/value head, serta 192 expert dengan delapan diaktifkan per token. Jendela konteksnya 256K. Spesifikasi ini merupakan milik edisi preview, sementara rilis Hy3 yang lebih baru mengubah pascapelatihan dan perilaku produk, bukan merupakan model bernama sama.
Sorotan pembuatnya dimulai dari STEM dan penalaran. Untuk masalah analitis, berikan premis, pengamatan, dan bentuk jawaban. Mintalah kesimpulan beserta langkah yang diperlukan untuk menilainya. Tugas pemrograman perlu menyertakan implementasi saat ini, perilaku yang diharapkan, dan informasi kegagalan yang sebenarnya agar perubahan yang diusulkan menangani masalah yang terdefinisi.
Pembelajaran dari konteks dan kepatuhan terhadap instruksi juga menjadi inti rilis ini. Siapkan materi panjang bersama aturan yang harus digunakan model dan bagian yang relevan dengan pertanyaan. Mintalah temuan yang dikaitkan dengan sumber dan jaga agar batasan penting tetap terlihat pada giliran lanjutan. Ini membantu membedakan penerapan konteks yang diberikan secara benar dari jawaban yang didasarkan pada asumsi tak tersurat.
Untuk alur kerja agen pemrograman atau pencarian, aplikasi menyediakan alat dan mengembalikan hasilnya. Model mengusulkan interaksi berikutnya dan menggunakan pengamatan yang dihasilkan untuk langkah selanjutnya. Artefak akhir yang berguna mengidentifikasi perubahan yang diusulkan atau temuan riset serta bukti yang masih perlu diperiksa sebelum aplikasi menggunakannya.
Contoh pembuat mencantumkan no_think sebagai pilihan respons langsung default, bersama low dan high; panduan penjelasannya merekomendasikan high untuk penalaran kompleks. Panduan sampling menggunakan temperature 0.9 dan top-p 1.0. Ini adalah pengaturan pembuat, bukan jaminan tentang kontrol opsional dalam integrasi tertentu. Base pralatih, instruct preview, dan artefak hasil konversi yang dinamai secara terpisah tetap memiliki identitas masing-masing.
POST /v1/messagestextjson, sse| Kolom | Jenis | Persyaratan | Nilai & batasan | Bawaan |
|---|---|---|---|---|
Kolommodel | Jenisstring | PersyaratanWajib | Nilai & batasan tencent/hy3-preview | Bawaan— |
Kolommessages | Jenismessage[] | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommessages[].role | Jenisstring | PersyaratanWajib | Nilai & batasan user, assistant | Bawaan— |
Kolommessages[].content | Jenisstring | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolommax_tokens | Jenisinteger | PersyaratanWajib | Nilai & batasan | Bawaan— |
Kolomstream | Jenisboolean | PersyaratanOpsional | Nilai & batasan | Bawaanfalse |
Teks · Teks UTF-8
string messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 yang sebenarnya dan masukkan teksnya ke string masukan atau konten pesan yang ditunjukkan. |
Siklus hidup: synchronous_or_streamed
Referensi tarif tidak menambah opsi permintaan. Parameter yang didukung tercantum pada metode yang dipilih.
Cocokkan setiap biaya dengan kondisi yang ditampilkan. Gunakan satu tarif untuk setiap kelompok konfigurasi alternatif.
| Konfigurasi | Jadwal tarif | Token konteks, lebih dari | Token konteks, hingga dan termasuk | Biaya |
|---|---|---|---|---|
| KonfigurasiTarif dasar token | Jadwal tarifTarif dasar | Token konteks, lebih dari— | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00036 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache $0.00012 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiPanjang permintaan · tingkat 1 | Jadwal tarif— | Token konteks, lebih dari0 | Token konteks, hingga dan termasukTanpa batas atas | Biaya Masukan · Token masukan $0.00036 / 1K token Keluaran · Token keluaran $0.0012 / 1K token Masukan · Pembacaan cache $0.00012 / 1K token Masukan · Penulisan cache — / 1K token Masukan · Penulisan cache, 1 jam — / 1K token |
Ailoot mencadangkan perkiraan dana sebelum permintaan. Setelah hasil diterima, tagihan akhir diselesaikan berdasarkan penggunaan yang terukur. Penyelesaian tagihan streaming menggunakan catatan penggunaan akhir. Cara kerja cadangan dan penyelesaian tagihan →
{\n "model": "tencent/hy3-preview",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 atau SSE
Simpan setiap respons lengkap, berkas, dan bagian konten yang dikembalikan.
Simpan semua blok konten, tanda tangan penalaran, dan ID penggunaan alat yang sebenarnya. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan keluaran.
Simpan ID permintaan/respons dan header. URL umum untuk pengambilan tugas teks tidak disediakan.
| Kolom | Jenis |
|---|---|
Kolomid | Jenisstring |
Kolommodel | Jenisstring |
Kolomcontent[] | Jenistext|thinking|tool_use|other content block |
Kolomstop_reason | Jenisstring|null |
Kolomusage | Jenisobject |
| Respons | Kondisi | Langkah berikutnya |
|---|---|---|
Respons400 · invalid_request_error | KondisiBidang wajib, representasi materi, atau nilai parameter tidak valid | Langkah berikutnyaPerbaiki bidang yang ditunjukkan sebelum permintaan pembuatan baru. |
Ailoot Ultra tencent/hy3-preview
Gunakan jalur metode yang ditampilkan di atas.
Contoh teknis dalam bahasa Inggris
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.