Tencent hat Hy3 offiziell veröffentlicht und positioniert das Modell als kommerziell nutzbares Open-Weight-Modell für Coding, Agenten-Workflows und produktive KI-Anwendungen. Die wichtigste Nachricht ist nicht nur die Größe: Hy3 ist ein Mixture-of-Experts-Modell mit 295 Milliarden Gesamtparametern, aber nur 21 Milliarden aktiven Parametern pro Inferenz. Genau diese Kombination macht das Modell technisch interessant, weil Tencent damit hohe Benchmark-Werte mit vergleichsweise niedrigen aktiven Rechenkosten verbinden will.
Der Zugang ist klarer als bei vielen aktuellen Modellankündigungen: Die Gewichte stehen laut Tencent auf Hugging Face, GitHub, ModelScope, GitCode und CNB bereit. Zusätzlich nennt Tencent OpenRouter als Zugangspunkt. Das Modell steht unter Apache 2.0 und ist damit grundsätzlich auch für kommerzielle Nutzung deutlich einfacher einzuordnen als viele restriktiv lizenzierte Forschungsmodelle. Die Herstellerangaben und Benchmarks stammen aus dem offiziellen Tencent-Hy-Blog und der Hugging-Face-Modellkarte. Sie sind nicht unabhängig verifiziert.
Was ist Tencent Hy3?
Hy3 ist ein Open-Weight-Sprachmodell des Tencent Hy Teams. Es folgt auf Hy3 Preview, das laut Tencent Ende April 2026 gestartet wurde. Für die finale Version gibt Tencent an, Feedback aus mehr als 50 Produkten verarbeitet und das Post-Training mit höherwertigen Daten sowie zusätzlichem Reinforcement Learning ausgebaut zu haben.
Die Kernidee: Hy3 soll nicht nur ein Chatmodell sein, sondern ein Modell für Arbeitsabläufe mit Tools, Code, längeren Kontexten und agentischer Nutzung. Tencent nennt ausdrücklich Coding, Büroarbeit, Finanzmodellierung, Frontend-Design und Spieleentwicklung als Zielbereiche. Das passt zur aktuellen Entwicklung im LLM-Markt: Der Wettbewerb verschiebt sich von reiner Chatqualität hin zu Modellen, die zuverlässig mit Werkzeugen, strukturierten Ausgaben und längeren Aufgabenketten umgehen.
Die wichtigsten technischen Eckdaten laut Modellkarte:
| Eigenschaft | Tencent Hy3 |
|---|---|
| Architektur | Mixture-of-Experts |
| Gesamtparameter | 295 Milliarden |
| Aktive Parameter | 21 Milliarden |
| MTP-Layer-Parameter | 3,8 Milliarden |
| Layer | 80 plus ein MTP-Layer |
| Attention | 64 Heads, GQA mit 8 KV-Heads |
| Kontextlänge | 256K Tokens |
| Experten | 192 Experten, Top-8 aktiviert |
| Präzision | BF16 |
| Lizenz | Apache 2.0 |
Die 256K Kontextlänge ist groß genug für viele Repository-, Dokumenten- und Agentenaufgaben, aber nicht außergewöhnlich, wenn man sie mit einigen Langkontext-Modellen vergleicht. Der relevantere Punkt ist deshalb die Kombination aus Open Weights, Agenten-Fokus, Tool-Calling und kommerzieller Lizenz.
Warum die MoE-Architektur wichtig ist
Ein Mixture-of-Experts-Modell aktiviert pro Anfrage nur einen Teil seiner Parameter. Bei Hy3 sind es laut Tencent 21 Milliarden aktive Parameter aus insgesamt 295 Milliarden. Das ist der zentrale technische Hebel: Das Modell kann viele spezialisierte Experten vorhalten, ohne bei jeder Antwort die vollen 295 Milliarden Parameter rechnen zu müssen.
Das bedeutet nicht automatisch, dass Hy3 billig oder leicht zu hosten ist. Tencent selbst empfiehlt für Serving auf acht GPUs H20-3e oder andere GPUs mit großem Speicher. Für kleinere Teams bleibt lokales Hosting also anspruchsvoll. Trotzdem ist die MoE-Struktur relevant, weil sie den Weg zwischen großen Fähigkeiten und wirtschaftlicher Inferenz verbessert.
Für Entwickler und Unternehmen zählt am Ende nicht nur ein Benchmark-Rang, sondern die Frage: Wie viel Qualität bekomme ich pro Kosten- und Infrastruktur-Einheit? Genau dort versucht Hy3 anzusetzen.
Zugang, Lizenz und Verfügbarkeit
Hy3 ist kein reines Preview-Modell hinter einer geschlossenen Warteliste. Laut Tencent sind Hy3 und Hy3-FP8 als Modellgewichte veröffentlicht. Die Modellkarte verweist auf Hugging Face, ModelScope, GitCode und CNB. Zusätzlich verweist der offizielle Blog auf GitHub und OpenRouter.
Für die Praxis ergibt sich daraus:
- Öffentlich verfügbar: Die Gewichte sind als Open-Weight-Release erreichbar.
- Kommerzielle Nutzung: Apache 2.0 ist eine vergleichsweise flexible Lizenz.
- API-Zugang: Tencent nennt OpenRouter als Zugangspunkt; der Videokontext erwähnt eine zeitlich begrenzte kostenlose OpenRouter-Phase bis 21. Juli 2026.
- Self-Hosting: Möglich, aber wegen Modellgröße und GPU-Anforderungen nicht trivial.
- Quantisierung: Hy3-FP8 wird separat als quantisierte Variante angeboten.
Tencent nennt für die eigene API-Preisstruktur 1 RMB pro eine Million Input-Tokens, 4 RMB pro eine Million Output-Tokens und 0,25 RMB pro eine Million gecachte Input-Tokens. Diese Angaben stammen aus dem Tencent-Blog und können je nach Anbieter, Region und API-Zugang abweichen. Für die Einordnung ist trotzdem wichtig: Tencent positioniert Hy3 ausdrücklich als kosteneffiziente Option für produktive Nutzung.
Benchmark-Einordnung: stark, aber nicht überall führend
Tencent veröffentlicht für Hy3 eine Reihe von Benchmarks gegen aktuelle Modelle wie GLM-5.2, Seed2.1 Pro, DeepSeek V4 Pro, Qwen3.7 Max, GPT-5.5 und Claude Opus 4.8. Diese Werte sind Herstellerangaben und nicht unabhängig verifiziert. Sie zeigen aber, wo Tencent Hy3 im Markt platzieren will: nicht als kleines Bastelmodell, sondern als ernsthafte Open-Weight-Alternative zu deutlich größeren oder geschlossenen Modellen.
Statt die Tencent-Grafik in eine schmale Vier-Spalten-Tabelle zu pressen, ist hier die Originalgrafik des Anbieters. Das ist auf Mobilgeräten lesbarer und verhindert, dass mehrere Vergleichswerte in einer engen Tabellenspalte zusammengedrückt werden.
Aus der Tencent-Grafik sind vor allem drei Punkte relevant:
- Hy3 verbessert sich deutlich gegenüber Hy3 Preview, unter anderem bei SWE-bench Pro, SWE-bench Multilingual, Terminal Bench 2.1 und BrowseComp.
- Hy3 ist nicht in jedem Benchmark führend. Bei MathArena Apex liegt GPT-5.5 laut Tencent deutlich vor Hy3; bei mehreren agentischen und produktivitätsnahen Benchmarks liegt Hy3 aber im relevanten Spitzenfeld.
- Die stärkste Aussage ist nicht ein einzelner Rang, sondern die Kombination aus Open Weights, Apache-2.0-Lizenz, Tool-Calling-Fokus und konkurrenzfähigen Herstellerbenchmarks.
Für die vollständige Benchmark-Tabelle verweist Tencent zusätzlich auf einen Appendix. Auch diese Grafik ist eine Herstellerangabe und sollte nicht wie ein unabhängiger Test gelesen werden.
Für Leser ist genau diese nüchterne Einordnung wichtig. Hy3 ist kein magischer Durchbruch, der alle geschlossenen Modelle verdrängt. Es ist aber ein ernstzunehmendes Open-Weight-Modell, das in mehreren agentischen und produktivitätsnahen Benchmarks nah an deutlich teurere oder geschlossene Alternativen heranrückt.
Verbesserungen gegenüber Hy3 Preview
Tencent betont nicht nur Benchmark-Zahlen, sondern konkrete Verbesserungen im Produktbetrieb. Das ist relevant, weil viele Open-Weight-Modelle auf öffentlichen Benchmarks gut aussehen, in echten Agenten-Setups aber an Tool-Calling, Formatstabilität oder langen Dialogen scheitern.
Laut Tencent wurden drei Problemfelder gezielt verbessert.
Erstens: Tool-Calling und Ausgabeformate. Tencent schreibt, dass Zuverlässigkeitsprobleme in Tool-Konfigurationen und Output-Constraints behoben wurden. Besonders interessant ist die Aussage, dass die Genauigkeitsvarianz auf SWE-bench Verified über unterschiedliche Agenten-Scaffoldings wie CodeBuddy, Cline und KiloCode innerhalb von 4 Prozentpunkten bleibt. Das ist eine relevante Aussage, weil Modelle in einem Agenten-Framework oft deutlich anders abschneiden als in einem anderen.
Zweitens: Weniger Halluzinationen. Tencent gibt an, die Halluzinationsrate in internen realitätsnahen Evaluationen von 12,5 Prozent auf 5,4 Prozent reduziert zu haben. Commonsense-Fehler sollen von 25,4 Prozent auf 12,7 Prozent gefallen sein. Auch das sind Herstellerangaben, aber sie adressieren ein reales Problem: Für produktive Agenten reicht es nicht, gute Antworten zu formulieren. Das Modell muss fehlende Evidenz erkennen, Quellen nicht vermischen und erfundene Daten vermeiden.
Drittens: Längere Kontexte und Multi-Turn-Verständnis. Tencent nennt eine Reduktion der Fehlerquote in internen Multi-Turn-Tests von 17,4 Prozent auf 7,9 Prozent. Zusätzlich soll Hy3 bei längeren Dialog-Evaluationen wie MRCR besser abschneiden. Das passt zur 256K-Kontextauslegung, ist aber wichtiger als die reine Kontextgröße: Ein langes Kontextfenster bringt wenig, wenn das Modell Anweisungen über mehrere Schritte nicht stabil hält.
Reasoning-Modi: schneller Standard, tieferes Denken bei Bedarf
Die Modellkarte beschreibt einen konfigurierbaren Reasoning-Modus. Hy3 kann standardmäßig im direkten Modus antworten und für komplexere Aufgaben auf niedrige oder hohe Reasoning-Anstrengung umgestellt werden. Tencent nennt dafür insbesondere Mathematik, Coding und allgemeine Reasoning-Aufgaben.
Praktisch ist das sinnvoll, weil nicht jede Anfrage denselben Denkaufwand braucht. Ein einfaches Klassifikations- oder Extraktionsproblem sollte schnell und günstig bleiben. Eine schwierige Debugging-, Planungs- oder Mathematikaufgabe darf mehr Rechenzeit verbrauchen, wenn dadurch die Qualität steigt.
Für API-Nutzer ist diese Steuerbarkeit ein wichtiger Kostenhebel. Für Self-Hosting-Nutzer ist sie zusätzlich ein Performance-Hebel, weil hohe Reasoning-Anstrengung nicht für jede Anfrage erzwungen werden muss.
Wo Hy3 besonders interessant ist
Hy3 wirkt vor allem in vier Szenarien stark.
Erstens: Coding-Agenten. Die Kombination aus SWE-bench-Werten, Tool-Calling-Fokus und Scaffolding-Stabilität macht Hy3 für Coding-Workflows interessant. Das gilt besonders für Teams, die offene Gewichte bevorzugen oder Abhängigkeit von geschlossenen APIs reduzieren wollen.
Zweitens: Frontend- und UI-Aufgaben. Tencent nennt Frontend-Design als Bereich mit besonders deutlicher Verbesserung in der eigenen Expertenbewertung. Auch der WorldofAI-Test legte den Schwerpunkt auf Frontend, Three.js, SVG und interaktive Demos. Das ersetzt keine systematische unabhängige Evaluation, passt aber zur Positionierung des Modells.
Drittens: Agentische Produktivitätsaufgaben. Office-Arbeit, Finanzmodellierung, Tool-Nutzung und längere Arbeitsabläufe sind genau die Bereiche, in denen klassische Chat-Benchmarks zu wenig aussagen. Hy3 versucht hier mit Formatstabilität, Tool-Calling und Multi-Turn-Verbesserungen zu punkten.
Viertens: Kostenbewusste Deployments. Wenn die API-Preise und OpenRouter-Zugänge stabil bleiben, könnte Hy3 für produktive Workloads attraktiv sein, bei denen ein geschlossenes Spitzenmodell zu teuer wäre. Der eigentliche Wettbewerb liegt dann nicht bei der absoluten Modellspitze, sondern bei Qualität pro Euro.
Einschränkungen und offene Fragen
Trotz der starken Datenlage gibt es klare Einschränkungen.
Die Benchmarks stammen von Tencent. Sie sind nützlich, aber nicht dasselbe wie unabhängige Tests in neutralen Umgebungen. Gerade bei Agenten- und Coding-Benchmarks können Prompting, Scaffolding, Tool-Setup und Auswertungsmethodik große Auswirkungen haben.
Die Infrastruktur ist ebenfalls nicht trivial. 295 Milliarden Gesamtparameter bedeuten, dass Hy3 kein Modell ist, das kleine Teams einfach auf einer einzelnen Consumer-GPU produktiv hosten. Die FP8-Variante kann helfen, aber auch sie ändert nichts daran, dass Hy3 ein großes Modell bleibt.
Außerdem ist die 256K Kontextlänge solide, aber nicht automatisch ein Alleinstellungsmerkmal. Der wirkliche Test wird sein, wie stabil Hy3 bei realen langen Repositorys, Dokumentenketten und mehrstufigen Agenten-Workflows bleibt.
Schließlich bleibt die Frage, wie sich Hy3 unter Last, mit komplexen Tools, in deutscher Sprache und bei domänenspezifischen Unternehmensdaten schlägt. Genau dort werden unabhängige Tests wichtiger als Launch-Benchmarks.
Fazit: Hy3 ist ein ernstzunehmender Open-Weight-Kandidat
Tencent Hy3 ist kein kleines Forschungsmodell und kein reiner Marketing-Launch. Die Kombination aus 295 Milliarden Gesamtparametern, 21 Milliarden aktiven Parametern, Apache-2.0-Lizenz, 256K Kontext, Reasoning-Steuerung und veröffentlichten Gewichten macht Hy3 zu einem der relevanteren Open-Weight-Releases im aktuellen LLM-Markt.
Der wichtigste Punkt ist die Marktposition: Hy3 muss nicht überall GPT-5.5 oder Claude Opus 4.8 schlagen, um relevant zu sein. Wenn es in Coding-, Tool-Calling- und Agenten-Workflows zuverlässig genug arbeitet und dabei günstiger oder besser kontrollierbar bleibt, kann es für viele Entwickler und Unternehmen die pragmatischere Wahl sein.
Für kitoolsupdate.de ist die nüchterne Einordnung deshalb: Hy3 ist kein pauschaler Sieger aller Benchmarks. Aber es ist ein starker Open-Weight-Kandidat mit klarer kommerzieller Lizenz, sichtbaren Verbesserungen gegenüber Hy3 Preview und einer glaubwürdigen Ausrichtung auf produktive Agenten-Workflows. Genau diese Kombination macht das Modell relevant.
Quellen: Offizieller Tencent-Hy-Blog zu Hy3, Tencent-Hy3-Modellkarte auf Hugging Face, Tencent-Hunyuan GitHub-Repository. Herstellerbenchmarks sind als Herstellerangaben zu verstehen und wurden nicht unabhängig verifiziert.
FAQ
Ist Tencent Hy3 öffentlich verfügbar?
Ja. Tencent verweist auf veröffentlichte Gewichte für Hy3 und Hy3-FP8 auf Plattformen wie Hugging Face, ModelScope, GitCode und CNB. Zusätzlich nennt der offizielle Blog GitHub und OpenRouter als Zugangswege.
Unter welcher Lizenz steht Hy3?
Hy3 steht laut Modellkarte unter Apache 2.0. Das ist für viele kommerzielle und produktive Anwendungen deutlich besser nutzbar als restriktivere Research-only-Lizenzen.
Wie groß ist Tencent Hy3?
Hy3 ist ein Mixture-of-Experts-Modell mit 295 Milliarden Gesamtparametern und 21 Milliarden aktiven Parametern pro Inferenz. Außerdem nennt Tencent 192 Experten, Top-8-Routing und eine Kontextlänge von 256K Tokens.
Ist Hy3 besser als Claude Opus 4.8 oder GPT-5.5?
Nicht pauschal. In einigen Herstellerbenchmarks liegt Hy3 nah an starken Vergleichsmodellen oder vor einzelnen Konkurrenten, in anderen Bereichen liegen Claude Opus 4.8 oder GPT-5.5 deutlich vorne. Die sinnvollere Einordnung ist: Hy3 ist ein starker Open-Weight-Kandidat, nicht automatisch das beste Modell in jeder Kategorie.
Für welche Anwendungen ist Hy3 besonders interessant?
Hy3 ist besonders interessant für Coding-Agenten, Tool-Calling, Frontend- und UI-Aufgaben, längere produktive Workflows und Teams, die Open-Weight-Modelle mit kommerzieller Lizenz bevorzugen. Für kleines lokales Hosting bleibt die Modellgröße aber eine echte Hürde.