Разработанная Tencent платформа Hy3 под лицензией Apache конкурирует с GLM-5.2, будучи вдвое меньше по размеру, и побеждает во всем, кроме программирования.
Сэм Виттевин
В течение последнего года неловкой тайной бума открытых моделей было то, что многие из самых мощных китайских релизов были недоступны для значительной части предприятий, наиболее заинтересованных в них. Условия лицензирования, исключавшие Европейский союз, Великобританию и Южную Корею, означали, что юридические отделы прекращали развертывание до того, как инженерные группы завершали свои оценки — не только для компаний со штаб-квартирами в этих регионах, но и для любого предприятия, обслуживающего трафик в этих регионах. Для ИТ-команд, рассматривающих открытые модели, компромиссы необычайно очевидны.
Компания Tencent устранила это препятствие. Команда Hunyuan выпустила полную версию Hy3 , модели Mixture-of-Experts (MoE) с 295 миллиардами параметров и 21 миллиардом активных параметров, и — в отличие от апрельской предварительной версии — распространила её под разрешительной лицензией Apache 2.0 . Реакция сообщества разработчиков открытых моделей последовала незамедлительно: исследователи на X выделили изменение лицензии как главное событие, а в одном широко распространенном посте утверждалось, что если результаты подтвердятся, Tencent станет одним из лидеров в области открытого исходного кода. Tencent заявляет, что модель будет доступна бесплатно на OpenRouter в течение двух недель.
Результаты заслуживают внимательного изучения — и не все они указывают в одном направлении. Но более интересная история заключается в том, с чего Tencent решила начать: показатели надежности и экономические аспекты развертывания, ориентированные непосредственно на использование в производственной среде.
От предварительной версии до готового продукта за десять недель, благодаря работе 50 внутренних команд.
Предварительная версия Hy3, выпущенная в апреле, стала первой моделью перестроенной инфраструктуры предварительного обучения и обучения с подкреплением от Tencent, выпущенной менее чем через три месяца после февральской модернизации. Главный научный сотрудник по искусственному интеллекту Шунью Яо объяснил ранний открытый релиз преднамеренным шагом для сбора отзывов от разработчиков и пользователей до официальной версии — и Tencent утверждает, что именно это и произошло. Согласно описанию модели, после предварительной версии в конце апреля команда собрала отзывы от более чем 50 продуктовых команд, исправила проблемы с выполнением задач и взаимодействием, а также масштабировала свой конвейер постобработки.
Архитектура осталась неизменной: 295 миллиардов параметров, 21 миллиард активных параметров на каждый прямой проход через маршрутизацию по топ-8 с участием 192 экспертов, слой многотокенного прогнозирования (MTP) с 3,8 миллиардами параметров для спекулятивного декодирования и контекстное окно размером 256 тысяч. Изменилось лишь поведение. Позиционирование Tencent заключается в том, что полная версия значительно превосходит модели аналогичного размера и конкурирует с флагманскими моделями с открытым исходным кодом, имеющими в два-пять раз больше параметров.
Такая формулировка «в два-пять раз» вполне соответствует целевому направлению этой модели — и она позволяет напрямую сравнить её с нынешним лидером в области открытого кодирования, GLM-5.2.
В ходе слепого тестирования Tencent модель Hy3 показала лучшие результаты, чем GLM-5.1, однако GLM-5.2 по-прежнему превосходит её по качеству кода.
В заголовке оценки Tencent представлено слепое исследование с участием людей, а не рейтинговая таблица. Утверждая, что общедоступные бенчмарки не отражают полной картины, компания провела слепое тестирование с участием 270 экспертов из разных областей, работающих над реальными рабочими процессами, собрав 312 достоверных сравнений. По результатам Tencent, Hy3 набрал 2,67 из 4 баллов против 2,51 у GLM-5.1 — с наиболее явными преимуществами в разработке фронтенда, CI/CD и работе с данными и хранилищем.
Выбор соперника имеет значение. Компания Zhipu AI выпустила GLM-5.2 в середине июня, и собственные тесты Tencent показывают, что GLM-5.2 опережает Hy3 практически по всему набору инструментов для агентного программирования: SWE-bench Verified (84,2 против 78,0), SWE-bench Multilingual (83,0 против 75,8), Terminal-Bench 2.1 (81 против 71,7) и DeepSWE с большим отрывом (46,2 против 28,0). Слепой тест был направлен на более старую модель; новая сохраняет лидерство в программировании.
Преимущество GLM-5.2 в вычислительных мощностях становится менее удивительным, если учесть сопоставимые размеры: GLM-5.2 — это модель с примерно 744 миллиардами параметров и около 40 миллиардами активных параметров на токен, в то время как у Hy3 их 295 миллиардов, а активных — 21 миллиард. Tencent же использует модель с менее чем половиной параметров — и почти вдвое меньшими вычислительными затратами на токен — по сравнению с моделью-преемником.
Настоящие преимущества Hy3 заключаются в другом. В поиске с использованием агентов она показывает результат 84,2 на BrowseComp и 91,0 на DeepSearchQA — опережая все открытые модели в таблице Tencent и конкурируя с Claude Opus 4.8 и GPT-5.5. Она лидирует в открытой области по оркестрации инструментов (79,1 на общедоступном наборе MCP-Atlas), по оценке эффективности использования агентов, например, ClawEval, и по поиску в длинном контексте (73,4 на AA-LCR). В совокупности, приложение предполагает, что эта модель, возможно, является лучшим выбором среди открытых моделей для рабочих нагрузок агентов, требующих интенсивного поиска и использования инструментов, при этом уступая место GLM-5.2 в плане кодирования в масштабе репозитория.
Следует отметить, что как в отношении побед, так и поражений, почти все данные о конкурентах в приложении Tencent указаны как полученные в результате собственных тестовых запусков Tencent. Независимая проверка с помощью таких индексов, как Artificial Analysis, на момент публикации еще не проведена.
Доказательство надежности: частота галлюцинаций снизилась вдвое.
Наиболее интересным для корпоративных покупателей в этом релизе является набор цифр, на которых Tencent решила сделать акцент вместо бенчмарков. В отчете о результатах испытаний модель больше похожа на отчет о надежности в производственной среде, чем на объявление о лидерах.
По результатам внутренних оценок в реальных условиях, Tencent сообщает, что частота ошибок Hy3 снизилась по сравнению с предварительной версией с 12,5% до 5,4%, а частота ошибок, основанных на здравом смысле, упала с 25,4% до 12,7% — улучшения, которые компания объясняет тщательной очисткой данных и ограничениями обучения, построенными на основе четко определенного шаблона поведения: отвечать, когда есть основания, указывать, когда доказательства отсутствуют, не смешивать источники, не фальсифицировать данные. Аналогичные изменения коснулись и многошагового поведения: частота ошибок во внутренних многошаговых тестах снизилась с 17,4% до 7,9%, а Tencent сообщила, что оценка модели в открытом бенчмарке MRCR для длинных диалогов выросла с 42,9% до 75,1%.
Tencent также делает акцент на согласованности между различными средами разработки агентов — сообщая о разнице между результатами тестирования программного обеспечения и производительностью в пределах нескольких пунктов, независимо от того, работает ли модель в средах, подобных Claude Code, Cline или KiloCode. Это недооцененное свойство: предприятия редко контролируют, какую среду разработки агентов используют их команды, а модель, которая работает только в одной среде, представляет собой скрытые затраты на интеграцию. Это внутренние измерения, основанные на самооценке, и к ним следует относиться с тем же скептицизмом, что и к любым бенчмаркам поставщиков. Но сам факт их выделения указывает на то, кем Tencent считает своего клиента: командами, которые разочаровались в моделях, хорошо демонстрирующих свои возможности и уверенно работающих в производственной среде.
Расчеты развертывания: модель 295B в мире 744B — на кремниевых чипах, соответствующих экспортным стандартам.
Вопрос надежности напрямую связан с экономикой, и именно здесь отрыв Hy3 от GLM-5.2 начинает выглядеть скорее как преднамеренный компромисс, чем как убыток.
GLM-5.2 — это модуль обработки данных с приблизительно 744 миллиардами параметров, при этом на каждый токен приходится около 40 миллиардов активных параметров; в FP8 одни только веса занимают примерно 744 ГБ, что делает 8 узлов H200 практическим минимумом для обслуживания в производственной среде. Hy3, с общим количеством параметров 295 миллиардов, занимает менее 300 ГБ памяти в FP8 — менее половины объема памяти, при этом примерно половина активных параметров на токен обеспечивает меньшую вычислительную нагрузку на запрос. Для организации, решающей, что размещать самостоятельно, это разница между одним мощным узлом и чем-то гораздо более достижимым, с запасом места для кэша ключ-значение и пакетной обработки.
В руководстве по развертыванию есть и геополитический нюанс, на который стоит обратить внимание: рекомендуемая Tencent конфигурация обслуживания ориентирована на Nvidia H20-3e — вариант H20 с увеличенным объемом памяти, графический процессор Nvidia, разработанный специально для соблюдения экспортных ограничений США в отношении Китая. В отличие от GLM-5.2, здесь нет упоминания о чипах Huawei или Ascend. Другими словами, модель рассчитана таким образом, чтобы восемь чипов, которые китайские компании могут легально приобрести, могли без проблем обслуживать ее с полной точностью. Такая конструкция, основанная на ограничениях, имеет удобный побочный эффект для всех остальных: модель, которая хорошо работает на специально ограниченных по производительности чипах, еще комфортнее работает на H100, H200 и B200, доступных в западных центрах обработки данных, при стандартном развертывании vLLM и SGLang со спекулятивным декодированием MTP.
Добавьте лицензию Apache 2.0 — без региональных ограничений и зон применения — и корпоративная модель становится понятной. GLM-5.2 остается предпочтительным вариантом, когда единственным критерием является производительность кода и доступен бюджет в 8 раз больше, чем у H200. Hy3 доказывает свою состоятельность во всех остальных случаях: при работе с ресурсоемкими агентами для поиска и инструментов, в приложениях, чувствительных к надежности, и в организациях, которым необходимы возможности, близкие к передовым технологиям, но не требующие инфраструктуры передового масштаба. Открытым остается вопрос, будут ли западные предприятия, теперь, когда барьер лицензирования снят, вообще рассматривать модель Tencent как серьезный вариант — или же следующее обновление Artificial Analysis разрешит спор о бенчмарках до того, как появится возможность для закупок.
Подпишитесь, чтобы получать самые свежие новости!
Подробные аналитические данные для руководителей предприятий в области искусственного интеллекта, данных и безопасности.
Отправляя свой адрес электронной почты, вы соглашаетесь с нашими Условиями использования и Политикой конфиденциальности.
Получайте обновления ! Вы подписаны! Наши последние новости скоро поступят на вашу электронную почту.
Источник: venturebeat.com
Оцените материал:
