Dieses Modell ist veraltet. Wir messen die Leistung nur noch für die Standard-Workload mit 10.000 Eingabe-Tokens. Ergebnisse für andere Workloads sind historische Daten und werden nicht mehr aktualisiert.

Tencent hat eine neuere Version veröffentlicht: Hy3. Wir empfehlen, diese als Alternative in Betracht zu ziehen.

Tencent

•

Hy3-preview

•

Open weights model

•

Released April 2026

Hy3-preview (Non-reasoning): Analyse von Intelligenz, Leistung und Preis

Name: Intelligenz
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Ausprobieren Benchmarks der API-Anbieter

IntelligenzUpdated

17*

Artificial Analysis Intelligence Index

* Geschätzt

Geschwindigkeit

k. A.

Ausgabetokens pro Sekunde

Kosten

Eingabe 0,063 $Ausgabe 0,21 $Cache-Rabatt 67%

k. A.

Kosten pro Intelligence-Index-Aufgabe

Ausführlichkeit

k. A.

Ausgabetokens im Intelligence Index

Hy3-preview (Non-reasoning) zählt bei der Intelligenz zu den überdurchschnittlichen Modellen und ist preislich angemessen im Vergleich zu anderen Modellen ohne Reasoning mit offenen Gewichten ähnlicher Größe. Das Modell unterstützt Text als Eingabe und Text als Ausgabe. Das Kontextfenster umfasst 256k Tokens.

Hy3-preview (Non-reasoning) erzielt im Artificial Analysis Intelligence Index einen Wert von 17 und liegt damit über dem Durchschnitt der vergleichbaren Modelle (Median: 12).

Der Preis für Hy3-preview (Non-reasoning) beträgt $0.06 pro 1 Mio. Eingabetokens (moderat bepreist; Median: $0.29) und $0.21 pro 1 Mio. Ausgabetokens (moderat bepreist; Median: $0.92).

Reasoning	Nein Diese Seite zeigt die Version dieses Modells ohne Reasoning. Möglicherweise gibt es auch eine Reasoning-Variante.
Eingabemodalität	Unterstützt: Text
Ausgabemodalität	Unterstützt: Text
Kontextfenster	256k ~384 A4-Seiten in Arial mit Schriftgröße 12
Gesamtparameter	295B
Aktive Parameter	21B Anzahl der pro Token während der Inferenz aktiven Parameter
Lizenz	TENCENT HY COMMUNITY LICENSE AGREEMENT
Modellgewichte	Hugging Face

Metriken werden mit Modellen derselben Klasse verglichen:

Modelle ohne Reasoning → Vergleich nur mit anderen Modellen ohne Reasoning
Reasoning-Modelle → Vergleich mit Reasoning-Modellen und Modellen ohne Reasoning
Modelle mit offenen Gewichten → Vergleich nur mit anderen Modellen mit offenen Gewichten derselben Größenklasse:

Sehr klein: ≤4B Parameter
Klein: 4B–40B Parameter
Mittel: 40B–150B Parameter
Groß: >150B Parameter

Proprietäre Modelle → Vergleich mit proprietären Modellen und Modellen mit offenen Gewichten derselben Preisklasse anhand eines Mischpreisverhältnisses von 3:1 für Eingabe/Ausgabe:

<$0.15 pro 1 Mio. Tokens
$0.15–$1 pro 1 Mio. Tokens
>$1 pro 1 Mio. Tokens

Updated

Intelligenz

Artificial Analysis Intelligence Index · Higher is better

Not publicly available

Geschwindigkeit

Output tokens per second · Higher is better

Kosten pro Aufgabe

Weighted average cost (USD) per Intelligence Index task · Lower is better

Not publicly available

IntelligenzUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 incorporates 10 evaluations: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1

Not publicly available

Estimate (independent evaluation forthcoming)

Artificial Analysis Intelligence Index v4.3.2 includes: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

Not publicly available

Estimate (independent evaluation forthcoming)

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if commercial use is limited by conditions, and as 'Non-commercial' if the license prohibits commercial use.

Benchmarks

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

Not publicly available

AA-Briefcase v1.1Updated

Agentic knowledge work, (Elo-500)/2000

GDPval-AA v2.1Updated

Agentic real-world work tasks, (Elo-500)/2000

AutomationBench-AA

Agentic SaaS workflows

Terminal-Bench 4.0

Agentic coding & terminal use

SciCodeUnder review

Coding

Humanity's Last Exam

Reasoning & knowledge

GDP.pdf

Professional document reasoning, All-pass

CritPtUnder review

Physics reasoning

AA-Omniscience Accuracy

Knowledge

AA-Omniscience Non-Hallucination Rate

1 - hallucination rate

AA-LCR v1.1

Long context reasoning

Harvey LAB-AA

Legal agentic work, criterion pass rate

EnterpriseOps-Gym-AA

Agentic business operations

Terminal-Bench-Science 0.1New

Agentic scientific research workflows in a terminal

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

ITBench-AA

Kubernetes incident root-cause analysis

MMMU-Pro

Visual reasoning

MLCR-AA

Medical long context reasoning

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

Not publicly available

Openness Index

Artificial Analysis Openness Index: Wert

Der Openness Index bewertet die Offenheit von Modellen auf einer normierten Skala von 0 bis 100 (höher bedeutet offener)

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Intelligence-Index-Aufgabe

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Kosten

Kosten pro Intelligence-Index-Aufgabe

Weighted average cost (USD) per Artificial Analysis Intelligence Index task, segmented by token type. Lower is better

Not publicly available

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

Not publicly available

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Preise: Cache-Treffer, Eingabe und Ausgabe

Price (USD per M Tokens)

Not publicly available

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Kontextfenster

Context window: tokens limit · Higher is better

Not publicly available

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Modellgröße (nur Modelle mit offenen Gewichten)

Modellgröße: Gesamtparameter und aktive Parameter

Comparison between total model parameters and parameters active during inference (billions)

The total number of trainable weights and biases in the model, expressed in billions. These parameters are learned during training and determine the model's ability to process and generate responses.

The number of parameters actually executed during each inference forward pass, expressed in billions. For Mixture of Experts (MoE) models, a routing mechanism selects a subset of experts per token, resulting in fewer active than total parameters. Dense models use all parameters, so active equals total.

Häufig gestellte Fragen

Häufige Fragen zu Hy3-preview (Non-reasoning)

Hy3-preview (Non-reasoning) wurde am 23. April 2026 veröffentlicht.

Hy3-preview (Non-reasoning) wurde von Tencent entwickelt.

Hy3-preview (Non-reasoning) erzielt im Artificial Analysis Intelligence Index einen geschätzten Wert von 17 und liegt damit im Vergleich zu anderen Modellen ohne Reasoning mit offenen Gewichten ähnlicher Größe über dem Durchschnitt (Median: 12).

Hy3-preview (Non-reasoning) kostet $0.06 pro 1 Mio. Eingabetokens (sehr konkurrenzfähig; Median: $0.53) und $0.21 pro 1 Mio. Ausgabetokens (sehr konkurrenzfähig; Median: $1.94). Die Angaben basieren auf dem Median aller Anbieter, die das Modell bereitstellen.

Hy3-preview (Non-reasoning) kostet $0.06 pro 1 Mio. Eingabetokens und $0.21 pro 1 Mio. Ausgabetokens (auf Grundlage des Medians aller Anbieter, die das Modell bereitstellen). Bei einem Mischpreis mit einem Verhältnis von 7:2:1 für Cache-Treffer, Eingabe und Ausgabe entspricht dies $0.05 pro 1 Mio. Tokens. Der Preis kann je nach Anbieter variieren. Preise der Anbieter vergleichen

Nein, Hy3-preview (Non-reasoning) ist kein Reasoning-Modell. Es antwortet direkt, ohne längeres Chain-of-Thought-Reasoning.

Hy3-preview (Non-reasoning) unterstützt Text als Eingabe.

Hy3-preview (Non-reasoning) unterstützt Text als Ausgabe.

Nein, Hy3-preview (Non-reasoning) unterstützt keine Bildeingaben. Es kann nur Text verarbeiten.

Nein, Hy3-preview (Non-reasoning) ist nicht multimodal. Es unterstützt nur Text als Eingabe.

Hy3-preview (Non-reasoning) hat ein Kontextfenster von 260k Tokens. Es bestimmt, wie viel Text und Gesprächsverlauf das Modell in einer einzelnen Anfrage verarbeiten kann.

Ja, Hy3-preview (Non-reasoning) hat offene Gewichte. Die Modellgewichte sind öffentlich verfügbar und können zum Selbsthosten heruntergeladen werden.

Hy3-preview (Non-reasoning) hat 295 Milliarden Parameter (21 Milliarden aktiv).

Hy3-preview (Non-reasoning) ist ein Mixture-of-Experts-Modell (MoE) mit insgesamt 295 Milliarden Parametern, von denen während der Inferenz jedoch nur 21 Milliarden aktiv sind.

Hy3-preview (Non-reasoning) wird unter der Lizenz TENCENT HY COMMUNITY LICENSE AGREEMENT veröffentlicht. Die kommerzielle Nutzung ist mit Einschränkungen erlaubt. Lizenz anzeigen

Hy3-preview (Non-reasoning) erzielt im Artificial Analysis Intelligence Index einen Wert von 17. Dieser zusammengesetzte Benchmark bewertet Modelle in den Bereichen Schlussfolgern, Wissen, Mathematik und Programmierung.

Ja, Hy3-preview (Non-reasoning) ist über 1 Anbieter per API verfügbar. API-Anbieter vergleichen

Hy3-preview (Non-reasoning) ist über 1 API-Anbieter verfügbar. Anbieter vergleichen

Hy3-preview (Non-reasoning): Analyse von Intelligenz, Leistung und Preis

Modellübersicht

IntelligenzUpdated

Geschwindigkeit

Kosten

Ausführlichkeit

Zusammenfassung des Vergleichs

Technische Spezifikationen

46 Modelle in dieser Klasse

Intelligenz

Geschwindigkeit

Kosten pro Aufgabe

IntelligenzUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index: Open Weights vs. proprietär

Artificial Analysis Intelligence Index

Open Weights

Benchmarks

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Openness Index

Artificial Analysis Openness Index: Wert

Vergleiche des Intelligence Index

Intelligence Index vs. Kosten pro Intelligence-Index-Aufgabe

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Kosten

Kosten pro Intelligence-Index-Aufgabe

Cost per Intelligence Index Task

Kosten für die Durchführung des Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Preise: Cache-Treffer, Eingabe und Ausgabe

Cache Hit

Kontextfenster

Kontextfenster

Context Window for RAG

Context Window

Modellgröße (nur Modelle mit offenen Gewichten)

Modellgröße: Gesamtparameter und aktive Parameter

Total Parameters

Active Parameters at Inference Time

Häufig gestellte Fragen

Wann wurde Hy3-preview (Non-reasoning) veröffentlicht?

Wer hat Hy3-preview (Non-reasoning) entwickelt?

Wie intelligent ist Hy3-preview (Non-reasoning)?

Wie viel kostet Hy3-preview (Non-reasoning)?

Wie gestaltet sich der API-Preis von Hy3-preview (Non-reasoning)?

Ist Hy3-preview (Non-reasoning) ein Reasoning-Modell?

Welche Eingabemodalitäten unterstützt Hy3-preview (Non-reasoning)?

Welche Ausgabemodalitäten unterstützt Hy3-preview (Non-reasoning)?

Kann Hy3-preview (Non-reasoning) Bilder verarbeiten?

Ist Hy3-preview (Non-reasoning) multimodal?

Wie groß ist das Kontextfenster von Hy3-preview (Non-reasoning)?

Hat Hy3-preview (Non-reasoning) offene Gewichte?

Wie viele Parameter hat Hy3-preview (Non-reasoning)?

Was sind die aktiven Parameter von Hy3-preview (Non-reasoning)?

Unter welcher Lizenz steht Hy3-preview (Non-reasoning)?

Wie schneidet Hy3-preview (Non-reasoning) in Benchmarks ab?

Ist Hy3-preview (Non-reasoning) über eine API verfügbar?

Wo kann ich Hy3-preview (Non-reasoning) verwenden?