Hy3 berlisensi Apache dari Tencent mampu mengalahkan GLM-5.2 dengan ukuran setengahnya — dan menang di semua bidang kecuali coding
Selama setahun terakhir, rahasia janggal dari booming model open-weight adalah bahwa banyak produk Tiongkok terkuat yang dilarang untuk digunakan oleh sebagian besar perusahaan yang paling tertarik dengan produk tersebut. Persyaratan lisensi yang mengecualikan Uni Eropa, Inggris, dan Korea Selatan berarti tim hukum menghentikan penerapan sebelum tim teknik menyelesaikan evaluasi mereka — tidak hanya untuk perusahaan yang berkantor pusat di sana, tetapi juga untuk perusahaan mana pun yang melayani lalu lintas ke wilayah tersebut. Bagi tim IT yang mempertimbangkan model terbuka, trade-off yang ada sangatlah jelas. Tencent baru saja menghilangkan hambatan tersebut. Tim Hunyuan perusahaan tersebut merilis versi lengkap Hy3, model Mixture-of-Experts (MoE) dengan 295 miliar parameter dengan 21 miliar parameter aktif, dan — kebalikan dari rilis pratinjau bulan April — mengirimkannya di bawah lisensi Apache 2.0 yang permisif. Reaksi dari komunitas model terbuka langsung terlihat, dengan para peneliti di X memilih perubahan lisensi sebagai berita utama yang sebenarnya, dan satu postingan yang dibagikan secara luas menyatakan bahwa jika skornya bertahan, Tencent baru saja menjadi salah satu pemimpin open source. Tencent mengatakan itu akan gratis di OpenRouter selama dua minggu. Skornya patut untuk dicermati — dan tidak semuanya mengarah ke arah yang sama. Namun cerita yang lebih menarik adalah apa yang Tencent pilih untuk memimpin: metrik keandalan dan ekonomi penerapan yang ditujukan langsung pada penggunaan produksi. Dari pratinjau hingga produk dalam sepuluh minggu, dibentuk oleh 50 tim internal Pratinjau Hy3 pada bulan April adalah model pertama infrastruktur pra-pelatihan dan pembelajaran penguatan yang dibangun kembali oleh Tencent, yang dikirimkan kurang dari tiga bulan setelah pembangunan kembali pada bulan Februari. Kepala Ilmuwan AI Shunyu Yao menggambarkan rilis terbuka awal sebagai langkah yang disengaja untuk mengumpulkan masukan dari pengembang dan pengguna sebelum versi resmi – dan Tencent mengatakan itulah yang sebenarnya terjadi. Menurut kartu model, tim mengumpulkan masukan dari lebih dari 50 tim produk setelah pratinjau akhir bulan April, memperbaiki masalah dalam pelaksanaan tugas dan interaksi, serta meningkatkan jalur pasca-pelatihan. Arsitekturnya tidak berubah: total parameter 295 miliar, 21 miliar aktif per penerusan melalui perutean 8 teratas di 192 pakar, lapisan prediksi multi-token (MTP) parameter 3,8 miliar untuk decoding spekulatif, dan jendela konteks 256 ribu. Yang berubah adalah perilaku. Penentuan posisi Tencent adalah bahwa rilis penuh secara signifikan mengungguli model berukuran serupa dan menyaingi model sumber terbuka andalan dengan parameter dua hingga lima kali lipat. Pembingkaian “dua hingga lima kali” tersebut masuk akal untuk tujuan model ini — dan hal ini mengundang perbandingan langsung dengan pemimpin pengkodean bobot terbuka saat ini, GLM-5.2. Uji buta Tencent lebih memilih Hy3 dibandingkan GLM-5.1, namun GLM-5.2 masih memiliki pengkodean Evaluasi utama Tencent adalah sebuah buta studi manusia daripada papan peringkat. Dengan alasan bahwa tolok ukur publik tidak menjelaskan keseluruhan cerita, perusahaan tersebut melakukan tes buta dengan 270 ahli dari berbagai disiplin ilmu yang bekerja pada alur kerja dunia nyata, mengumpulkan 312 perbandingan yang valid, di mana Tencent melaporkan bahwa Hy3 mendapat skor 2,67 dari 4 dibandingkan GLM-5.1 yang 2,51 — dengan keunggulan paling jelas dalam pengembangan frontend, CI/CD, serta pekerjaan data dan penyimpanan. Pilihan lawan itu penting. Zhipu AI merilis GLM-5.2 pada pertengahan Juni, dan lampiran benchmark milik Tencent menunjukkan GLM-5.2 mengungguli Hy3 di seluruh rangkaian pengkodean agen: SWE-bench Verified (84.2 vs. 78.0), SWE-bench Multilingual (83.0 vs. 75.8), Terminal-Bench 2.1 (81 vs. 71.7) dan DeepSWE dengan selisih yang lebar (46,2 vs 28,0). Tes buta ini menargetkan model lama; yang lebih baru mempertahankan keunggulan pengkodean. Keunggulan pengkodean GLM-5.2 tidak terlalu mengejutkan jika Anda mempertimbangkan ukurannya yang berdampingan: GLM-5.2 kira-kira merupakan MoE dengan 744 miliar parameter dengan sekitar 40 miliar parameter aktif per token, dibandingkan dengan total 295 miliar Hy3 dan 21 miliar aktif. Tencent menerapkan model dengan kurang dari separuh parameter — dan hampir separuh komputasi per token — dari model yang dilacaknya. Kemenangan asli Hy3 ada di tempat lain. Pada penelusuran agen, ia memposting 84,2 di BrowserComp dan 91,0 di DeepSearchQA — mengungguli setiap model terbuka di tabel Tencent dan bersaing dengan Claude Opus 4.8 dan GPT-5.5. Ini memimpin bidang terbuka dalam orkestrasi alat (79,1 pada set MCP-Atlas publik), dalam evaluasi pemanfaatan agen seperti ClawEval, dan dalam pengambilan konteks panjang (73,4 pada AA-LCR). Baca bersama-sama, lampiran ini menyarankan sebuah model yang bisa dibilang merupakan pilihan open-weight terbaik untuk beban kerja agen pencarian dan alat yang berat, sambil mengakui pengkodean skala repositori ke GLM-5.2. Satu peringatan berlaku untuk kemenangan dan kekalahan: hampir semua nomor pesaing dalam lampiran Tencent ditandai sebagai berasal dari uji coba Tencent sendiri. Verifikasi independen, dari indeks seperti Analisis Buatan, masih tertunda hingga dipublikasikan. Pijakan keandalan: tingkat halusinasi berkurang setengahnya Hal yang paling menarik dari rilis ini bagi pembeli perusahaan adalah serangkaian angka yang dipilih Tencent untuk ditekankan, bukan tolok ukur. Kartu model tidak terlihat seperti pengumuman papan peringkat dan lebih mirip laporan keandalan produksi. Dalam evaluasi internal pada skenario dunia nyata, Tencent mengatakan tingkat halusinasi Hy3 turun dibandingkan dengan versi pratinjau dari 12,5% menjadi 5,4%, dan tingkat kesalahan yang masuk akal turun dari 25,4% menjadi 12,7% — peningkatan yang dikaitkan dengan pembersihan data terperinci dan batasan pelatihan yang dibangun berdasarkan pola perilaku eksplisit: jawab saat dibumikan, nyatakan saat bukti hilang, jangan mengacaukan sumber, jangan mengarang data. Perilaku multi-putaran mendapat perlakuan yang sama: tingkat masalah pada pengujian multi-putaran internal turun dari 17,4% menjadi 7,9%, dan Tencent melaporkan bahwa skor model pada tolok ukur dialog panjang MRCR terbuka melonjak dari 42,9% menjadi 75,1%. Tencent juga menekankan konsistensi di seluruh perancah agen — melaporkan varians SWE-bench dalam beberapa poin apakah model berjalan di dalam rangkaian gaya Claude Code, Cline, atau KiloCode. Hal ini merupakan properti yang diremehkan: perusahaan jarang mengontrol kerangka agen mana yang menjadi standar tim mereka, dan model yang hanya berfungsi dalam satu rangkaian merupakan biaya integrasi yang tersembunyi. Ini adalah pengukuran internal yang dilaporkan sendiri, dan layak mendapat skeptisisme yang sama seperti tolok ukur vendor mana pun. Namun pilihan untuk mengedepankannya pada semua sinyal yang diyakini oleh Tencent sebagai pelanggannya adalah: tim yang telah terpacu oleh model-model yang dapat melakukan demo dengan baik dan melakukan fabrikasi dengan percaya diri dalam produksi. Perhitungan penerapan: model 295B di dunia 744B — pada silikon yang memenuhi standar eksporKisah keandalan terhubung langsung dengan perekonomian, dan di sinilah kesenjangan pengkodean Hy3 terhadap GLM-5.2 mulai terlihat seperti perdagangan yang disengaja dan bukannya kerugian. GLM-5.2 secara kasar MoE 744 miliar parameter dengan sekitar 40 miliar parameter aktif per token; di FP8, bobotnya saja menghabiskan sekitar 744 GB, menjadikan node H200 8x sebagai minimum praktis untuk penyajian produksi. Hy3, dengan total parameter 295 miliar, memiliki jejak FP8 di bawah 300 GB — kurang dari separuh memori, dengan sekitar separuh parameter aktif per token mendorong komputasi per permintaan yang lebih rendah. Untuk organisasi yang memutuskan apa yang akan dihosting sendiri, itulah perbedaan antara satu node dengan spesifikasi tinggi dan sesuatu yang jauh lebih mudah dicapai, dengan ruang tersisa untuk cache KV dan batching. Ada masalah geopolitik dalam panduan penerapan yang perlu diperhatikan juga: konfigurasi penyajian yang direkomendasikan Tencent menargetkan H20-3e Nvidia — varian H20 yang meningkatkan memori, GPU Nvidia yang dirancang khusus untuk mematuhi pembatasan ekspor AS di Tiongkok. Berbeda dengan GLM-5.2, chip Huawei atau Ascend tidak disebutkan di sini. Dengan kata lain, model ini berukuran sedemikian rupa sehingga delapan chip yang dapat dibeli secara legal oleh perusahaan Tiongkok dapat disajikan dengan nyaman dan presisi penuh. Desain yang didorong oleh batasan tersebut memiliki efek samping yang nyaman bagi semua orang: model yang berjalan dengan baik pada silikon yang sengaja dibatasi akan berjalan lebih nyaman pada H100, H200, dan B200 yang tersedia di pusat data Barat, melalui penerapan vLLM dan SGLang standar dengan decoding spekulatif MTP. Tambahkan lisensi Apache 2.0 — tanpa pengecualian regional, tanpa batasan penggunaan di lapangan — dan persamaan perusahaan menjadi jelas. GLM-5.2 tetap menjadi pilihan terbuka ketika kinerja pengkodean adalah satu-satunya kriteria dan tersedia anggaran 8x H200. Hy3 dapat diterapkan di mana pun: beban kerja agen pencarian dan alat yang berat, aplikasi dan organisasi yang sensitif terhadap keandalan yang menginginkan kemampuan yang berdekatan tanpa infrastruktur skala perbatasan. Pertanyaannya adalah apakah perusahaan-perusahaan Barat, setelah hambatan perizinan sudah hilang, akan menganggap model Tencent sebagai kandidat yang serius – atau apakah pembaruan Analisis Buatan berikutnya akan menyelesaikan perdebatan mengenai tolok ukur sebelum pengadaan bisa dilakukan.
Diterbitkan : 2026-07-06 16:38:00
sumber : venturebeat.com
