Tencent Hy3 Review : Modèle IA Open-Weight de 295B

Un modèle de 295 milliards de paramètres vient de se mesurer à des géants open-weight trois à cinq fois plus gros que lui — et il en a battu la plupart partout, sauf à un seul endroit. C'est la phrase à laquelle je suis sans cesse revenu en décortiquant la sortie de Tencent Hy3, et elle rebat entièrement les cartes du postulat « plus c'est gros, mieux c'est » sur lequel la course à l'open-weight s'appuie depuis que DeepSeek V4 Pro a livré ses 1,6 billion de paramètres.

Voici le chiffre qui compte. Hy3 n'active que 21 milliards de ces 295 milliards de paramètres pour chaque token. GLM 5.2 — le modèle que la plupart des gens que je suis considèrent aujourd'hui comme le plafond de l'open source — embarque environ 744B au total et consomme à peu près 40B actifs par token. Tencent est donc entré dans l'arène des modèles de code avec un modèle qui fait moins de la moitié de la taille et environ la moitié du calcul par token du champion en titre, et le verdict honnête des benchmarks est le suivant : il perd la couronne du code de quelques points et gagne à peu près partout ailleurs. Le titre de VentureBeat l'a dit plus proprement que je ne saurais le faire — Hy3 « affronte GLM-5.2 avec moitié moins de paramètres, et gagne partout sauf en code ».

Ce test de Tencent Hy3 est ma tentative de répondre à la seule question qui importe si vous êtes un builder : faut-il vraiment ajouter cet outil à votre boîte à outils avant la fin de la fenêtre gratuite le 21 juillet, et si oui, pour quoi faire ? Parce que l'histoire du classement et l'histoire du je-m'en-sers-un-mardi sont deux choses très différentes, et la plupart des articles que j'ai lus cette semaine n'ont raconté que la première.

Ce que j'ai vérifié, et ce que je rapporte de seconde main

Avant la partie amusante, une ligne sur la façon de lire cet article, parce qu'elle change le poids à accorder à chaque affirmation.

Les faits durs, je les ai vérifiés auprès des sources primaires. L'architecture 295B/21B et la licence Apache-2.0, je les ai tirées de la fiche du modèle tencent/Hy3 de Tencent ; la fenêtre gratuite et les prix post-promo, de la fiche OpenRouter ; les chiffres de benchmarks, des tableaux de Tencent eux-mêmes et des analyses tierces que je cite au fil du texte. Ceux-là, je les énoncerai sans détour — tout en signalant que les benchmarks de Tencent sont auto-déclarés et attendent encore une large réplication indépendante.

Les tests de construction pratiques sont une autre affaire. Le clone de macOS dans le navigateur, les démos de physique, la ville en 3D — je résume et j'analyse une batterie de tests documentée qui a circulé après le lancement, je ne prétends pas avoir personnellement tapé chaque prompt. Quand un chiffre dépend du fournisseur ou provient de ce compte rendu plutôt que d'un tableau primaire, je dirai « rapporté » au lieu de le déguiser en fait établi. Tenez-moi rigueur de cette distinction ; c'est toute la raison de faire confiance à un test de modèle plutôt qu'à un autre.

Le modèle lui-même est réel, pas du vaporware. Tencent a rendu Hy3 open source le 6 juillet 2026 — le successeur de production de la préversion de Hy3 lancée en avril. Les poids sont hébergés sur Tencent-Hunyuan/Hy3 sur GitHub et tencent/Hy3 sur Hugging Face (avec un build Hy3-FP8 à côté), il est disponible sur OpenRouter en ce moment même, et il est sous Apache-2.0. Ce n'est pas une capture d'écran de benchmark qui a fuité — c'est un modèle livré, téléchargeable, que vous pouvez interroger via un appel d'API dès aujourd'hui.

L'architecture de Hy3, et l'astuce MoE qui le rend bon marché

Évacuons d'abord le déballage de specs, parce que vous avez probablement déjà vu ces chiffres éparpillés dans une douzaine d'articles, dont la moitié appelaient le labo « Tenset » ou quelque chose d'aussi déformé. C'est Tencent — le géant chinois derrière WeChat — et Hy3 est le dernier-né de leur famille de modèles Hunyuan.

Voici l'architecture, vérifiée contre la fiche du modèle de Tencent :

• 295 milliards de paramètres au total, avec 21 milliards actifs par token
• 192 experts routés par couche MoE, plus un expert partagé toujours actif, avec un routage top-8 — c'est-à-dire que seuls 8 de ces 192 experts se déclenchent sur un token donné
• Une couche séparée de multi-token-prediction (MTP) de 3,8B qui permet au modèle de prédire plus d'un token par étape de décodage, ce qui est un vrai levier de vitesse, pas un ornement de fiche technique
• Fenêtre de contexte de 256K tokens (262 144 tokens, pour être exact)
• Licence Apache 2.0 — usage commercial complet, et Tencent a explicitement levé les restrictions géographiques qui limitaient la préversion d'avril

Cette structure MoE, c'est toute l'astuce. Quand les gens entendent « 295 milliards de paramètres », ils imaginent un modèle qui coûte 295 milliards de paramètres de calcul à faire tourner. Ce n'est pas le cas. Le routeur ne réveille qu'une tranche étroite — 8 experts, ~21B de paramètres — pour votre token précis, et les 171 autres experts restent endormis. Vous payez pour la tranche, pas pour le cerveau entier. C'est pourquoi un modèle aussi capable peut être facturé comme un modèle bien plus petit, et c'est le même pari architectural que font DeepSeek, GLM, MiniMax et Kimi. Si vous voulez la mécanique détaillée de la façon dont le routage épars effondre le coût d'inférence, je l'ai expliquée en profondeur dans mon test de DeepSeek V4 Pro — l'histoire du routage s'y applique presque trait pour trait, juste à une fraction de la taille totale.

Tencent a aussi intégré quelque chose que j'aimerais voir chez plus de labos : un effort de raisonnement configurable. Hy3 fonctionne par défaut en mode rapide « no-think », puis propose des modes de raisonnement faible et élevé que vous activez pour les cas difficiles — un refactoring épineux, une démonstration mathématique, une chaîne d'agents multi-étapes. Vous ne payez pas de surcoût en tokens de raisonnement sur un prompt qui n'a besoin que d'une réponse rapide. Anthropic, OpenAI et Google ont tous convergé vers une version de ce mécanisme, et le voir dans un modèle open-weight à ce prix est un vrai gain de confort.

Les objectifs de conception affichés sont le raisonnement, les workflows multi-étapes et agentiques, le code, et — la formule que Tencent répète sans arrêt — le « déploiement en production dans le monde réel ». Tencent revendique aussi des gains mesurables sur l'anti-hallucination, un appel d'outils plus fiable, des données de post-entraînement de meilleure qualité et plus d'étapes de RL que la génération précédente. Ces quatre derniers points sont le genre d'affirmations qu'on ne peut pas vérifier sur une fiche technique ; elles se manifestent (ou non) dans le comportement du modèle sur du vrai travail. Et c'est là que les tests entrent en jeu.

Mais d'abord, le chiffre pour lequel tout le monde ouvre réellement ces articles.

Combien coûte Tencent Hy3 à l'usage ?

Gratuit. Jusqu'au 21 juillet 2026, Hy3 tourne à 0 $ sur la route tencent/hy3:free d'OpenRouter, et Nous Research a ouvert un accès gratuit dans son portail quelques heures après le lancement. Voilà la réponse courte, bonne pour un extrait.

Après la fermeture de la fenêtre promotionnelle, il reste bon marché — et c'est ici que je veux corriger un chiffre que j'ai vu répété un peu partout sur le web. Certains premiers articles ont avancé un tarif autonome plus élevé, mais la fiche OpenRouter elle-même facture Hy3 environ 0,14 $ par million de tokens d'entrée et 0,58 $ par million de tokens de sortie, les différents fournisseurs d'inférence de la marketplace montant jusqu'à environ 0,20 $ en entrée. OpenRouter est une marketplace : le montant exact que vous payez dépend du fournisseur qui sert votre requête et du mode de routage que vous choisissez. Mais chaque route que j'ai pu vérifier se situait dans cette même zone bon marché, alors considérez 0,14 $/0,58 $ comme le tarif courant et vous ne serez pas loin du compte.

Mettez cela en face du tarif actuel de Claude Opus 4.8 — 5 $ par million en entrée, 25 $ par million en sortie — et l'écart est frappant. Les tokens de sortie de Hy3 se situent quelque part autour de 40x moins cher qu'Opus. L'écart de qualité tout en haut du panier est réel et je ne vais pas prétendre le contraire. Mais « 40x moins cher et presque aussi bon » change le calcul pour beaucoup de charges de travail, surtout celles à fort volume et faible enjeu où vous n'alliez de toute façon jamais payer des prix frontier.

Il existe aussi un chemin gratuit en dehors d'OpenRouter — Hy3 a été disponible à l'essai via le portail de benchmarks de Nous sur les comptes gratuits, un moyen sans friction de le tester avant de configurer une clé d'API. Si vous faites déjà tourner des modèles via OpenRouter, mon guide pour exécuter des modèles gratuits dans Claude Code via OpenRouter couvre la configuration exacte — Hy3 s'insère dans ce même workflow tant que la fenêtre gratuite est ouverte.

Maintenant, les performances justifient-elles l'enthousiasme ? En partie. Laissez-moi vous montrer le partage honnête.

Les benchmarks : là où Hy3 gagne, et le seul endroit où il perd

Je veux être prudent ici, parce que les tableaux de benchmarks sont exactement l'endroit où ces lancements se survendent. Je vais donc séparer ce que Tencent et des tiers ont rapporté, et je signalerai la seule comparaison qui décide réellement si ce modèle a sa place dans votre stack de code. Une réserve générale d'abord : tout ce qui suit est soit rapporté par Tencent, soit rapporté par les premières couvertures tierces, et la réplication indépendante est encore en train de rattraper son retard.

En sciences et en raisonnement, Hy3 est réellement solide. Il annonce 90,4 sur GPQA Diamond et 72,0 sur USAMO 2026, avec IMOAnswerBench à 90,0 et HLE-avec-outils à 53,2. La couverture de Gigazine a relevé l'affirmation de Tencent selon laquelle Hy3 est comparable à GLM-5.2 et DeepSeek-V4 dans sa classe de taille et dépasse GPT-5.5 sur les tâches scientifiques. Dans une évaluation à l'aveugle rapportée avec 270 experts humains, Hy3 a obtenu 2,67 sur 4, devançant de peu GLM-5.1 à 2,51. Pour un modèle deux fois plus petit que le leader open-weight, ce ne sont pas des chiffres modestes.

En recherche agentique, il devance toute sa catégorie de poids. Les chiffres rapportés placent Hy3 à 84,2 sur BrowseComp et 91,0 sur DeepSearchQA — devant tous les autres modèles ouverts dans le tableau de Tencent lui-même, et compétitif face à Claude Opus 4.8 et GPT-5.5. Si votre charge de travail, ce sont les agents de recherche, la navigation intensive en outils ou la récupération d'informations sur un long horizon, c'est la partie de l'histoire qui devrait vous faire dresser l'oreille.

Et puis il y a le code — le seul endroit où il perd. Voici le face-à-face contre GLM 5.2, que la plupart des gens considèrent comme le SOTA open source du code :

GLM 5.2 remporte la suite de code, nettement, et avec une large marge sur DeepSWE en particulier. La vidéo source que j'ai analysée citait un tableau légèrement plus flatteur — Hy3 devançant DeepSeek V4 Pro sur une métrique « Swaybench Pro » à 57,9 contre 55,4, et une quasi-parité en multilingue à 75,8 contre 76,2. Je lis « Swaybench » comme SWE-bench mal entendu, et je traiterais ces chiffres précis du face-à-face contre DeepSeek comme rapportés-depuis-la-source plutôt que confirmés indépendamment. Ce que je peux aligner avec les tableaux primaires, c'est la forme générale : Hy3 rivalise respectablement avec DeepSeek V4 sur le code, et reste derrière GLM 5.2. Ce 75,8 en multilingue apparaît à la fois dans la vidéo et dans les données publiées, donc au moins ce point d'ancrage tient.

Voici le recadrage qui m'a fait comprendre. Hy3 derrière GLM 5.2 sur le code tout en le devançant en raisonnement, en sciences et en recherche agentique — avec 40 % du nombre de paramètres — ce n'est pas une défaite. C'est un modèle qui fait un pari différent. GLM 5.2 est le spécialiste pur du code. Hy3 est le généraliste efficace qui se trouve être aussi très bon en code. Savoir si cet échange vous convient dépend entièrement de ce que vous construisez. Si vous voulez le décryptage complet de la façon dont GLM 5.2 se compare à la frontière, je l'ai soumis à cinq builds one-shot dans mon test GLM 5.2 vs Qwen 3.7 Max vs Claude Opus 4.8 — à lire en parallèle de cet article si le code est votre cas d'usage principal.

Mais les benchmarks sont la carte, pas le territoire. Le territoire, c'est ce qui se passe quand vous pointez un modèle vers un vrai build et que vous appuyez sur Entrée.

La vraie force que personne ne met en avant : le front-end et le SVG

C'est ici que la batterie de tests rapportée est devenue réellement intéressante, et où je pense que la plupart des couvertures du lancement ont enterré l'essentiel. Le point fort de Hy3, ce n'est pas son score GPQA. C'est l'échafaudage front-end.

À travers les tests documentés, Hy3 a produit des interfaces front-end bien structurées et visuellement soignées, d'une manière encore rare pour des modèles open-weight. Pas du « fonctionnel mais moche », qui est le résultat front-end open-weight habituel. Réellement beau — il allait chercher de vrais packages d'animation, des interactions déclenchées au scroll, des effets d'arrière-plan, des curseurs personnalisés, une typographie réfléchie. Le genre de finition qu'il faut normalement demander trois ou quatre fois à un modèle, et qu'on doit souvent confier à Claude ou à un modèle frontier pour l'obtenir correctement.

C'est important parce que le front-end est là où vit une grande partie du travail quotidien de livraison, et c'est historiquement là où les modèles open-weight se ridiculisent. Un modèle capable d'échafauder en un seul coup une landing page ou une bibliothèque de composants réellement réussie vous épargne la partie la plus fastidieuse du build. Sur cet axe, les tests rapportés placent Hy3 dans la même conversation que GLM 5.2 en tant qu'outil d'échafaudage front-end — ce qui, vu l'écart de taille et de coût, est une affirmation sérieuse.

Le clone de macOS. La démo phare était un clone de macOS dans le navigateur avec des applications à l'allure native — Finder, Safari, Terminal, Notes, Réglages, App Store, Plans — des icônes SVG animées, et même un mini-jeu FPS en 3D intégré à l'intérieur. La lecture honnête : le tir et les déplacements fonctionnaient, les contrôles étaient bancals, certaines barres système en haut et en bas n'étaient pas entièrement câblées, et le panneau de Réglages pouvait changer visuellement le fond d'écran et la position du dock mais ne persistait pas réellement le changement. Donc — échafaudage impressionnant, exécution imparfaite. C'est une démo « regardez ce qu'un seul prompt a produit », pas un produit livrable. Mais comme test de résistance de la quantité de structure cohérente que le modèle peut garder en tête à travers tout un faux système d'exploitation, c'est une belle performance.

Le travail SVG est là où il excelle discrètement. Dans les tests documentés, Hy3 a généré une scène de peinture réaliste avec des lucioles et de la profondeur atmosphérique, et un SVG de papillon animé et symétrique avec des dégradés corrects — une animation que le prompt ne demandait même pas explicitement. La génération de code SVG propre avec une animation de bon goût est une compétence précise, difficile à simuler, et c'est l'un des fils conducteurs les plus fiables de toute la batterie. Si vous générez beaucoup d'iconographie, d'illustrations ou d'animations légères, c'est une vraie raison de tester le modèle.

Si vous évaluez des modèles open-weight pour exactement ce type de travail front-end et orienté design, cela vaut la peine de placer Hy3 à côté des autres prétendants récents — j'ai fait un premier aperçu de MiniMax M3 comme modèle open-weight qui constitue un point de comparaison utile pour le même travail.

Les tests 3D et jeux : rapide, propre, pas tout à fait frontier

La batterie rapportée est allée plus loin dans la 3D et la simulation, et c'est là que le portrait honnête du plafond de Hy3 se dessine. Il est rapide et propre. Il n'est pas au sommet en qualité de génération brute. Les deux choses sont vraies.

Les visualiseurs 3D ont bien tenu. Un visualiseur HTML de Terre en rotation a été comparé à Opus 4.8 et Fable 5. Fable 5 s'est révélé le plus photoréaliste — sans surprise, c'est sa spécialité — mais Hy3 aurait surpassé Opus 4.8 en attrait visuel, ce qui n'est pas une phrase que je m'attendais à écrire à propos d'un modèle aussi bon marché. Un explorateur 3D du système solaire a livré un vrai champ d'étoiles, des ombrages et des ombres de planètes crédibles, une caméra fonctionnelle et des planètes reconnaissables — Neptune, Jupiter, Saturne toutes identifiables. Le focus sur une planète nécessitait des clics répétés pour se déclencher, donc l'interaction était rugueuse, mais le rendu lui-même était solide.

Les démos de physique sont l'histoire de l'efficacité en miniature. Dans une comparaison sur trois démos de physique en canvas HTML5 — bowling, air hockey et casse de billard — Hy3 a été opposé à Gemini 3.5 Flash, GLM 5.2 et DeepSeek V4. Le résultat rapporté : Hy3 a utilisé environ 30k tokens pour une fraction de centime et a égalé la qualité de Gemini 3.5 pour une petite fraction du coût. Gemini a atteint une qualité similaire avec ~23k tokens mais bien plus cher ; GLM 5.2 (~25k tokens) a produit la logique et le code purs les plus solides ; DeepSeek V4 a utilisé ~50k tokens et est ressorti le plus faible des quatre. Les collisions de Hy3 étaient propres, ses effets de rotation et d'élan crédibles, la simulation soignée. Cette ligne « qualité comparable pour une fraction du coût », c'est toute la proposition de valeur compressée en un seul test.

Sur les tâches 3D lourdes, le plafond s'est montré. Une dernière manche a opposé Hy3 à Fable 5, Opus 4.8 et Sonnet 5 sur trois builds exigeants : une vague océanique effritant un château de sable, une chaîne d'assemblage d'usine, et une ville 3D interactive sur une configuration Three.js moderne. Hy3 aurait terminé le plus vite avec une sortie propre et soignée — Fable 5 était le plus photoréaliste, Sonnet 5 de haute qualité mais plus lent, et Opus 4.8 est arrivé dernier et, notamment, moins attrayant visuellement que Hy3. Mais la vitesse s'est payée de compromis : Hy3 a utilisé une physique approximative au lieu d'une simulation complète, la logique de l'usine avait des bugs mineurs, et la ville 3D semblait convaincante mais n'était pas fortement optimisée. Compétitif en vitesse et en efficacité ; un cran derrière le très haut de gamme en qualité brute.

Voilà la forme honnête de la chose. Hy3 vous amène presque au but, plus vite et moins cher que presque tout le reste, puis vous demande de boucler vous-même la dernière ligne droite. Pour un très grand nombre de charges de travail réelles, c'est un échange fantastique.

Si vous préférez ne pas assembler vous-même cette évaluation et cette configuration — choisir le bon modèle open-weight pour une charge de travail donnée, le câbler dans un harnais d'agents, et savoir où chacun casse — vous n'y êtes pas obligé. Ce genre de travail de construction et d'intégration d'IA, c'est ce que je fais régulièrement avec mes clients.

Parlons franchement : les limites, et à qui ce modèle s'adresse vraiment

Tout test de modèle qui saute les limitations est du marketing. Voici où je tempérerais le battage.

La fenêtre de contexte de 256K est la vraie contrainte. Dans un monde où GLM 5.2 et DeepSeek V4 annoncent un million de tokens, 256K est réellement limitant pour certains travaux. Si vous donnez au modèle une grande base de code entière, un document de la longueur d'un livre ou une tâche agentique multi-fichiers tentaculaire, vous atteindrez le plafond de Hy3 plus vite que sur ses rivaux plus gros. Pour la plupart des prompts du quotidien — une fonctionnalité, un composant, un refactoring circonscrit, une tâche de recherche — 256K suffit largement. Mais connaissez votre charge de travail. Si le contexte long est votre goulot d'étranglement, ce n'est pas votre modèle, et aucune économie ne changera cela.

Le code est une faiblesse réelle et mesurée par rapport à GLM 5.2. Je l'ai dit dans les benchmarks et je le redis sans détour ici : si votre priorité absolue est le code agentique brut et que vous voulez la meilleure option open-weight, GLM 5.2 gagne encore ce combat précis. Hy3 est compétitif — il rend coup pour coup à DeepSeek V4 sur le code — mais « compétitif » n'est pas « meilleur ». Choisissez Hy3 pour le code quand les économies et la vitesse comptent plus pour vous que de gratter les derniers points de justesse. Choisissez GLM 5.2 quand la justesse est tout.

Les démos sont des démos. Le clone de macOS, les jeux, la ville 3D — ce sont des vitrines d'échafaudage, et chacune d'entre elles avait des aspérités dès qu'on la titillait vraiment. Des contrôles qui fonctionnaient à moitié, des réglages qui ne persistaient pas, une physique approximée. C'est normal pour de la génération one-shot et ce n'est pas un reproche propre à Hy3. Simplement, ne confondez pas une capture d'écran impressionnante avec un produit fini. Vous aurez du nettoyage à faire.

Alors, à qui s'adresse vraiment Hy3 ? Si je devais écrire la recommandation sur un post-it : il est fait pour le travail front-end et orienté design, la recherche agentique, les tâches de raisonnement et de sciences, et les charges de travail à fort volume où le coût et la vitesse l'emportent sur les derniers points de précision en code. C'est un superbe second modèle dans une configuration multi-modèles — le généraliste rapide et bon marché vers lequel vous routez la majorité du travail, tout en gardant un modèle frontier en réserve pour les tâches qui en ont réellement besoin. Faire tourner des modèles exactement de cette façon hybride, je l'ai déjà documenté dans mon workflow de code IA hybride avec DeepSeek V4 et Claude Code — Hy3 s'insère dans ce même schéma comme bête de somme à bas coût.

À quoi s'attendre concrètement si vous le testez

Laissez-moi poser des attentes réalistes, parce que je préfère que vous y alliez calibré plutôt que déçu.

Pointez Hy3 vers un échafaudage front-end, une illustration SVG, une landing page, une tâche lourde en raisonnement ou en recherche, ou une démo 3D ou physique de complexité moyenne, et vous devriez obtenir une sortie propre, rapide et réellement esthétique — souvent du premier coup, avec parfois besoin d'un petit coup de pouce. Attendez-vous à un coût si bas qu'il cesse de peser dans vos décisions. Attendez-vous à une vitesse qui bat la plupart des modèles frontier sans discussion.

Pointez-le vers une base de code géante, un refactoring agentique multi-fichiers subtil, ou une tâche où la justesse doit être parfaite, et attendez-vous soit à atteindre le plafond des 256K, soit à regretter de ne pas avoir utilisé GLM 5.2 ou un modèle frontier. Attendez-vous à ce que les démos que vous construisez nécessitent du nettoyage avant que quiconque d'autre que vous n'y touche.

Le schéma est cohérent dans tout ce que j'ai examiné : Hy3 frappe spectaculairement au-dessus de son nombre de paramètres, livre du code utilisable et un raisonnement fiable, et ne montre sa taille qu'au tout dernier échelon de difficulté. Pour un modèle de 295B facturé comme un jouet, ce n'est pas seulement impressionnant — c'est un signal sur la direction que prend la course à l'open-weight. Tencent n'a pas livré le plus gros modèle. Ils ont livré l'un des plus efficaces, et l'efficacité est l'axe qui atteint réellement votre portefeuille.

La fenêtre se ferme le 21 juillet

Retour à cette phrase d'ouverture — un modèle qui fait moins de la moitié de la taille du leader open-weight, et qui gagne presque partout sauf en code. Il y a un mois, cela aurait ressemblé à un fantasme de communiqué de presse. Cette semaine, c'est une réalité téléchargeable, sous Apache-2.0, gratuite à tester, avec les benchmarks et les dépôts pour en étayer l'essentiel.

La seule chose concrète que je ferais dans les prochains jours : lancez Hy3 tant qu'il est gratuit — via la route gratuite d'OpenRouter ou le portail Nous — et jetez-lui votre vrai travail. Pas les démos. Votre vrai échafaudage front-end, votre vrai agent de recherche, votre vrai lot de SVG. Vingt minutes de tests sur des tâches que vous connaissez déjà vous en apprendront plus que tous les tableaux de benchmarks de cet article, les miens compris. La période promotionnelle gratuite se termine le 21 juillet, et après cela vous paierez — presque rien, mais vous paierez.

Parce que toute la vague open-weight ne cesse de prouver la même chose, une sortie après l'autre : le modèle qui change votre workflow n'est généralement ni le plus gros ni le plus haut placé dans un classement. C'est celui qui est assez bon, assez rapide et assez bon marché pour que vous cessiez de penser au coût et que vous vous contentiez de construire. Hy3 a de vraies chances d'être ce modèle pour vous. Vous avez environ deux semaines pour le découvrir gratuitement.

Foire aux questions

Qu'est-ce que Tencent Hy3 ?

Tencent Hy3 est un modèle d'IA open-weight de type Mixture-of-Experts de 295 milliards de paramètres, publié le 6 juillet 2026 sous licence Apache 2.0. Il active 21B de paramètres par token via 192 experts avec un routage top-8, prend en charge une fenêtre de contexte de 256K, et cible les charges de travail de raisonnement, agentiques et de code. Voir le détail des specs plus haut pour l'ensemble.

Tencent Hy3 est-il gratuit ?

Tencent Hy3 est gratuit jusqu'au 21 juillet 2026, via la route tencent/hy3:free d'OpenRouter et le portail de Nous Research. Après la fin de la promo, la fiche OpenRouter tourne autour de 0,14 $ par million de tokens d'entrée et 0,58 $ par million de tokens de sortie, certains fournisseurs de la marketplace facturant jusqu'à environ 0,20 $ en entrée.

Hy3 est-il meilleur que GLM 5.2 ?

Cela dépend de la tâche. Sur les benchmarks rapportés, GLM 5.2 gagne le code — SWE-bench Verified 84,2 contre 78,0 pour Hy3 — mais Hy3 mène en raisonnement, en sciences et en recherche agentique tout en utilisant moins de la moitié des paramètres. Pour le code pur, GLM 5.2 est plus fort ; pour un usage général efficace, Hy3 rivalise sérieusement. Voir le tableau de benchmarks plus haut.

En quoi Tencent Hy3 est-il le meilleur ?

Les cas d'usage rapportés les plus solides de Hy3 sont l'échafaudage front-end, la génération et l'animation SVG, la recherche agentique, et les tâches de raisonnement ou de sciences — plus les démos 3D et physiques de complexité moyenne, où il aurait égalé des modèles plus chers pour une petite fraction du coût. Il est le plus faible sur le contexte très long et le code agentique de tout premier plan.

Quelle est la taille de Hy3 par rapport à DeepSeek V4 Pro ?

Hy3 est bien plus petit — 295B de paramètres au total contre 1,6 billion pour DeepSeek V4 Pro. Sur les benchmarks de code, les deux se rendent coup pour coup malgré cet écart de taille, ce qui explique en grande partie pourquoi l'efficacité en paramètres de Hy3 a autant attiré l'attention. Mon test complet de DeepSeek V4 Pro couvre ce modèle en profondeur.

Travaillez avec moi sur ce sujet

Si vous préférez ne pas benchmarker, câbler et surveiller vous-même un casting tournant de modèles open-weight, c'est une partie de ce que je fais — aider les équipes à choisir le bon modèle pour chaque charge de travail (Hy3 inclus), à l'intégrer dans un harnais d'agents qui tient en production, et à trouver les angles coupants avant qu'ils ne vous trouvent. Si c'est le genre d'aide qu'il vous faut, voici où me joindre.