# Tencent, 오픈소스 모델 Hy3 공개
> Clean Markdown view of GeekNews topic #31290. Use the original source for factual precision when an external source URL is present.
## Metadata
- GeekNews HTML: [https://news.hada.io/topic?id=31290](https://news.hada.io/topic?id=31290)
- GeekNews Markdown: [https://news.hada.io/topic/31290.md](https://news.hada.io/topic/31290.md)
- Type: GN+
- Author: [xguru](https://news.hada.io/@xguru)
- Published: 2026-07-10T09:56:21+09:00
- Updated: 2026-07-10T09:56:21+09:00
- Original source: [hy.tencent.com](https://hy.tencent.com/research/hy3)
- Points: 1
- Comments: 1
## Topic Body
- 비슷한 크기 모델보다 높은 성능을 목표로 하며, **2~5배 많은 파라미터**를 가진 플래그십 오픈소스 모델과도 경쟁 가능한 수준
- 270명 전문가의 실제 업무 기반 **블라인드 평가**에서 Hy3는 2.67/4로 GLM-5.1의 2.51/4를 앞섰고, 프론트엔드 개발·데이터 및 스토리지·CI/CD에서 차이가 컸음
- 제품 피드백 기반 개선으로 **환각률은 12.5%→5.4%**, 상식 오류율은 25.4%→12.7%, 내부 다회전 테스트 이슈율은 17.4%→7.9%로 낮아짐
- **Apache 2.0** 라이선스로 GitHub, HuggingFace, ModelScope, AtomGit에 공개됐으며, API 가격은 100만 토큰당 입력 1 RMB·출력 4 RMB·캐시 입력 0.25 RMB임
- Tencent는 4월 말 **Hy3 preview** 이후 50개 이상 제품의 피드백과 고품질 후훈련 데이터를 반영해 정식 Hy3를 공개
---
### Hy3 공개와 에이전트 성능
- Tencent는 4월 말 **Hy3 preview** 출시 뒤 50개 이상 제품에서 피드백을 모았고, 더 높은 품질의 데이터로 후훈련을 확장해 Hy3를 공개함
- 새 모델은 비슷한 크기의 모델보다 높은 성능을 내고, **2~5배 파라미터**를 가진 플래그십 오픈소스 모델과 경쟁 가능한 수준으로 평가됨
- preview 이후 후훈련 데이터의 **품질과 다양성**을 높이고 RL 훈련을 확장함
- 추론, 에이전트형 작업, 긴 컨텍스트 작업에서 개선됨
- 더 큰 플래그십 모델들과 경쟁 가능한 수준을 목표로 함
- 생산성 작업에서는 코딩, 오피스 업무, 금융 모델링, 프론트엔드 디자인, 게임 개발에서 진전이 있음
- 270명 전문가가 실제 업무 과제를 사용한 **블라인드 평가**에서 Hy3는 2.67/4를 기록함
- GLM-5.1은 2.51/4를 기록함
- Hy3의 우위는 프론트엔드 개발, 데이터 및 스토리지, CI/CD 작업에서 가장 컸음
### 제품 신뢰성, 비용, 공개 방식
- 벤치마크만으로 모델 유용성을 충분히 포착하기 어렵다고 보고, 실제 제품 피드백을 바탕으로 여러 문제를 고침
- **도구 호출과 출력 형식 안정성**을 개선함
- 도구 설정과 출력 제약 전반에서 프로덕션 수준 기준에 맞추기 위해 기본 신뢰성 문제를 수정함
- 도구 호출 오류 복구와 전반적 효율이 나아짐
- CodeBuddy, Cline, KiloCode 같은 서로 다른 에이전트 스캐폴딩에서 SWE-Bench Verified 정확도 변동폭이 4% 이내로 유지됨
- **지식과 환각 방지**를 강화함
- 근거가 있을 때 답하고, 증거가 없으면 없다고 말하며, 출처를 섞거나 데이터를 조작하지 않는 기준으로 데이터 정제와 훈련 제약을 적용함
- 내부 실제 시나리오 평가에서 환각률은 12.5%에서 5.4%로 낮아짐
- 상식 오류율은 25.4%에서 12.7%로 낮아짐
- 사실 혼동, 조작, 논리적 모순이 줄어듦
- **복잡한 컨텍스트 유지와 다회전 의도 추적**을 개선함
- SFT와 RL의 공동 최적화로 지시 대상 해석, 생략 복원, 다회전 제약 상속 같은 운영상 문제를 다룸
- 내부 종합 다회전 테스트의 이슈율은 17.4%에서 7.9%로 낮아짐
- MRCR 같은 긴 대화 평가에서도 개선됨
- 긴 상호작용에서도 복잡한 의도가 약해지거나 드리프트되지 않도록 하면서 출력은 더 간결해짐
- WorkBuddy 내부 테스트에서 Hy3는 preview 대비 **작업 성공률**과 완료 시간을 개선함
- 작업 성공률은 Hy3 preview의 72%에서 Hy3의 90%로 상승함
- 평균 완료 시간은 34% 줄어듦
- 데이터 처리, 문서 작업, 리서치 보고서 분석에서 개선됨
- GLM-5.2와 비교한 일부 일반 작업에서 Hy3의 **토큰 효율**이 높았음
- 문서 처리에서 47.4% 적은 토큰을 사용함
- 프레젠테이션 생성에서 49% 적은 토큰을 사용함
- Hy3는 **Apache 2.0** 라이선스로 공개됨
- [GitHub](https://github.com/Tencent-Hunyuan/Hy3)
- [HuggingFace](https://huggingface.co/tencent/Hy3)
- [ModelScope](https://modelscope.cn/models/Tencent-Hunyuan/Hy3)
- [AtomGit](https://ai.gitcode.com/tencent_hunyuan/Hy3)
- 하드웨어-소프트웨어 공동 최적화로 API 가격을 낮춤
- 100만 토큰당 입력: 1 RMB
- 100만 토큰당 출력: 4 RMB
- 100만 토큰당 캐시 입력: 0.25 RMB
- Tencent는 1월 말 인프라 재구축, 4월 Hy3 preview, 이번 Hy3 공개와 제품 배포까지 6개월 안에 엔드투엔드 모델 개발 루프를 거침
- 앞으로 훈련 확장, 데이터 품질 개선, 사용자 경험 세부 최적화를 계속할 계획임
## Comments
### Comment 61519
- Author: neo
- Created: 2026-07-10T09:56:22+09:00
- Points: 1
###### [Hacker News 의견들](https://news.ycombinator.com/item?id=48847552)
- 며칠 전 Pelican 결과: [https://simonwillison.net/2026/Jul/6/hy3/]() — OpenRouter의 무료 티어를 쓰고 있었고, 7월 21일에 만료됨
41일 전에는 프리뷰 모델로 시험했더니 **"change pelican color" 버튼**이 달린 펠리컨이 나왔음: [https://static.simonwillison.net/static/2026/hy3-preview-pelican.html]()
- 최근 GPT-OSS로 펠리컨 테스트를 해봤는데, 2025년 최고의 **로컬 모델** 중 하나였던 듯함
SVG 펠리컨에서 모델들이 얼마나 좋아졌는지 보는 게 정말 멋짐
- TFA가 왜 "**Tencent in China**"라고 굳이 짚었는지 궁금함
`tencent/Hy3. New Apache 2.0 licensed model from Tencent in China`라고 되어 있는데, Tencent AI 연구소가 다른 지역에도 있나? 예를 들어 MiniMax는 Tencent와 어떤 관련이 있음
- 예전에 당신 글에 과하게 비판적이었고 악의적으로 논쟁했으며, 당신에게 부정적으로 굴면서 나쁜 분위기를 만들었다고 봄
LLM을 그다지 좋아하진 않지만, 당신 덕분에 내 감정이 비합리적이었다는 것과, 내가 즐거움을 느끼던 직업이 이전 형태로는 사실상 끝났으니 내려놓고 **돈과 관심을 위해 하는 쪽**에 합류해야 한다는 걸 깨달았음
그래도 내 개인 프로젝트는 가능하면 직접 손코딩하고 LLM은 쓰지 않을 생각임
펠리컨 밈이 실제로 얼마나 유용한지는 몰라도, 미적으로라도 시작한 건 멋지다고 생각함
- 한 달 전에 아무도 Hy3를 이야기하지 않는데 **OpenRouter 순위** 상위에 올라 있다는 블로그 글을 썼음: [https://news.ycombinator.com/item?id=48317294]()
오늘 기준으로는 순위가 8~9위까지 내려갔고, 경쟁 모델 대신 이걸 써야 할 이유는 잘 안 보임
다만 가격 구조는 좀 헷갈리는데, 현재 OpenRouter를 통한 Hy3의 실질 입력 가격이 DeepSeek가 호스팅하는 DeepSeek Flash V4와 같아졌음
[https://openrouter.ai/tencent/hy3-preview]()
[https://openrouter.ai/deepseek/deepseek-v4-flash]()
- 요청 제한이 너무 심해서 사용을 멈춰야 했음
순위가 떨어진 것도 아마 그 때문일 듯하고, 수요를 감당하지 못하는 것처럼 보였음
- 그건 프리뷰 모델이었던 것 같고, 이번 모델은 훨씬 나아 보임
여전히 작은 모델이긴 하지만, 적어도 **벤치마크 점수**는 DeepSWE 포함해서 크게 올랐음
가격은 Flash와 같지만 벤치마크는 Pro와 비슷하거나 일부는 더 높음
물론 벤치마크는 대체로 의미가 적고, 진짜 벤치마크는 실제로 맡기는 작업임
- OpenRouter에서는 정말 느리고 **HTTP 오류**도 많이 겪었음
- 꽤 몰입감 있는 산문을 쓰고, 미세조정도 잘 되며, 이제 **MIT 라이선스**임
크기 대비 세계 지식도 매우 좋고 DS4 Flash보다 낫다고 봄
- Novita가 OpenRouter에서 7월 21일까지 **Hy3 무료 사용**을 제공 중임
[https://openrouter.ai/tencent/hy3:free]()
[https://x.com/novita_labs/status/2074158304159510819]()
- 크기가 꽤 비슷한 만큼 DS4 Flash와 비교해서 사람들이 어떻게 느끼는지 궁금함
또한 **강한 양자화**를 걸었을 때 얼마나 버티는지도 궁금함
DS4 Flash는 현재 RAM 약 96GB 이상인 시스템에서 꽤 잘 돌아가는데, Hy3가 그 영역에서 경쟁할 수 있을지 모르겠음
- 어제 OpenRouter로 Hy3를 써봤고, Anthropic 구독을 일주일 전에 취소한 뒤로는 DS4 Flash/Pro를 주력으로 쓰고 있음
DS4 Flash는 Claude Code를 통해 쓸 때 꽤 변덕스럽다고 느꼈음
속도는 훌륭하지만 완전히 잘못된 **정신 모델**을 만들고 엉뚱한 방향으로 돌진하는 경우가 많아서 자주 제어해야 했고, 히스토리도 압축해야 해서 캐시 가격 이점이 줄어듦
Hy3는 그렇게 빠르진 않지만 지금까지는 DS4 Flash보다 훨씬 안정적으로 방향을 유지함
긴 문맥에서도 덜 망가지는 것 같고, 실제 가격은 잘 모르겠지만 매우 경쟁력 있는 모델이라고 느낌
별개로 LongCat 2.0도 5천만 토큰 팩을 사서 시험해봤는데, 무료는 아니지만 사실상 뿌리는 수준으로 저렴함
이것도 꽤 인상적이고 Hy3와 대략 비슷해 보임
최전선급 지능은 아니지만, 코드베이스를 잘 탐색하고 지시한 일을 안정적으로 수행하는 **믿을 만한 일꾼**에 가까움
- DSV4에서 겉으로 잘 안 보일 수 있는 점은 DeepSeek 팀이 구조에 많은 혁신을 넣었다는 것임
llama.cpp가 **lightning indexer**를 완전히 지원하면, 전체 1M 문맥이 RAM 약 6GB만 필요하게 됨
그래서 크기가 비슷하더라도 그 측면에서는 DeepSeek가 훨씬 효율적일 거라고 봄
Hy3가 경쟁할 수 있을지는 양자화에 얼마나 강한지에 크게 달려 있음
DSV4는 2비트 양자화에서도 쓸 만함
- 그건 DS4 Flash의 **2비트 양자화**임
차라리 Qwen3.6-27B를 Q8로 돌리는 편이 나을 수도 있음
- Hy3에는 DSv4 구조의 **KV 캐시 효율**이 없음
DSv4 Flash는 DGX Spark 두 대에서 돌리면서도 KV 캐시 3M 토큰을 넣을 메모리가 남지만, Hy3는 FP4로 양자화해도 KV 캐시가 약 130K 토큰 정도밖에 들어가지 않음
- DS4-Flash는 “상당히” 더 작을 뿐 아니라, DSpark 덕분에 훨씬 더 빠른 속도 이점도 얻을 수 있음
- 이 모델은 성능에 비해 놀랄 만큼 작음
deepseekV4 flash보다 약간 크지만, 일부 벤치마크에서는 V4 pro만큼이거나 더 뛰어나 보여서 **인기 로컬 모델**이 되어도 놀랍지 않음
- 그 부분이 계속 궁금했음
GLM-5.2도 DeepSeek V4 Pro의 절반 크기인데, 가격은 대략 두 배임
DeepSeek 구조를 조금 살펴봤는데 핵심 초점은 최대한 비용을 줄이는 방법이었음
어텐션 메커니즘에서 비용 절감을 많이 했고, 덕분에 거대한 문맥에서도 말도 안 되게 싼 가격을 제공할 수 있었지만 성능 희생이 있었던 것 같음
적어도 더 작은 모델이 더 비싸고 더 잘하는 걸 보면 “어텐션이 더 조밀한가?”라는 생각이 듦
- “로컬”이 수천 달러짜리 장비를 쓰는 사람들을 뜻하는 게 아니라면 아직 꽤 큰 모델임
- `Hy3 has 295B parameters in total. To serve it on 8 GPUs, we recommend using H20-3e or other GPUs with larger memory capacity.`
나도 인기 로컬 모델이 될 수 있다고 봄
- 모델을 써봤는데 꽤 훌륭했고, ~~gpt5.4~~ gpt-5.4-mini보다 나은 것 같음
성능도 sonnet 5에 충분히 가까워서 큰 차이를 못 느꼈음
gpt 5.5급은 아니고 아마 glm 5.2보다는 낮겠지만, 내가 해본 대부분 작업에서는 그냥 잘 작동했고 매우 저렴함
**FOSS 모델**이 필요하다면 안 쓸 이유가 없음
수정: 기본 gpt-5.4가 아니라 gpt-5.4-mini였음
- Hy3 DeepSWE는 28%이고, GPT5.4 xhigh DeepSWE는 52%임
Hy3 블로그 글에는 오염된 벤치마크가 많아 보여서 실제 테스트가 필요함
많은 중국 모델처럼 **벤치마크 최적화**가 심하게 된 느낌이 강함
- 모델을 잘못 본 것 같음
gpt-5.4라면 거기에 맞먹는 오픈소스 모델은 없을 듯하고, 아마 1년은 더 걸릴 수 있음
- Hy3를 쓰면 내가 이상해지는 기분임
극단적으로 **벤치마크 최적화**가 된 건지, 아니면 내 사용법 문제인지 모르겠지만 차라리 dense Gemma를 쓰고 싶음
최근 기억으로 내 시간을 이만큼 낭비한 모델은 없었음
- Hy3 프리뷰는 모델을 이용한 보안 감사 벤치마크에서 평범한 성능이었고, Gemma 4가 더 나았음
31B가 확실히 앞섰고, MoE도 QAT 버전으로 4비트 양자화를 써도 약간 더 좋았음
Qwen 3.6 27B도 Hy3보다 나았음
프리뷰를 벗어나고 후학습이 더 들어간 지금 다시 시험해볼 예정임
더 나빠지진 않았을 테니, 31B 모델과 경쟁할 만큼 좋아졌을 수도 있음
- Hy 언어의 새 릴리스인 줄 알았음: [https://hylang.org]()
- 진짜 필요한 건 **추론 또는 LLM 구조의 돌파구**임
GLM-5.2급 모델을 Qwen 3.6 27b 이하 크기로 48GB Macbook Pro 같은 소비자 기기에서 초당 최소 100토큰으로 돌릴 수 있어야 함
내 가설은, 더 작고 덜 똑똑하지만 빠른 모델을 좋은 실행 장치와 묶으면 더 오래 돌리면서, 큰 모델이 한 번에 푸는 문제를 힘으로 밀어붙여 해결할 수 있다는 것임
- 실행 장치 자체가 말 그대로 LLM이 되는 쪽을 더 기대함
여러 기계 구조물에 **진동 감쇠기**를 다는 것과 비슷한 방식임
- 사이트에 접속할 수 없음
[https://hy.tencent.com/research/hy3]()에 연결되지 않음