Selama setahun terakhir, ada rahasia yang agak canggung di balik lonjakan model open-weight: banyak rilis terkuat dari China tidak tersedia bagi banyak perusahaan yang paling tertarik. Ketentuan lisensi yang mengecualikan Uni Eropa, Inggris, dan Korea Selatan menjadikan tim hukum membatalkan penerapan sebelum tim teknis selesai melakukan evaluasi—bukan hanya untuk perusahaan yang berkantor pusat di sana, tetapi juga untuk semua perusahaan yang melayani lalu lintas ke wilayah itu. Untuk tim IT yang mempertimbangkan model open, pertukarannya sangat jelas.
- Dari pratinjau ke produk dalam sepuluh minggu, dibentuk oleh 50 tim internal
- Uji buta dari Tencent lebih memfavoritkan Hy3 ketimbang GLM-5.1, tetapi GLM-5.2 tetap unggul dalam coding
- Tawaran keandalan: tingkat halusinasi terpangkas setengahnya
- Matematika penerapan: model 295B di dunia 744B—di silicon yang sesuai dengan ekspor
Tapi Tencent baru saja menghapus rintangan itu. Tim Hunyuan perusahaan ini merilis versi lengkap dari Hy3, sebuah model Mixture-of-Experts (MoE) dengan 295 miliar parameter dan 21 miliar parameter aktif. Dan dalam perubahan dari rilis pratinjau bulan April, model ini kini dirilis di bawah lisensi Apache 2.0 yang lebih permisif. Reaksi dari komunitas model terbuka langsung menyusul, dengan para peneliti di X menganggap perubahan lisensi ini adalah berita utama, dan satu pos yang banyak dibagikan menyatakan bahwa jika skor-skor ini benar, Tencent baru saja menjadi salah satu pemimpin di dunia open source. Tencent mengatakan akan gratis di OpenRouter selama dua minggu.
Skor-skor ini layak untuk diteliti—dan tidak semuanya mengarah ke arah yang sama. Tapi cerita yang lebih menarik adalah apa yang dipilih Tencent untuk ditonjolkan: metrik keandalan dan ekonomi penerapan yang ditujukan untuk penggunaan produksi.
Dari pratinjau ke produk dalam sepuluh minggu, dibentuk oleh 50 tim internal
Pratinjau Hy3 pada bulan April merupakan model pertama dari infrastruktur pre-training dan reinforcement learning yang dibangun kembali oleh Tencent, dirilis kurang dari tiga bulan setelah rekonstruksi di bulan Februari. Ilmuwan AI utama, Shunyu Yao, menganggap rilis terbuka awal ini sebagai langkah sadar untuk mengumpulkan umpan balik dari pengembang dan pengguna sebelum versi resmi—dan Tencent mengatakan itu memang terjadi. Menurut kartu model, tim mengumpulkan umpan balik dari lebih dari 50 tim produk setelah pratinjau akhir April, memperbaiki masalah dalam eksekusi tugas dan interaksi, serta memperbesar jalur pasca-pelatihan mereka.
Arsitekturnya sama: 295 miliar total parameter, 21 miliar aktif per proses maju melalui pengaturan top-8 di 192 ahli, sebuah layer multi-token prediction (MTP) dengan 3,8 miliar parameter untuk decoding spekulatif, dan jendela konteks 256K. Yang berubah adalah perilaku. Posisi Tencent adalah bahwa rilis penuh ini secara signifikan mengungguli model serupa dan bersaing dengan model open-source flagship dengan dua hingga lima kali lipat jumlah parameter.
Framing “dua hingga lima kali” ini sangat pas untuk tujuan model ini—dan mengundang perbandingan langsung dengan pemimpin coding open-weight saat ini, GLM-5.2.
Uji buta dari Tencent lebih memfavoritkan Hy3 ketimbang GLM-5.1, tetapi GLM-5.2 tetap unggul dalam coding
Evaluasi utama Tencent adalah studi manusia buta, bukan papan peringkat. Dengan alasan bahwa benchmark publik tidak memberikan cerita lengkap, perusahaan ini melakukan uji buta dengan 270 ahli dari berbagai disiplin yang bekerja dengan alur kerja dunia nyata, mengumpulkan 312 perbandingan valid, di mana Tencent melaporkan bahwa Hy3 mencetak 2,67 dari 4, sedangkan GLM-5.1 mendapatkan 2,51—dengan keuntungan paling jelas dalam pengembangan front-end, CI/CD, serta pekerjaan data dan penyimpanan.
Pemilihan lawan juga penting. Zhipu AI merilis GLM-5.2 pada pertengahan Juni, dan lampiran benchmark Tencent menunjukkan GLM-5.2 berada di depan Hy3 di seluruh rangkaian coding agentic: 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 jarak yang lebar (46,2 vs. 28,0). Uji buta ini menargetkan model yang lebih tua; yang lebih baru tetap mempertahankan mahkota coding.
Kepemimpinan coding GLM-5.2 tidak mengejutkan begitu kita mempertimbangkan ukuran di sisi-sisi: GLM-5.2 adalah model MoE dengan sekitar 744 miliar parameter dan sekitar 40 miliar parameter aktif per token, sedangkan Hy3 memiliki total 295 miliar dan 21 miliar aktif. Tencent meluncurkan model dengan tidak lebih dari separuh parameter dan hampir setengah komputasi per token dari model yang tertinggal.
Kemenangan nyata Hy3 terletak di tempat lain. Dalam pencarian agentic, Hy3 mencatat 84.2 pada BrowseComp dan 91.0 pada DeepSearchQA—mengungguli semua model terbuka di tabel Tencent dan bersaing dengan Claude Opus 4.8 dan GPT-5.5. Model ini unggul di bidang orkestrasi alat (79.1 di set publik MCP-Atlas), serta evaluasi harness-agent seperti ClawEval, dan dalam pemulihan konteks panjang (73.4 di AA-LCR). Jika dibaca bersama, lampiran ini menunjukkan bahwa model ini mungkin pilihan open-weight terbaik untuk beban kerja yang berat dalam pencarian dan alat, meskipun harus mengakui coding skala repositori kepada GLM-5.2.
Namun, ada satu catatan untuk semua kemenangan dan kekalahan ini: hampir semua angka pesaing di lampiran Tencent dijelaskan berasal dari uji coba Tencent sendiri. Verifikasi independen, dari indeks seperti Artificial Analysis, masih tertunda hingga publikasi ini.
Tawaran keandalan: tingkat halusinasi terpangkas setengahnya
Di mana rilis ini menjadi paling menarik bagi pembeli perusahaan adalah kumpulan angka yang dipilih Tencent untuk ditekan daripada benchmark. Kartu model ini lebih mirip laporan keandalan produksi daripada pengumuman papan peringkat.
Dalam evaluasi internal pada skenario dunia nyata, Tencent mengklaim bahwa tingkat halusinasi Hy3 turun dari 12,5% menjadi 5,4% dibandingkan versi pratinjau, dan tingkat kesalahan commonsense turun dari 25,4% menjadi 12,7%—perbaikan yang mereka kaitkan dengan pembersihan data yang lebih mendetail serta batasan pelatihan yang dibangun di sekitar pola perilaku eksplisit: memberikan jawaban ketika ada dasar, menyatakan ketika bukti tidak ada, tidak mencampurkan sumber, dan tidak memproduksi data palsu. Perilaku multi-turn mendapatkan perlakuan yang sama: tingkat masalah pada uji multi-turn internal turun dari 17,4% menjadi 7,9%, dan Tencent melaporkan bahwa skor model di benchmark dialog-panjang publik MRCR melesat dari 42,9% menjadi 75,1%.
Tencent juga menekankan konsistensi di seluruh rangkaian agent—melaporkan variasi SWE-bench dalam beberapa poin, baik model dijalankan di dalam harness Claude Code, Cline, atau KiloCode. Ini adalah properti yang sering kali terabaikan: perusahaan jarang dapat mengontrol framework agent mana yang dipilih tim mereka, dan model yang hanya berfungsi dalam satu harness akan menambah biaya integrasi yang tersembunyi. Ini adalah pengukuran internal yang dilaporkan sendiri, dan masih memerlukan skeptisisme yang sama seperti benchmark vendor lainnya. Namun, pilihan untuk menonjolkannya sama sekali menunjukkan siapa yang dipercaya Tencent sebagai pelanggan mereka: tim-tim yang sudah pernah tertipu oleh model-model yang tampil baik tetapi memproduksi data palsu dengan percaya diri dalam produksi.
Matematika penerapan: model 295B di dunia 744B—di silicon yang sesuai dengan ekspor
Cerita keandalan ini terhubung langsung ke aspek ekonomi, dan di sinilah kesenjangan coding Hy3 dibandingkan GLM-5.2 mulai tampak sebagai perdagangan yang disengaja ketimbang kerugian.
GLM-5.2 adalah model MoE dengan sekitar 744 miliar parameter dan sekitar 40 miliar parameter aktif per token; dalam FP8, bobotnya sendiri menghabiskan sekitar 744GB, menjadikannya node H200 8x sebagai minimum praktis untuk penyajian produksi. Hy3, dengan total 295B parameter, memiliki jejak FP8 di bawah 300GB—kurang dari setengah memori, dengan hampir setengah parameter aktif per token yang memberikan komputasi permintaan yang lebih rendah. Bagi organisasi yang memutuskan apa yang akan di-host sendiri, ini adalah perbedaan antara satu node yang sangat spesifikasi dan sesuatu yang jauh lebih terjangkau, dengan sisa ruang untuk cache KV dan pengelompokan.
Ada juga nuansa geopolitik dalam panduan penerapan yang patut diperhatikan: konfigurasi penyajian yang direkomendasikan Tencent menargetkan Nvidia’s H20-3e—varian dengan peningkatan memori dari H20, GPU yang dirancang Nvidia khusus untuk mematuhi batasan ekspor AS terhadap China. Berbeda dengan GLM-5.2, tidak ada penyebutan chip Huawei atau Ascend di sini. Dengan kata lain, model ini didesain sedemikian rupa sehingga delapan chip yang bisa dibeli perusahaan China secara legal dapat melayaninya dengan nyaman pada presisi penuh. Desain yang dipandu oleh pembatasan ini memiliki efek samping yang nyaman bagi semua orang lainnya: model ini yang dapat berjalan dengan baik pada silicon yang sengaja dibatasi akan berfungsi lebih nyaman lagi pada H100, H200, dan B200 yang tersedia di pusat data Barat, melalui penyebaran vLLM dan SGLang standar dengan decoding spekulatif MTP.
Dengan lisensi Apache 2.0—tanpa pengecualian regional dan tanpa pembatasan bidang penggunaan—persamaan untuk perusahaan menjadi jelas. GLM-5.2 tetap menjadi pilihan open-weight ketika performa coding adalah satu-satunya kriteria dan anggaran H200 8x tersedia. Hy3 memiliki alasan kuat di semua tempat lain: beban kerja agent yang berat dalam pencarian dan alat, aplikasi yang sensitif terhadap keandalan, serta organisasi yang ingin kemampuan di batas tanpa infrastruktur skala batas. Pertanyaannya adalah apakah perusahaan-perusahaan Barat, setelah hambatan lisensi ini hilang, akan menganggap model Tencent sebagai kandidat serius sama sekali—atau apakah pembaruan Artificial Analysis berikutnya akan menyelesaikan debat benchmark sebelum pengadaan memiliki kesempatan.
