Durante el año pasado, el incómodo secreto del auge de los modelos de peso abierto ha sido que muchos de los lanzamientos chinos más sólidos estaban fuera del alcance de una gran parte de las empresas más interesadas en ellos. Los términos de licencia que excluían a la Unión Europea, el Reino Unido y Corea del Sur significaban que los equipos legales cancelaron las implementaciones antes de que los equipos de ingeniería terminaran sus evaluaciones, no solo para las empresas con sede allí, sino para cualquier empresa que atienda tráfico hacia esas regiones. Para los equipos de TI que evalúan modelos abiertos, las compensaciones son inusualmente explícitas.
Tencent acaba de eliminar ese obstáculo. El equipo de Hunyuan de la compañía lanzó la versión completa de hy3un modelo de Mezcla de Expertos (MoE) de 295 mil millones de parámetros con 21 mil millones de parámetros activos y, a diferencia de la versión preliminar de abril, lo envió bajo el permisivo apache 2.0 licencia. La reacción de la comunidad de modelo abierto fue inmediata: los investigadores de X señalaron el cambio de licencia como el verdadero titular, y una publicación ampliamente compartida argumentó que si los puntajes se mantienen, Tencent acaba de convertirse en uno de los líderes del código abierto. Tencent cube que así será gratis en OpenRouter durante dos semanas.
Vale la pena examinar los resultados, y no todos apuntan en la misma dirección. Pero la historia más interesante es lo que Tencent eligió liderar: métricas de confiabilidad y economía de implementación dirigidas directamente al uso en producción.
De la vista previa al producto en diez semanas, formado por 50 equipos internos
La vista previa de Hy3 de abril fue el primer modelo de la infraestructura reconstruida de preentrenamiento y aprendizaje de refuerzo de Tencent, enviada menos de tres meses después de la reconstrucción de febrero. El científico jefe de IA, Shunyu Yao, describió el lanzamiento abierto temprano como un movimiento deliberado para recopilar comentarios de los desarrolladores y usuarios antes de la versión oficial, y Tencent cube que eso es exactamente lo que sucedió. Según el tarjeta modeloel equipo recopiló comentarios de más de 50 equipos de productos después de la vista previa de finales de abril, solucionó problemas en la ejecución e interacción de tareas y amplió su proceso posterior a la capacitación.
La arquitectura no ha cambiado: 295 mil millones de parámetros totales, 21 mil millones activos por paso directo a través de enrutamiento de los 8 principales entre 192 expertos, una capa de predicción de tokens múltiples (MTP) de 3,8 mil millones de parámetros para decodificación especulativa y una ventana de contexto de 256 mil millones. Lo que cambió es el comportamiento. El posicionamiento de Tencent es que la versión completa supera significativamente a los modelos de tamaño related y rivaliza con los modelos emblemáticos de código abierto con entre dos y cinco veces los parámetros.
Ese encuadre de «dos a cinco veces» tiene sentido para el objetivo de este modelo, e invita a una comparación directa con el líder precise en codificación de peso abierto, GLM-5.2.
La prueba ciega de Tencent favorece a Hy3 sobre GLM-5.1, pero GLM-5.2 aún posee codificación
La evaluación de los titulares de Tencent es un estudio humano ciego más que una tabla de clasificación. Argumentando que los puntos de referencia públicos no cuentan la historia completa, la compañía realizó una prueba ciega con 270 expertos de todas las disciplinas que trabajan en flujos de trabajo del mundo actual, recopilando 312 comparaciones válidas, en las que Tencent informa que Hy3 obtuvo una puntuación de 2,67 sobre 4 frente a 2,51 de GLM-5.1, con las ventajas más claras en desarrollo frontend, CI/CD y trabajo de datos y almacenamiento.
La elección del oponente es importante. Lanzamiento de Zhipu AI GLM-5.2 a mediados de junio, y el propio apéndice de referencia de Tencent muestra a GLM-5.2 por delante de Hy3 en prácticamente todo el conjunto de codificación agente: SWE-bench Verified (84.2 vs. 78.0), SWE-bench Multilingual (83.0 vs. 75.8), Terminal-Bench 2.1 (81 vs. 71.7) y DeepSWE por un amplio margen (46.2 vs. 28.0). La prueba ciega se centró en el modelo anterior; el más nuevo conserva la corona codificadora.
El liderazgo en codificación de GLM-5.2 es menos sorprendente una vez que se consideran los tamaños uno al lado del otro: GLM-5.2 es aproximadamente un MoE de 744 mil millones de parámetros con alrededor de 40 mil millones de parámetros activos por token, frente a los 295 mil millones en whole y 21 mil millones activos de Hy3. Tencent está presentando un modelo con menos de la mitad de los parámetros (y casi la mitad del cálculo por token) del que le sigue.
Las verdaderas victorias de Hy3 se encuentran en otra parte. En búsqueda agente, obtiene 84,2 en BrowseComp y 91,0 en DeepSearchQA, por delante de todos los modelos abiertos en la tabla de Tencent y competitivo con Claude Opus 4.8 y GPT-5.5. Lidera el campo abierto en orquestación de herramientas (79,1 en el conjunto público MCP-Atlas), en evaluaciones de aprovechamiento de agentes como ClawEval y en recuperación de contexto prolongado (73,4 en AA-LCR). Leídos juntos, el apéndice sugiere un modelo que posiblemente sea la mejor opción de peso abierto para cargas de trabajo de agentes con muchas herramientas y búsquedas, al tiempo que concede codificación a escala de repositorio a GLM-5.2.
Una advertencia se aplica tanto a las victorias como a las derrotas: casi todos los números de los competidores en el apéndice de Tencent están marcados como provenientes de las propias pruebas de Tencent. La verificación independiente, de índices como Synthetic Evaluation, aún está pendiente en el momento de su publicación.
El argumento de la confiabilidad: las tasas de alucinaciones se reducen a la mitad
Donde el lanzamiento se vuelve más interesante para los compradores empresariales es el conjunto de números que Tencent eligió enfatizar en lugar de los puntos de referencia. La tarjeta del modelo se parece menos a un anuncio de clasificación y más a un informe de confiabilidad de la producción.
En evaluaciones internas en escenarios del mundo actual, Tencent cube que la tasa de alucinaciones de Hy3 cayó en comparación con la versión preliminar del 12,5% al 5,4%, y las tasas de error de sentido común cayeron del 25,4% al 12,7%; mejoras que atribuye a la limpieza detallada de datos y a las restricciones de entrenamiento construidas en torno a un patrón de comportamiento explícito: responder cuando esté fundamentado, indicar cuando falta evidencia, no combinar fuentes, no fabricar datos. El comportamiento de múltiples turnos recibe el mismo tratamiento: la tasa de emisión en las pruebas internas de múltiples turnos cayó del 17,4% al 7,9%, y Tencent informó que la puntuación del modelo en el punto de referencia de diálogo largo abierto MRCR saltó del 42,9% al 75,1%.
Tencent también enfatiza la coherencia entre los andamios de los agentes: informa la variación del banco SWE en unos pocos puntos, ya sea que el modelo se ejecute dentro de arneses estilo Claude Code, Cline o KiloCode. Esa es una propiedad subestimada: las empresas rara vez controlan qué marco de agentes estandarizan sus equipos, y un modelo que solo funciona en un arnés tiene un costo de integración oculto. Estas son mediciones internas autoinformadas y merecen el mismo escepticismo que cualquier punto de referencia de un proveedor. Pero la decisión de ponerlos en primer plano en todo indica quién cree Tencent que es su cliente: equipos que han sido quemados por modelos que hacen buenas demostraciones y fabrican con confianza en producción.
Las matemáticas de implementación: un modelo de 295 mil millones en un mundo de 744 mil millones, con silicio apto para exportaciones
La historia de la confiabilidad se conecta directamente con la economía, y aquí es donde la brecha de codificación de Hy3 frente a GLM-5.2 comienza a parecer un intercambio deliberado en lugar de una pérdida.
GLM-5.2 es un MoE de aproximadamente 744 mil millones de parámetros con alrededor de 40 mil millones de parámetros activos por token; en FP8, solo su peso devour aproximadamente 744 GB, lo que hace que un nodo H200 de 8x sea el mínimo práctico para el servicio de producción. Hy3, con 295 mil millones de parámetros totales, ocupa un espacio FP8 de menos de 300 GB: menos de la mitad de la memoria, con aproximadamente la mitad de los parámetros activos por token, lo que genera un menor cálculo por solicitud. Para una organización que determine qué autohospedar, esa es la diferencia entre un nodo con muchas especificaciones y algo mucho más alcanzable, con espacio sobrante para caché KV y procesamiento por lotes.
Hay un problema geopolítico en la guía de implementación que también vale la pena notar: la configuración de servicio recomendada por Tencent apunta a Nvidia. H20-3e – la variante con memoria mejorada del H20, la GPU Nvidia diseñada específicamente para cumplir con las restricciones de exportación de Estados Unidos a China. A diferencia del GLM-5.2, aquí no se mencionan los chips Huawei o Ascend. En otras palabras, el modelo tiene un tamaño tal que ocho de los chips que las empresas chinas pueden comprar legalmente pueden servir cómodamente con whole precisión. Ese diseño impulsado por restricciones tiene un efecto secundario conveniente para todos los demás: un modelo que funciona bien con silicio deliberadamente limitado funciona aún más cómodamente en los H100, H200 y B200 disponibles en los centros de datos occidentales, a través de estándar. vLLM y SGLang Implementaciones con decodificación especulativa MTP.
Agregue la licencia Apache 2.0 (sin exclusiones regionales ni restricciones de campo de uso) y la ecuación empresarial se vuelve clara. GLM-5.2 sigue siendo la opción de peso abierto cuando el rendimiento de codificación es el único criterio y se encuentra disponible un presupuesto de 8x H200. Hy3 defiende sus argumentos en todos los demás: cargas de trabajo de agentes con muchas herramientas y búsquedas, aplicaciones sensibles a la confiabilidad y organizaciones que desean capacidades adyacentes a la frontera sin infraestructura a escala de frontera. La pregunta abierta es si las empresas occidentales, ahora que ha desaparecido la barrera de las licencias, tratarán un modelo de Tencent como un candidato serio, o si la próxima actualización del Análisis Synthetic resuelve el debate sobre los puntos de referencia antes de que las adquisiciones tengan la oportunidad.
