Tencent: Hy3 preview
Tencent: Hy3 preview est un LLM publié par Tencent le 22 avril 2026. Le modèle se distingue par une très grande fenêtre de contexte de 262 144 tokens, un format adapté aux entrées longues, et par un positionnement tarifaire très économique.
Tencent: Hy3 preview est un LLM publié par Tencent le 22 avril 2026. Le modèle se distingue par une très grande fenêtre de contexte de 262 144 tokens, un format adapté aux entrées longues, et par un positionnement tarifaire très économique.
Son profil combine de très bons résultats Benchable sur les connaissances générales et l’éthique, avec des performances solides en classification d’e-mails, raisonnement, mathématiques et code. Son prix est nettement inférieur à la moyenne des LLM similaires et environ 76,7 fois plus bas que celui des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Tencent |
| Date de sortie | 22 avril 2026 |
| Multimodal | non |
| Fenêtre de contexte | 262 144 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 24ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 98,0 % | 23ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 94,0 % | 42ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 93,0 % | 58ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 84,0 % | 172ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 79,0 % | 52ᵉ / 252 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : General Knowledge (Baseline)
Benchable : Ethics (Baseline)
Classements Arena (Elo)
| Catégorie | Elo | Rang |
|---|---|---|
| Arena Text | 1413 | 104ᵉ |
| Arena Code | 1363 | 57ᵉ |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| GMICloud | 0,063 $ | 0,21 $ | 0,021 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 97 % en dessous de la moyenne des LLM similaires, et 76,7 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,05 $ |
| Latence moyenne par benchmark — Benchable | 29 min 38 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Tencent: Hy3 preview se place dans le top 10 Benchable en General Knowledge (Baseline) et en Ethics (Baseline), deux signaux forts pour les tâches de réponse factuelle générale et de conformité à des critères éthiques de base. Le modèle reste également très bien positionné en Email Classification (Baseline), Reasoning (Baseline), Mathematics (Baseline) et Coding (Baseline), avec des scores élevés sur l’ensemble de ces catégories. Sa fenêtre de contexte de 262 144 tokens constitue un atout concret pour traiter des documents longs ou des échanges volumineux. Le tarif renforce son intérêt opérationnel: il se situe 97% sous la moyenne des LLM similaires, avec une couverture confirmée par 3 sources de données concordantes.
Limites et points d'attention. Les classements Arena sont plus modestes que les meilleurs résultats Benchable: Arena text se situe nettement plus bas dans le classement global, tandis qu’Arena code reste en retrait par rapport aux modèles les mieux classés en génération ou évaluation de code. Le suffixe preview indique aussi une version présentée comme préliminaire, ce qui invite à distinguer les bons résultats mesurés des garanties de stabilité à long terme. Profil pertinent pour les usages à fort volume, les traitements de longs contextes et les déploiements où le coût par token pèse fortement dans l’arbitrage technique.
Sources des données : OpenRouter (openrouter.ai) · Arena.ai (arena.ai) · Benchable.ai (benchable.ai).