TechTalkThai ศูนย์รวมข่าว Enterprise IT ออนไลน์แห่งแรกในประเทศไทย
Tencent เปิดตัว Hy3 เวอร์ชันเต็ม โมเดล Mixture-of-Experts (MoE) ขนาด 295B parameters (active 21B) ภายใต้ license Apache 2.0 ที่เปิดกว้าง ปลดข้อจำกัดด้านภูมิภาคที่เคยกีดกันองค์กรในยุโรป สหราชอาณาจักร และเกาหลีใต้ออกจากการใช้งาน
ตลอดหนึ่งปีที่ผ่านมา จุดอ่อนของโมเดล open-weight จากจีนหลายตัวคือเงื่อนไข license ที่ยกเว้น EU, UK และเกาหลีใต้ ทำให้ทีมกฎหมายขององค์กรจำนวนมากต้องระงับการใช้งานตั้งแต่ก่อนทีมวิศวกรจะประเมินเสร็จ ไม่เฉพาะองค์กรที่ตั้งอยู่ในภูมิภาคเหล่านั้น แต่รวมถึงทุกองค์กรที่ให้บริการ traffic เข้าไปยังพื้นที่ดังกล่าว ทีม Hunyuan ของ Tencent ปลดข้อจำกัดนี้ด้วยการปล่อย Hy3 เวอร์ชันเต็มภายใต้ Apache 2.0 ซึ่งต่างจากเวอร์ชัน preview เมื่อเดือนเมษายนที่ยังมีข้อจำกัดด้านภูมิภาค โดยชุมชน open-model มองว่าการเปลี่ยน license คือประเด็นสำคัญที่แท้จริงของการเปิดตัวครั้งนี้ นอกจากนี้ Tencent ยังเปิดให้ใช้งานฟรีบน OpenRouter เป็นเวลา 2 สัปดาห์
ในด้านสถาปัตยกรรม Hy3 มีพารามิเตอร์รวม 295B โดยเปิดใช้งาน 21B ต่อการประมวลผลหนึ่งครั้งผ่าน routing แบบ top-8 จาก experts ทั้งหมด 192 ตัว พร้อมเลเยอร์ multi-token prediction (MTP) ขนาด 3.8B สำหรับ speculative decoding และ context window ขนาด 256K โดย Tencent เลือกชูผลการทดสอบแบบ blind test กับผู้เชี่ยวชาญ 270 คนบนงานจริง เก็บผลเปรียบเทียบได้ 312 รายการ ซึ่ง Hy3 ทำคะแนน 2.67 จาก 4 เอาชนะ GLM-5.1 ที่ได้ 2.51 โดยมีจุดเด่นชัดเจนด้าน frontend development, CI/CD และงานด้านข้อมูลและ storage
อย่างไรก็ตาม GLM-5.2 ที่ Zhipu AI เปิดตัวช่วงกลางเดือนมิถุนายนยังคงครองความเป็นผู้นำด้าน coding โดย benchmark ของ Tencent เองแสดงว่า GLM-5.2 นำหน้าเกือบทั้งชุดการทดสอบ agentic coding ทั้ง SWE-bench Verified (84.2 ต่อ 78.0), SWE-bench Multilingual (83.0 ต่อ 75.8) และ Terminal-Bench 2.1 (81 ต่อ 71.7) เหตุผลส่วนหนึ่งมาจากขนาด เนื่องจาก GLM-5.2 เป็น MoE ราว 744B (active 40B) หรือมากกว่า Hy3 กว่าเท่าตัว จุดแข็งที่แท้จริงของ Hy3 จึงอยู่ที่งานอื่น โดยทำคะแนน 84.2 บน BrowseComp และ 91.0 บน DeepSearchQA ในด้าน agentic search นำหน้าโมเดล open ทุกตัวในตาราง อีกทั้งยังเป็นผู้นำด้าน tool orchestration (79.1 บน MCP-Atlas) และ long-context retrieval (73.4 บน AA-LCR) ทำให้เหมาะกับงาน AI Agent ที่เน้นการค้นหาและเรียกใช้ tool เป็นหลัก
จุดที่ Tencent เลือกเน้นสำหรับองค์กรคือตัวเลขด้านความน่าเชื่อถือมากกว่าคะแนน benchmark โดยในการทดสอบภายในบนสถานการณ์จริง อัตราการเกิด hallucination ของ Hy3 ลดลงจาก 12.5% เหลือ 5.4% และอัตราความผิดพลาดด้าน commonsense ลดจาก 25.4% เหลือ 12.7% เมื่อเทียบกับเวอร์ชัน preview ส่วนพฤติกรรมแบบ multi-turn มีอัตราปัญหาลดจาก 17.4% เหลือ 7.9% และคะแนนบน benchmark MRCR สำหรับบทสนทนายาวเพิ่มจาก 42.9% เป็น 75.1% นอกจากนี้ Tencent ยังเน้นความเสถียรเมื่อรันข้าม agent framework ต่างๆ เช่น Claude Code, Cline หรือ KiloCode ที่ให้ผล SWE-bench ต่างกันเพียงไม่กี่จุด ซึ่งเป็นคุณสมบัติที่ช่วยลดต้นทุนแฝงในการ integrate สำหรับองค์กรที่ไม่ได้ควบคุมว่าทีมจะใช้ framework ตัวใด
ในด้านการ deploy Hy3 ที่ขนาด 295B มี footprint แบบ FP8 ต่ำกว่า 300GB ซึ่งน้อยกว่าครึ่งของ GLM-5.2 ที่กินหน่วยความจำราว 744GB จนต้องใช้ node ระดับ 8x H200 เป็นขั้นต่ำในการให้บริการ โดย Tencent แนะนำ config การรันบน Nvidia H20-3e ซึ่งเป็น GPU ที่ออกแบบมาให้สอดคล้องกับข้อจำกัดการส่งออกของสหรัฐฯ ไปยังจีน และรองรับการ deploy ผ่าน vLLM และ SGLang พร้อม MTP speculative decoding ทั้งนี้ GLM-5.2 ยังคงเป็นตัวเลือกเมื่อต้องการประสิทธิภาพด้าน coding เป็นหลักและมีงบสำหรับ 8x H200 ขณะที่ Hy3 เหมาะกับงาน agent ที่เน้นการค้นหาและ tool, งานที่ต้องการความน่าเชื่อถือ และองค์กรที่ต้องการความสามารถระดับใกล้เคียง frontier โดยไม่ต้องลงทุนโครงสร้างพื้นฐานขนาดใหญ่ อย่างไรก็ตาม ตัวเลข benchmark เกือบทั้งหมดมาจากการทดสอบของ Tencent เอง การตรวจสอบจากหน่วยงานอิสระอย่าง Artificial Analysis ยังอยู่ระหว่างรอผลในขณะที่เผยแพร่
