Tencent ha presentato HY3, un nuovo modello linguistico open weight distribuito con licenza Apache 2.0, progettato per collocarsi nella fascia dei modelli generalisti ad alte prestazioni senza richiedere la stessa capacità computazionale dei sistemi più grandi. Il modello adotta un’architettura Mixture of Experts, nella quale la rete completa contiene circa 295 miliardi di parametri ma ne attiva soltanto una quota limitata per ciascun token elaborato, indicata intorno ai 21 miliardi. Questa configurazione consente di mantenere una capacità complessiva elevata riducendo il costo effettivo dell’inferenza rispetto a un modello denso di dimensioni equivalenti.
Nel funzionamento di un Mixture of Experts, ogni input non attraversa l’intera rete neurale. Un sistema di routing seleziona gli esperti più adatti al contenuto della richiesta, indirizzando i token verso gruppi specializzati di parametri. In questo modo il modello può distribuire la propria capacità tra competenze linguistiche, ragionamento, conoscenza generale, analisi documentale, uso di strumenti e compiti multimodali, evitando che ogni generazione richieda il calcolo su tutti i parametri disponibili. HY3 utilizza questa struttura per proporre un compromesso tra qualità delle risposte, velocità di elaborazione e sostenibilità economica nell’impiego via API o in installazioni autonome.
I dati diffusi sul modello mostrano risultati competitivi nei benchmark dedicati al ragionamento generale, alla comprensione di istruzioni articolate, alla conoscenza multidisciplinare, alla capacità di utilizzare tool esterni e alla gestione di richieste operative composte da più passaggi. Nei confronti dichiarati con GLM-5.2, modello open weight di Z.ai con dimensioni complessive molto superiori e orientamento marcato allo sviluppo software, HY3 ottiene prestazioni migliori o comparabili in numerosi test generalisti, pur disponendo di una quantità inferiore di parametri totali.
La differenza più evidente emerge nel coding. GLM-5.2 è stato progettato con un’attenzione specifica ai flussi agentici per lo sviluppo software, alla gestione di repository estesi, alle modifiche coordinate su più file e all’esecuzione di attività lunghe con strumenti di terminale. La sua finestra di contesto da un milione di token e le modalità di reasoning regolabili sono pensate per mantenere coerenza su progetti complessi, dove il modello deve leggere codice, interpretare dipendenze, utilizzare comandi, analizzare output e correggere iterativamente gli errori. In questo ambito HY3 non raggiunge gli stessi risultati, mostrando come la qualità nel coding avanzato dipenda non soltanto dalla dimensione o dal numero di esperti, ma anche dal tipo di dati di addestramento, dalle traiettorie agentiche utilizzate nel training e dai benchmark scelti per ottimizzare il comportamento del modello.
La licenza Apache 2.0 rappresenta uno degli elementi più rilevanti della distribuzione di HY3. A differenza delle licenze comunitarie o dei termini personalizzati presenti in alcuni progetti open weight, Apache 2.0 permette l’uso commerciale, la modifica, la ridistribuzione e l’integrazione in prodotti proprietari, mantenendo requisiti ridotti legati soprattutto alla conservazione delle note di copyright e della licenza. Per le aziende questo rende possibile eseguire il modello in infrastrutture private, adattarlo a dati proprietari, applicare tecniche di quantizzazione e costruire servizi commerciali senza dipendere da un endpoint gestito esclusivamente dal produttore.
L’apertura del modello è rilevante anche per i casi d’uso in cui la sovranità del dato è un requisito operativo. Un’azienda può distribuire HY3 in un ambiente isolato, collegarlo a database interni, documenti riservati o strumenti aziendali e mantenere il controllo sull’intero percorso di elaborazione. Questa possibilità assume importanza nei settori regolati, nei contesti industriali con informazioni sensibili e nei workflow che richiedono audit, registrazione degli accessi e limitazione della circolazione dei dati fuori dall’infrastruttura aziendale.
La disponibilità di modelli Mixture of Experts con licenze permissive modifica inoltre il modo in cui le organizzazioni possono progettare l’infrastruttura AI. Un modello con quasi 300 miliardi di parametri totali non richiede necessariamente risorse proporzionate a un modello denso della stessa scala, perché l’attivazione parziale degli esperti limita il carico computazionale per token. Restano comunque rilevanti il consumo di memoria necessario per ospitare i pesi, la gestione del routing tra esperti, la latenza in presenza di carichi elevati e la scelta di hardware in grado di sostenere inferenza distribuita, soprattutto quando il modello viene utilizzato con finestre di contesto ampie o in applicazioni agentiche.
HY3 mostra come la competizione tra modelli open weight non si stia concentrando soltanto sull’aumento dei parametri. L’obiettivo è ottenere prestazioni elevate attraverso architetture più selettive, routing efficiente, dataset mirati e una migliore distribuzione delle capacità tra gli esperti. Il confronto con GLM-5.2 evidenzia una distinzione sempre più netta tra modelli generalisti ottimizzati per reasoning, conoscenza e uso di strumenti e modelli specializzati nello sviluppo software di lungo periodo. Per chi deve scegliere una base tecnologica, la valutazione non può quindi fermarsi ai benchmark complessivi: occorre verificare il comportamento sul proprio dominio operativo, il costo di inferenza, i vincoli hardware, la licenza e la capacità del modello di sostenere i workflow specifici per cui verrà utilizzato.