Tencent Hunyuan Hy3 API 接口、参数 & 代码示例
tencent/hy3
腾讯混元 Hy3 正式版面向真实业务场景打磨,采用 295B 总参数、21B 激活 MoE 架构,原生支持 256K 上下文,并提供了多档思考模式,兼顾极速响应、复杂推理与调用成本。Hy3 正式版重点提升了 Coding Agent、长文理解、多轮上下文承接、搜索问答与复杂任务执行能力,在减少幻觉、提升任务完成度和工程可用性方面表现更稳。
- 模型 ID
- tencent/hy3
- 模型系列
- Hunyuan
- 更新日期
- 模型能力
- 文本生成、深度思考、Agent增强
- 上下文长度
- 256 K
- 模型价格(每 1000 tokens 输入)
- ¥ 0.0012
- 模型价格(每 1000 tokens 输出)
- ¥ 0.0045
Tencent Hunyuan Hy3 模型介绍:
Hy3 正式版 是腾讯混元团队推出的最新一代、也是其目前开源最强大的大语言模型。它是腾讯在重建其预训练和强化学习底层架构后推出的首款重构版模型,不仅兼顾了极高的性价比,还在复杂推理、Agent(智能体)以及代码能力上实现了飞跃式的提升。
一、 核心架构与模型规模
Hy3 采用了混合专家模型(Mixture-of-Experts, MoE)架构,在具备超大规模参数的同时保持了极高的计算经济性:
- 总参数量(Total Parameters):约 295B(2950 亿)
- 激活参数量(Active Parameters):每个 Token 仅激活 21B(210 亿)
- 专家设计(Expert Design):包含 192 个路由专家(Routed Experts),采用 Top-8 路由策略,并包含 1 个共享专家(Shared Expert)。
- MTP 层技术:额外配备了一个 3.8B 参数的 MTP(Multi-Token Prediction)层,专门用于推测解码(Speculative Decoding),从而在小批次(Small Batch Size)推理时能够显著降低延迟。
- 上下文长度:支持高达 256K 的长上下文理解。
- 网络结构细节:包含 80 个 Transformer 层,采用 GQA(分组查询注意力)机制,包含 64 个 Query 头和 8 个 KV 头。
二、 推理模式(快慢思考切换)
Hy3 原生支持类似人类的“快慢思考”切换机制,默认提供更深入的“慢思考(Slow Thinking)”模式。用户可以通过 reasoning_effort 参数对推理模式进行灵活控制:
- high:高级推理模式,适用于数学、代码和深度逻辑推理等复杂任务。
- low:轻量级推理模式。
- no_think:直接输出模式,跳过思维链(CoT),适用于常规快速对话。
三、 核心能力表现与核心突破
由于得益于预训练和强化学习(RL)框架的全面重构,以及强化学习任务规模的大幅增加,Hy3 在以下几个方向表现尤为突出:
- 代码与智能体(Code & Agent)——提升最显著的方向:
- 在主流代码智能体基准 SWE-bench Verified 和 Terminal-Bench 2.0 中均取得了极具竞争力的强劲结果。
- 在主流搜索智能体基准 BrowseComp 和 WideSearch 中同样表现卓越,展现出卓越的任务规划和自动化执行能力。
- 复杂推理(STEM & Reasoning):
- 在 FrontierScience-Olympiad、IMOAnswerBench 等高难度理工科和奥林匹克推理任务中表现突出。
- 在清华大学求真书院数学博资考(26春)和全国中学生生物学联赛(CHSBO 2025)中均取得了优异的成绩,展现出极强的可泛化深度推理能力。
- 上下文学习与指令遵循(Context Learning & Instruction Following):
- 针对真实生产和生活场景中理解杂乱冗长上下文、遵循复杂多变规则的痛点,团队基于腾讯自身多种业务场景的实际灵感,创新性地提出了 CL-bench 和 CL-bench-Life 评估基准,而 Hy3 在长上下文学习和复杂指令遵循上实现了显著的增益。
Hy3 正式版不仅是腾讯技术底层设施重构的“第一步”,更是一款在 300B 级别总规模、20B 级别激活规模上,处于行业领先地位的推理与智能体(Reasoning & Agent)开源大模型。
API 接口地址:
-
Chat Completions API:
https://wcode.net/api/gpt/v1/chat/completions
-
Responses API(部分模型可能不支持此API):
https://wcode.net/api/gpt/v1/responses
-
Anthropic API:
https://wcode.net/api/anthropic/v1/messages
此 API 接口兼容 OpenAI 的 API 接口规范,可直接使用 OpenAI 的 SDK 来调用各个模型。仅需替换以下配置即可:
base_url替换为https://wcode.net/api/gpt/v1api_key替换为从 https://platform.wcode.net 获取到的 API Key具体可参考下方的各编程语言代码示例中的 OpenAI SDK 调用示例。
此模型支持 Anthropic / Claude 的 API 接口规范,可直接使用 Anthropic 的 SDK 来调用此模型。仅需替换以下配置即可:
ANTHROPIC_BASE_URL替换为https://wcode.net/api/anthropicANTHROPIC_API_KEY(或ANTHROPIC_AUTH_TOKEN)替换为从 https://platform.wcode.net 获取到的 API KeyANTHROPIC_MODEL(或model)替换为tencent/hy3
请求方法:
POST
各编程语言代码示例:
# TODO: 以下代码中的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
curl --request POST 'https://wcode.net/api/gpt/v1/chat/completions' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer API_KEY' \
--data '{
"model": "tencent/hy3",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}'
import Foundation
let headers = [
"Authorization": "Bearer API_KEY", // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type": "application/json"
]
let parameters = [
"model": "tencent/hy3",
"messages": [
[
"role": "user",
"content": "你好"
]
]
] as [String : Any]
let postData = JSONSerialization.data(withJSONObject: parameters, options: [])
let request = NSMutableURLRequest(url: NSURL(string: "https://wcode.net/api/gpt/v1/chat/completions")! as URL,
cachePolicy: .useProtocolCachePolicy,
timeoutInterval: 60.0)
request.httpMethod = "POST"
request.allHTTPHeaderFields = headers
request.httpBody = postData as Data
let session = URLSession.shared
let dataTask = session.dataTask(with: request as URLRequest, completionHandler: { (data, response, error) -> Void in
if (error != nil) {
print(error as Any)
} else {
let httpResponse = response as? HTTPURLResponse
print(httpResponse)
}
})
dataTask.resume()
var headers = {
'Content-Type': 'application/json',
'Authorization': 'Bearer API_KEY' // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
};
var request = http.Request('POST', Uri.parse('https://wcode.net/api/gpt/v1/chat/completions'));
request.body = json.encode({
"model": "tencent/hy3",
"messages": [
{
"role": "user",
"content": "你好"
}
]
});
request.headers.addAll(headers);
http.StreamedResponse response = await request.send();
if (response.statusCode == 200) {
print(await response.stream.bytesToString());
}
else {
print(response.reasonPhrase);
}
require 'uri'
require 'net/http'
url = URI("https://wcode.net/api/gpt/v1/chat/completions")
http = Net::HTTP.new(url.host, url.port)
http.use_ssl = true
request = Net::HTTP::Post.new(url)
request["Authorization"] = 'Bearer API_KEY' # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request["content-type"] = 'application/json'
request.body = "{\"model\":\"tencent/hy3\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}"
response = http.request(request)
puts response.read_body
use serde_json::json;
use reqwest;
#[tokio::main]
pub async fn main() {
let url = "https://wcode.net/api/gpt/v1/chat/completions";
let payload = json!({
"model": "tencent/hy3",
"messages": (
json!({
"role": "user",
"content": "你好"
})
)
});
let mut headers = reqwest::header::HeaderMap::new();
headers.insert("Authorization", "Bearer API_KEY".parse().unwrap()); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
headers.insert("content-type", "application/json".parse().unwrap());
let client = reqwest::Client::new();
let response = client.post(url)
.headers(headers)
.json(&payload)
.send()
.await;
let results = response.unwrap()
.json::<serde_json::Value>()
.await
.unwrap();
dbg!(results);
}
CURL *hnd = curl_easy_init();
curl_easy_setopt(hnd, CURLOPT_CUSTOMREQUEST, "POST");
curl_easy_setopt(hnd, CURLOPT_URL, "https://wcode.net/api/gpt/v1/chat/completions");
struct curl_slist *headers = NULL;
headers = curl_slist_append(headers, "Authorization: Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
headers = curl_slist_append(headers, "content-type: application/json");
curl_easy_setopt(hnd, CURLOPT_HTTPHEADER, headers);
curl_easy_setopt(hnd, CURLOPT_POSTFIELDS, "{\"model\":\"tencent/hy3\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");
CURLcode ret = curl_easy_perform(hnd);
package main
import (
"fmt"
"strings"
"net/http"
"io"
)
func main() {
url := "https://wcode.net/api/gpt/v1/chat/completions"
payload := strings.NewReader("{\"model\":\"tencent/hy3\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}")
req, _ := http.NewRequest("POST", url, payload)
req.Header.Add("Authorization", "Bearer API_KEY") // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
req.Header.Add("content-type", "application/json")
res, _ := http.DefaultClient.Do(req)
defer res.Body.Close()
body, _ := io.ReadAll(res.Body)
fmt.Println(res)
fmt.Println(string(body))
}
using System.Net.Http.Headers;
var client = new HttpClient();
var request = new HttpRequestMessage(HttpMethod.Post, "https://wcode.net/api/gpt/v1/chat/completions");
request.Headers.Add("Authorization", "Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request.Content = new StringContent("{\"model\":\"tencent/hy3\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", null, "application/json");
var response = await client.SendAsync(request);
response.EnsureSuccessStatusCode();
Console.WriteLine(await response.Content.ReadAsStringAsync());
var client = new RestClient("https://wcode.net/api/gpt/v1/chat/completions");
var request = new RestRequest("", Method.Post);
request.AddHeader("Authorization", "Bearer API_KEY"); // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
request.AddHeader("content-type", "application/json");
request.AddParameter("application/json", "{\"model\":\"tencent/hy3\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}", ParameterType.RequestBody);
var response = client.Execute(request);
const axios = require('axios');
let data = JSON.stringify({
"model": "tencent/hy3",
"messages": [
{
"role": "user",
"content": "你好"
}
]
});
let config = {
method: 'post',
maxBodyLength: Infinity,
url: 'https://wcode.net/api/gpt/v1/chat/completions',
headers: {
'Content-Type': 'application/json',
'Authorization': 'Bearer API_KEY' // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
},
data : data
};
axios.request(config).then((response) => {
console.log(JSON.stringify(response.data));
}).catch((error) => {
console.log(error);
});
OkHttpClient client = new OkHttpClient();
MediaType mediaType = MediaType.parse("application/json");
RequestBody body = RequestBody.create(mediaType, "{\"model\":\"tencent/hy3\",\"messages\":[{\"role\":\"user\",\"content\":\"你好\"}]}");
Request request = new Request.Builder()
.url("https://wcode.net/api/gpt/v1/chat/completions")
.post(body)
.addHeader("Authorization", "Bearer API_KEY") // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
.addHeader("content-type", "application/json")
.build();
Response response = client.newCall(request).execute();
$client = new \GuzzleHttp\Client();
$headers = [
'Content-Type' => 'application/json',
'Authorization' => 'Bearer API_KEY', // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
];
$body = '{
"model": "tencent/hy3",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}';
$request = new \GuzzleHttp\Psr7\Request('POST', 'https://wcode.net/api/gpt/v1/chat/completions', $headers, $body);
$response = $client->sendAsync($request)->wait();
echo $response->getBody();
$curl = curl_init();
curl_setopt_array($curl, [
CURLOPT_URL => "https://wcode.net/api/gpt/v1/chat/completions",
CURLOPT_RETURNTRANSFER => true,
CURLOPT_ENCODING => "",
CURLOPT_MAXREDIRS => 5,
CURLOPT_TIMEOUT => 300,
CURLOPT_CUSTOMREQUEST => "POST",
CURLOPT_POSTFIELDS => json_encode([
'model' => 'tencent/hy3',
'messages' => [
[
'role' => 'user',
'content' => '你好'
]
]
]),
CURLOPT_HTTPHEADER => [
"Authorization: Bearer API_KEY", // TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type: application/json",
],
]);
$response = curl_exec($curl);
$error = curl_error($curl);
curl_close($curl);
if ($error) {
echo "cURL Error #:" . $error;
} else {
echo $response;
}
import requests
import json
url = "https://wcode.net/api/gpt/v1/chat/completions"
payload = {
"model": "tencent/hy3",
"messages": [
{
"role": "user",
"content": "你好"
}
]
}
headers = {
"Authorization": "Bearer API_KEY", # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
"content-type": "application/json"
}
response = requests.post(url, json=payload, headers=headers)
print(json.dumps(response.json(), indent=4, ensure_ascii=False))
from openai import OpenAI
client = OpenAI(
base_url="https://wcode.net/api/gpt/v1",
api_key="API_KEY" # TODO: 这里的 API_KEY 需要替换,获取 API Key 入口:https://platform.wcode.net
)
completion = client.chat.completions.create(
model="tencent/hy3",
messages=[
{
"role": "user",
"content": "你好"
}
]
)
print(completion.choices[0].message.content)
各 AI 产品/工具/第三方应用接入示例:
配置 Hermes Agent 使用 Tencent Hunyuan Hy3 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
方式一:交互式配置
在命令行输入 hermes model,然后选择 Custom endpoint 选项,根据交互式命令引导,分别配置以下信息:
- API base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
tencent/hy3
方式二:手动配置
修改 config.yaml(通常位于~/.hermes/config.yaml)
model:
default: "tencent/hy3"
provider: custom
base_url: "https://wcode.net/api/gpt/v1"
api_key: "<API_KEY>"
context_length: 256000
配置完成后,就可以开始使用 Hermes Agent ~
配置 Roo Code 使用 Tencent Hunyuan Hy3 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
tencent/hy3
配置完成后,就可以开始使用 Roo Code ~
配置 Kilo Code 使用 Tencent Hunyuan Hy3 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
选择 Use your own API key,然后配置以下信息:
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model:
tencent/hy3
配置完成后,就可以开始使用 Kilo Code ~
配置 Cline 使用 Tencent Hunyuan Hy3 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
- API Provider:
OpenAI Compatible - Base URL:
https://wcode.net/api/gpt/v1 - API Key:
<API_KEY> - Model ID:
tencent/hy3
配置完成后,就可以开始使用 Cline ~
注:以下安装和配置过程以 Ubuntu Server 24.04 (root 用户) + Node 22 安装 OpenClaw 🦞 2026.3.8 为例
安装 🦞 OpenClaw(龙虾),步骤如下:
- 命令行执行
npm install -g openclaw@latest - 命令行执行
openclaw onboard --install-daemon - I understand this is personal-by-default and shared/multi-user use requires lock-down. Continue? 选择
yes - Onboarding mode 选择
QuickStart - Model/auth provider 选择
Skip for now - Default model 选择
Keep current (default: ...) - Select channel (QuickStart) 选择
Skip for now - Web search 选择
Skip for now - Configure skills now? (recommended) 选择
No - Enable hooks? (这是一个多选,按空格键可选中选项)按空格键选中
📝 command-logger和💾 session-memory这两个选项,然后按回车键进入下一步 - (如有) How do you want to hatch your bot? 选择
Hatch in TUI (recommended)
配置 🦞 OpenClaw(龙虾)使用 Tencent Hunyuan Hy3 模型:
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取(创建)的 API Key
推荐方式:修改 openclaw.json(通常位于~/.openclaw/openclaw.json)
找到openclaw.json的第一层级的models和agents属性(如果没有则在第一层级添加models和agents属性),改为如下配置:
{
...其他配置,
"models": {
"mode": "merge",
"providers": {
"wcode": {
"baseUrl": "https://wcode.net/api/gpt/v1",
"apiKey": "<API_KEY>",
"api": "openai-completions",
"models": [
{
"id": "tencent/hy3",
"name": "Tencent Hunyuan Hy3",
"reasoning": false,
"input": ["text"],
"contextWindow": 256000,
"maxTokens": 128000
}
]
}
}
},
"agents": {
"defaults": {
"model": {
"primary": "wcode/tencent/hy3"
}
}
},
...其他配置
}
完成以上配置后,
- 执行以下命令,即可通过命令行的方式开始对话:
openclaw tui
- 执行以下命令,即可通过 Web 界面的方式开始对话:
openclaw dashboard
配置 OpenCode 使用 Tencent Hunyuan Hy3 模型:
推荐方式:修改 opencode.json(通常位于~/.config/opencode/opencode.json)
注意事项:以下配置中的
<API_KEY>需要替换为从 https://platform.wcode.net 获取的 API Key
配置如下:
{
"$schema": "https://opencode.ai/config.json",
"provider": {
"myprovider": {
"npm": "@ai-sdk/openai-compatible",
"name": "wcode",
"options": {
"baseURL": "https://wcode.net/api/gpt/v1",
"apiKey": "<API_KEY>"
},
"models": {
"tencent/hy3": {
"name": "Tencent Hunyuan Hy3"
}
}
}
}
}
完成以上配置后,执行以下命令,即可启动 OpenCode:
opencode
输入 /models,选择配置的 tencent/hy3 模型并在 OpenCode 中使用。
API 响应示例(curl):
{
"id": "chatcmpl-t1783322985s739rd056c92ef07a89d1dbb21c36",
"object": "chat.completion",
"model": "hy3",
"created": 1783322993,
"choices": [
{
"index": 0,
"message": {
"role": "assistant",
"content": "我是腾讯研发的大模型“混元”,专注于基础信息处理与逻辑响应。我可以帮助你解答问题、提供信息、辅助创作等,如果你有具体需求,随时告诉我哦~"
},
"finish_reason": "stop"
}
],
"usage": {
"prompt_tokens": 27,
"completion_tokens": 39,
"total_tokens": 66,
"prompt_tokens_details": {
"cached_tokens": 0
},
"completion_tokens_details": {
"reasoning_tokens": 0
}
}
}
请求参数:
- messages(对话消息)
- model(模型 ID)
- max_tokens(最大 tokens 数)
- n(候选回复数)
- logprobs(对数概率)
- tools(工具)
- logit_bias(Logit Bias)
- stream(流式输出)
- seed(种子)
- parallel_tool_calls(并行工具调用)
- frequency_penalty(频率惩罚)
- top_p(Top-P)
- tool_choice(工具选择)
- stop(停止)
- thinking(思考模式)
- temperature(温度)
- reasoning_effort(推理强度)
- top_logprobs(最高对数概率)
- response_format(响应格式)
- presence_penalty(存在惩罚)
重要提示:由于模型架构不同,部分参数可能仅适用于特定的模型。
messages(对话消息)
-
参数:
messages -
必选,object
对话消息列表,包含当前对话的完整上下文信息。每条消息都有特定的角色和内容,模型会根据这些消息生成回复。消息按时间顺序排列,支持三种角色:system(系统消息,用于设定 AI 的行为和角色)、user(用户消息,来自用户的输入)、assistant(助手消息,来自 AI 的回复)。普通对话模型主要支持纯文本内容。
messages 格式请参考代码示例。注意:不能只包含系统消息或助手消息。
model(模型 ID)
-
参数:
model -
必选,string
调用时使用的模型 ID。请使用模型详情页展示的模型 ID。
max_tokens(最大 tokens 数)
-
参数:
max_tokens -
可选,int,>= 1
max_tokens 可设定模型在响应中可以生成的 token 数量的上限。模型不会生成超过此限制的 token。其最大值等于上下文长度减去 prompt 长度。
n(候选回复数)
-
参数:
n -
可选,int,>= 1
-
默认:
1
为同一次请求生成的候选回复数量。
注意:n > 1 时按总 Token 量计费。
logprobs(对数概率)
-
参数:
logprobs -
可选,boolean
logprobs 设置是否返回输出 token 的对数概率。如果为 true,则返回每个输出 token 的对数概率。
tools(工具)
-
参数:
tools -
可选,array
工具调用参数,遵循 OpenAI 的工具调用请求格式。对于非 OpenAI 提供者,会相应地进行转换。
logit_bias(Logit Bias)
-
参数:
logit_bias -
可选,object
logit_bias 是一个可选参数,用于修改指定 token 在模型生成输出中出现的可能性。
stream(流式输出)
-
参数:
stream -
可选,boolean
-
取值范围:
true|false -
默认:
false
是否开启流式输出。设为 true 时,模型以 SSE 形式逐块返回生成内容;设为 false 时,等待完整响应后一次性返回。
seed(种子)
-
参数:
seed -
可选,int
如果指定了 seed 参数,推理将确定性地进行采样,即使用相同种子和参数的重复请求应该返回相同的结果。某些模型无法保证确定性。
parallel_tool_calls(并行工具调用)
-
参数:
parallel_tool_calls -
可选,boolean
-
默认:
true
是否在使用工具时启用并行函数调用。如果为 true,模型可以同时调用多个函数。如果为 false,函数将按顺序依次调用。
frequency_penalty(频率惩罚)
-
参数:
frequency_penalty -
可选,float,-2.0 至 2.0
-
默认:
0.0
frequency_penalty 可根据词条在输入中出现的频率来控制其重复使用。它会尝试减少那些在输入中出现频率较高的词条的使用频率,这与它们出现的频率成正比。词条惩罚会随着出现次数的增加而增加。负值将鼓励词条重复使用。
top_p(Top-P)
-
参数:
top_p -
可选,float,0.0 至 1.0
-
默认:
1.0
top_p 参数控制模型在生成文本时的候选词选择范围。具体来说,模型会生成一组候选 token,然后从累积概率达到或超过 p 的 token 中随机选择一个作为输出。通过这种方式,top_p 能够在保证生成内容的多样性的同时,考虑到概率分布的合理性。
由于 temperature 与 top_p 均可以控制生成文本的多样性,因此建议您只设置其中一个值。
tool_choice(工具选择)
-
参数:
tool_choice -
可选,string | object
-
默认:
auto
工具调用策略。
"none":禁止模型调用工具。"auto":自动判断是否调用(默认)。"required":强制模型必须调用一个或多个工具。{"type": "function", "function": {"name": "my_function"}}:指定特定工具会强制模型调用该工具。
stop(停止)
-
参数:
stop -
可选,array
如果模型遇到 stop 数组中指定的任意 token,则立即停止生成。
thinking(思考模式)
-
参数:
thinking -
可选,object
-
默认:
{"type": "enabled"}
用于控制模型的思考模式。以 object 形式传入,通过 type 字段指定模型在回答前是否进行内部推理,以及具体推理策略。
示例
"thinking": {
"type": "enabled"
}
thinking.type(思考类型)
-
参数:
thinking.type -
必选,string
-
取值范围:
enabled|disabled -
默认:
enabled
指定 thinking 对象的 type 字段,控制思考策略。
enabled:开启思考模式,模型强制先思考再回答。disabled:关闭思考模式,模型直接回答问题,不进行思考。
hy3 系列模型默认为 disabled。
temperature(温度)
-
参数:
temperature -
可选,float,0.0 到 2.0
-
默认:
1.0
此设置影响模型回复的多样性。较低的值会使回复更可预测、更常见;较高的值会鼓励更具多样性且较不常见的回复。当设置为 0 时,模型对相同输入将尽可能的给出相同的回复。
reasoning_effort(推理强度)
-
参数:
reasoning_effort -
可选,string
-
取值范围:
low|medium|high
控制模型的推理强度。
推理深度控制,仅对思考类模型生效。
top_logprobs(最高对数概率)
-
参数:
top_logprobs -
可选,int,0 至 20
top_logprobs 是一个介于 0 和 20 之间的整数,指定在每个 token 位置要返回的最可能 token 的数量,每个 token 都会带有相应的对数概率。如果使用此参数,则必须将 logprobs 设置为 true。
response_format(响应格式)
-
参数:
response_format -
可选,object
指定响应输出格式。
{"type": "text"}:默认文本输出。{"type": "json_object"}:JSON 模式,强制输出合法 JSON。{"type": "json_schema", "json_schema": {...}}:结构化输出,按指定 Schema 约束。
presence_penalty(存在惩罚)
-
参数:
presence_penalty -
可选,float,-2.0 至 2.0
-
默认:
0.0
presence_penalty 调整模型重复输入中已使用的特定标记的频率。值越高,重复的可能性就越小,负值则相反。标记惩罚不会随着出现次数而变化。负值会鼓励标记重用。
以上文档为标准版 API 接口文档,可直接用于项目开发和系统调用。如果标准版 API 接口无法满足您的需求,需要定制开发 API 接口,请联系我们的 IT 技术支持工程师:
(沟通需求✅ → 确认技术方案✅ → 沟通费用与工期✅ → 开发&测试✅ → 验收交付✅ → 维护升级✅)
![]()