Hy3 vs Kimi K2.7 Code
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Hy3 de Tencent et Kimi K2.7 Code de Moonshot AI sont deux modèles d’IA de premier plan. Hy3 propose une fenêtre de contexte de 262.1K tokens au tarif de $0.00/$0.00 par million de tokens, tandis que Kimi K2.7 Code offre 262.1K tokens de contexte à $0.00/$0.00 par million de tokens. Découvrez ci-dessous le comparatif détaillé des performances et des coûts.
Changez et Comparez les Modèles
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Hy3
Raisonnement à Poids OuvertsHy3 de Tencent est un modèle d’IA conçu pour le raisonnement par chaîne de pensée à poids ouverts et haute efficacité, offrant une fenêtre de contexte de 262K, une vitesse de 85 tokens/s, un indice d’intelligence de 81/100 et un tarif de ac
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Kimi K2.7 Code
Spécialiste Code à Poids OuvertsKimi K2.7 Code de Moonshot AI est un modèle d’IA conçu pour le développement logiciel et la génération de code avec poids ouverts auto-hébergeables, offrant une fenêtre de contexte de 262K, une vitesse de 75 tokens/s, un indice d’intelligen
$0.00 / 1M
$0.00 / 1M
262.1K tokens
62%
Différences Clés en un Coup d’Œil
- Both models cost the same under this workload — choose on capability, not price.
- Hy3 is faster at 85 tok/s vs 75 tok/s.
| Caractéristique | Hy3 | Kimi K2.7 Code |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 81 | 89 |
Provider | Tencent | Moonshot AI |
Input Price Cost per million input tokens | $0.00 / 1M | $0.00 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.00 / 1M |
Context Window Maximum input + output tokens | 262.1K tokens~393 A4 pages of text | 262.1K tokens~393 A4 pages of text |
Max Output Tokens Per single request | 16K | 32K |
Throughput Speed Tokens generated per second | 85 tok/s | 75 tok/s |
SWE-bench Verified Real-world software engineering | N/A | 62% |
GPQA Diamond Graduate-level reasoning | 64% | 73% |
Qui gagne où ?
At-a-glance decision frameworkEvaluations ongoing
Scores de Benchmarks Vérifiés
Official evaluation metrics verified by independent third-party research labs.
Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Contamination-free competitive programming problems collected continuously over time.
Tokens emitted per second during active generation streaming.
Latence et Temps de Réponse
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulateur Interactif de Coût de Tokens
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Hy3 · Strengths & Key Advantages
- Fenêtre de contexte de 262K et capacité de sortie maximale de 16K tokens (GPQA Diamond 64% · MMLU-Pro 79%)
- Débit rapide de 85 tokens/seconde avec une latence au premier token (TTFT) de 460 ms
- Poids ouverts (Confidential / 140B MoE) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Kimi K2.7 Code · Strengths & Key Advantages
- Fenêtre de contexte de 262K et capacité de sortie maximale de 32K tokens (SWE-bench Verified 62% · GPQA Diamond 73%)
- Débit rapide de 75 tokens/seconde avec une latence au premier token (TTFT) de 480 ms
- Poids ouverts (1.5T total (40B MoE)) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Hy3 | Kimi K2.7 Code |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 18K | 26K |
Reasoning Tokens / Task Thinking tokens burned per task | 5K | 5K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | Hy3 | Kimi K2.7 Code |
|---|---|---|
| Official API Model ID (SDK) | hy3 | kimi-k2-7-code |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2026-07 | 2026-06 |
| Knowledge Cutoff | April 2026 | April 2026 |
| Architecture | Efficient Open Reasoning MoE Transformer | Code-Optimized Sparse Mixture-of-Experts Transformer |
| Parameters | Confidential / 140B MoE | 1.5T total (40B active MoE) |
| Enterprise Rate Limits (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud |
| Long-Context Tier (>128K/200K) | Free across full context window (only KV-cache VRAM scales) | Free across full context window (only KV-cache VRAM scales) |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Automatic prefix KV-caching in vLLM / SGLang (0 cost) |
| Computer Use / GUI Agent | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) | Supported (Screen coordinate grounding, browser & desktop GUI action loops) |
| MCP & Parallel Tool Calling | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema |
| Web Search Grounding & Sandbox | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools |
| Official Fine-Tuning Support | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) |
| Multimodal Token Billing | Text BPE (~4 chars/token) | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 87 GB VRAM (4-bit Quantized) · 301 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 930 GB VRAM (4-bit Quantized) · 3225 GB VRAM (Native BF16) |
| Safety & Frontier Classification | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) |
| Enterprise Compliance (ZDR/HIPAA/SOC2) | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control |
| Input Modalities | text | text, vision |
| Output Modalities | text | text |
Hy3 vs Kimi K2.7 Code: Réponses Rapides (FAQ)
Which is more intelligent, Hy3 or Kimi K2.7 Code?
Kimi K2.7 Code is more intelligent. It scores 89 compared with 81 on the composite Intelligence Index.
Which model is faster?
Hy3 is faster, generating 85 tokens per second compared with 75 tokens per second.
Which model has lower latency?
Hy3 has lower latency, with a time to first token of 0.46s compared with 0.48s.
Verdict
Hy3 (Conçu pour le raisonnement par chaîne de pensée à poids ouverts et haute efficacité, l’intégration RAG et les pipelines de production évolutifs.) et Kimi K2.7 Code (Conçu pour le développement logiciel et la génération de code avec poids ouverts auto-hébergeables, l’intégration RAG et les pipelines de production évolutifs.) répondent à des besoins complémentaires : Kimi K2.7 Code domine sur les benchmarks de raisonnement et de programmation, Hy3 assure un débit supérieur et Hy3 offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, Hy3 ou Kimi K2.7 Code ?+
Sur l’indice d’intelligence composite et les tests de code, Kimi K2.7 Code prend l’avantage. Consultez les scores SWE-bench et GPQA ci-dessus pour plus de détails.
Quelle est la différence de prix API entre Hy3 et Kimi K2.7 Code ?+
Hy3 est facturé $0.00 / $0.00 par million de tokens (entrée/sortie) contre $0.00 / $0.00 pour Kimi K2.7 Code. En coût pondéré, Hy3 est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
Hy3 prend en charge 262.1K tokens contre 262.1K tokens pour Kimi K2.7 Code. Côté vitesse de génération, Hy3 est le plus rapide.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- Hy3 vs Hy3 preview : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- MiniMax-M3 vs Kimi K2.7 Code : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Aion-Mini : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Gemini 3.6 Flash : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-Mini vs Laguna XS 2.1 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aya Expanse 32B vs Llama 3.2 90B Vision : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: Documentation API officielle de Tencent et Moonshot AI, fiches système et benchmarks indépendants (2026).