Hy3:价格、上下文窗口与积分消耗

快速解答

Hy3处理一次标准回答(输入1000个token、输出500个token)的成本为$0.0004。官方标价为每百万输入token $0.132,每百万输出token $0.528。其上下文窗口为262K token,低于目录中位数。在Whizi中,Powerhouse及以上套餐每条消息消耗1积分。

简短回答

Hy3是腾讯推出的模型,定价为每百万输入token $0.132、每百万输出token $0.528,上下文窗口为262K token。一次标准回答(输入1000个token、输出500个token)的成本为$0.0004。在Whizi中,它每条消息消耗1积分,需要Powerhouse及以上套餐。

这使它成为目录中较便宜的模型之一:在89个有定价的模型中,75个每次回答的成本更高,13个更低。

Hy3的价格

官方标价是服务商按token收取的费用。而一次标准回答的成本是更有用的数字,因为它以相同的工作量为基准,对所有模型进行统一比价,不受各家计费方式差异的影响。

输入,每百万token$0.132
输出,每百万token$0.528
一次标准回答$0.0004
一千次回答$0.3960
上下文窗口262K token
Whizi中每条消息消耗积分1
最低所需Whizi套餐Powerhouse
按成本排名(共89个有定价模型)14

价格为OpenRouter收录的腾讯官方公开费率,最后更新于2026-08-20。涵盖29家服务商共100个模型的完整数据集详见AI模型成本指数,署名后可免费转载使用。

在Whizi中的花费

Whizi按积分而非token计量消息,Hy3每条消息消耗1积分。这个成本不会随消息或回答的长度变化,因此一句话的提问和一篇长文档分析的花费是一样的。

套餐每月价格每月积分可用于此模型的消息数
Powerhouse$49.99,按年计费为$34.998,0008,000

Hy3属于Powerhouse目录。任何未在Starter或Pro套餐中明确列出的模型都归入Powerhouse,这是前沿模型与专业模型有意设置的默认归属。详见套餐与额度限制

价格对比

与指数中最便宜的模型Ling-3.0-flash(每次回答$0.000053)相比,Hy3的价格贵7.5倍。与中位数模型Kimi K2 0711($0.0017)相比,Hy3的价格便宜4.3倍。

它是该定价指数中唯一的腾讯模型,因此没有同厂商模型可供比较。

它是该定价指数中最便宜的腾讯模型,因此在该厂商内部没有更便宜的模型可供切换。

上下文窗口的实际表现

Hy3支持262K token的上下文,大约相当于390页文本,低于有定价目录中的中位数。

宣传的上下文长度和实际可用的上下文并不是一回事。模型的记忆能力往往在达到标称上限之前就开始下降,尤其是对长输入中间部分的内容,因此更实际的检验方法是上传一篇长文档,询问其中间部分埋藏的某个细节,而不是直接相信这个数字。

当你处理自己的文件时,这个数字最为重要。如果文档长度超出所选模型的上限,在同一对话中切换到上下文更大的模型可以延续之前的内容,不需要重新开始。详见对话中途切换模型

操作清单
  • 每百万输入token $0.132,输出token $0.528
  • 一次标准回答$0.0004,一千次为$0.3960
  • 262K token上下文窗口
  • 在Whizi中每条消息消耗1积分
  • 需要Powerhouse及以上套餐
  • 按每次回答成本计算,在89个有定价模型中排名第14

常见问题

Hy3的价格是多少?

官方标价为每百万输入token $0.132、每百万输出token $0.528,折算为一次标准回答(输入1000个token、输出500个token)成本$0.0004,一千次则为$0.3960。在Whizi中,它按月度额度计算,每条消息消耗1积分,而不是按token计量。

哪个Whizi套餐包含Hy3?

Powerhouse及以上套餐,价格为每月$49.99,或按年计费$34.99。以每条消息1积分计算,如果把8,000积分的Powerhouse额度全部用在这个模型上,可以发送8,000条消息;大多数人会搭配另一个1积分的模型处理日常工作,让额度用得更久。

Hy3的上下文窗口是多少?

262K token,大约相当于390页文本,低于有定价目录中的中位数。应把这个数字当作上限而非实际可用值:模型的记忆能力通常在达到标称上限之前就会下降,尤其是对长输入中间部分的内容。

与其他模型相比,Hy3贵吗?

按每次回答成本计算,它在89个有定价模型中排名第14,其中75个更贵,13个更便宜。整个目录中最便宜与最贵模型的价差约为2000倍,比大多数人想象的要大得多,因此“贵”与否只有相对于你原本会用的具体替代模型才有意义。