Tencent AI, hat es die Wende geschafft?

In der vergangenen Woche, in der zahlreiche große KI-Modelle nacheinander vorgestellt wurden, legte Yao Shuyu, ehemaliger OpenAI-Forscher, sein erstes offizielles Arbeitsergebnis nach seinem Wechsel zu Tencent vor.

Am 6. Juli veröffentlichte Tencent die offizielle Version des Hunyuan Hy3-Modells. Ohne groß angelegte Pressekonferenz oder umfangreiche Marketingkampagnen trat dieses Flaggschiff-Modell auf eine zurückhaltende Weise in den Markt ein, die nicht den üblichen Praktiken großer Technologieunternehmen entspricht.

Auf Seiten der Entwickler sorgte es dennoch für beträchtliche Aufmerksamkeit.

Drei Tage nach der Veröffentlichung stieg das während der begrenzten kostenlosen Phase verfügbare Hy3 auf den achten Platz der beliebtesten Modelle auf OpenRouter, der globalen Plattform für API-Aufrufe großer KI-Modelle. Nach der Integration in WorkBuddy, das intelligente Büroagenten-System von Tencent, schnellte die Anzahl der Aufrufe stark an – die Warteschlangenrate überschritt zeitweise 50 %, sodass das Projektteam dringend Kapazitäten erweitern musste. Auch der Kapitalmarkt reagierte: Am Veröffentlichungstag stieg der Aktienkurs von Tencent um 4,82 %.

Das war mehr oder weniger unerwartet.

In den vergangenen zwei Jahren haben Alibaba und ByteDance kontinuierlich in Modelle, Anwendungen und Recheninfrastruktur investiert, während KI-Unternehmen wie Zhipu und DeepSeek mit ihren beliebten Modellen große Aufmerksamkeit erlangten. Nur Tencent wurde oft aus der ersten Reihe der inländischen großen KI-Modell-Anbieter ausgeschlossen.

Tencent verfügt über WeChat, QQ und eine umfassende industrielle Ökosystem, hat aber bisher kein Basismodell vorgelegt, das die Brancheneinschätzung grundlegend verändern könnte. Die Öffentlichkeit begann sogar zu zweifeln, ob Tencent nur auf einen günstigeren Einstiegszeitpunkt wartet oder bereits in diesem technologischen Wettbewerb ins Hintertreffen geraten ist.

Heute zeigt sich: Tencent hat sich nicht zurückgelehnt.

Nach der Einstellung von Yao Shuyu und der Umstrukturierung des Hunyuan-Forschungssystems wurde kürzlich bekannt, dass Tencent auch seinen ehemaligen Kollegen Tian Yonglong eingestellt hat. Über das Modell hinaus beteiligte sich Tencent an der Finanzierungsrunde von Keling mit einem Volumen von bis zu 3 Milliarden US-Dollar und es gibt Gerüchte über Verhandlungen, um größter Aktionär des KI-Agenten-Unternehmens Manus zu werden. Von Talenten über Modelle bis hin zur Infrastruktur erhöht dieser Internetriese, der sich in den vergangenen zwei Jahren eher zurückhaltend verhielt, nun wieder seine Investitionen in die KI-Technologie.

Hy3 reicht nicht aus, um zu beweisen, dass Tencent alle Konkurrenten eingeholt hat – es ist eher ein Zeichen für eine Zwischenetappe. Tencent hat eine neue Forschungsmethodik aufgebaut, die Modelle, Produkte und Ingenieurssysteme miteinander verbindet, und sich damit erneut die Chance erarbeitet, in die Liste der bevorzugten Optionen für Entwickler aufgenommen zu werden.

Aber das ist nur der erste Schritt.

Für Tencent besteht die eigentliche Herausforderung nicht mehr nur darin, ein noch leistungsstärkeres Modell zu entwickeln, sondern ob diese Fähigkeit kontinuierlich weiterentwickelt werden kann – und ob sie sich schließlich in WeChat zu einem echten, von Nutzern genutzten Agenten verwandelt, der Aufgaben erledigen und Transaktionen durchführen kann.

01. Hy3 ist nicht das Stärkste, aber es bringt Tencent zurück ins Spiel

Betrachtet man nur Parameter und öffentliche Ranglisten, ist Hy3 kein auf den ersten Blick erkennbares „stärkstes Modell“.

In dieser aktuellen Aktualisierungsrunde inländischer Modelle konkurrieren DeepSeek V4 Pro, Zhipus GLM-5.2 und MiniMax M3 um die oberste Leistungsgrenze: Einige bringen die Gesamtparameterzahl auf Billionenebene, andere erweitern den Kontext auf 1 Million Token, wieder andere überzeugen bei Code- und langfristigen Agentenaufgaben. Im Vergleich dazu hat Hy3 eine Gesamtparameterzahl von 295 Milliarden und unterstützt einen 256K-Kontext – es versucht nicht, jeden einzelnen Indikator zu übertreffen.

Um seine tatsächliche Position einzuschätzen, müssen zwei Dinge betrachtet werden.

Erstens: Die Leistungsgrenzen bei spezifischen Aufgaben.

Auf SWE-bench Verified, das die Fähigkeiten im Software-Engineering misst, erreicht Hy3 78 Punkte – liegt damit hinter geschlossenen Modellen wie Claude Fable 5, aber auch hinter GLM-5.2 und DeepSeek V4 Pro. Auf dem anspruchsvolleren SWE-bench Pro übertrifft Hy3 jedoch mit 57,9 Punkten DeepSeek V4 Pro. Auf WildClawBench, das näher an realen Ausführungsumgebungen ist, liegt es vor GLM-5.1 und DeepSeek V4 Pro und gehört damit zu den Spitzenmodellen unter den offenen Modellen.

Ein von Tencent durchgeführter Blindtest mit 270 Fachkräften zeigte, dass die Gesamtleistung von Hy3 über der von GLM-5.1 liegt, mit Vorteilen insbesondere bei Frontendentwicklung, Datenspeicherung und kontinuierlicher Integration.

Zhao Jiangjie, ein erfahrener Agenten-Experte, erklärte gegenüber „Dingjiao One“, dass Hy3 derzeit „am oberen Ende der zweiten Reihe bei der Gesamtleistung und an der Spitze der offenen, kostengünstigen Modelle“ angesiedelt ist. Es verfügt über starke Wettbewerbsvorteile bei Frontendentwicklung, regulärem Code, Such- und Browsing-Funktionen sowie Tool-Aufrufen, hat aber noch keine umfassende Führung bei hochschwierigen Aufgaben. In der Praxis können häufige, mittel- bis niedrigschwierige Aufgaben mit überprüfbaren Ergebnissen bereits vollständig von Hy3 erledigt werden; mittelkomplexe Aufgaben können von ihm ausgeführt und anschließend überprüft werden. Kernarchitekturdesign und sensible Vorgänge sind nach wie vor nicht für eine unbeaufsichtigte Ausführung geeignet.

Wenn „Einholen“ bedeutet, das leistungsstärkste inländische Modell zu werden, hat Hy3 das noch nicht erreicht. Aber wenn es bedeutet, wieder in das Blickfeld der Entwickler zu gelangen, hat Tencent sich erneut eine Eintrittskarte gesichert.

Zweitens: Die Betonung auf ingenieurstechnischer Umsetzung und Kostenkontrolle.

Hy3 nutzt eine MoE-Architektur mit 295 Milliarden Gesamtparametern, wobei bei jeder Inferenz nur etwa 21 Milliarden Parameter aktiviert werden. Statt die Spitzenleistung ständig zu maximieren, sucht es nach einem Gleichgewicht zwischen Modellkapazität, Ausführungsgeschwindigkeit und Rechenkosten.

Für Unternehmen sind die Kosten eines Modells nicht nur der Preis pro Token. Ein Agent muss für die Erledigung einer Aufgabe oft mehrere Inferenzschritte durchführen, nacheinander Tools aufrufen, Dateien lesen und bearbeiten sowie Zwischenergebnisse wiederholt überprüfen. Wenn die Nutzung auf Tausende von Mitarbeitern skaliert, werden kleine Kostenunterschiede bei jedem Aufruf schnell durch die Anzahl gleichzeitiger Nutzer und die Aufgabenkette vervielfacht.

Weniger aktive Parameter bedeuten, dass Hy3 über eine architektonische Grundlage verfügt, um Inferenzkosten und Bereitstellungshürden zu senken. Weniger aktive Parameter bedeuten aber nicht automatisch niedrige tatsächliche Kosten.

Zhao Jiangjie weist darauf hin, dass die Effizienz eines Modells auch von Hardware, Quantisierungsmethode, Inferenzframework, Kontextlänge, Ausgabelänge, Umfang gleichzeitiger Nutzer und Erfolgsrate der Aufgaben abhängt. Tencent hat bisher gezeigt, dass Hy3 das Potenzial zur Kostensenkung hat – unter einheitlichen Bedingungen muss Hy3 aber noch beweisen, ob es eine niedrigere Latenz für den ersten Token, einen höheren Durchsatz und niedrigere Kosten pro erfolgreicher Aufgabe bieten kann.

Stabilität ist ebenfalls Teil der Kosten.

Unternehmen brauchen nicht unbedingt ein Modell, das gelegentlich herausragende Leistungen zeigt – sondern eines, das bei Dutzenden aufeinanderfolgenden Aufrufen wenige Fehler macht, keine Informationen verliert und nicht abbricht. Von Tencent veröffentlichte Daten zeigen, dass bei Ausführung von SWE-bench Verified unter verschiedenen Agenten-Frameworks die Genauigkeitsschwankung von Hy3 auf unter 4 % begrenzt ist; in internen Szenarien sind die Halluzinationsrate und die Fehlerrate bei mehrstufigen Dialogen deutlich gesunken.

Laut Zhao Jiangjie entspricht die tatsächliche Markteinschätzung von Hy3 eher „einem ingenieurstarken Modell mit ausgezeichnetem Preis-Leistungs-Verhältnis und deutlicher Ausrichtung auf Agenten, das aber bei komplexen kognitiven Aufgaben noch nicht ausgewogen genug ist“ – und nicht einem umfassend führenden allgemeinen Modell.

Nach der Veröffentlichung von Hy3 Preview stieg der tägliche Token-Verbrauch um das 20-fache, und die Zahl der Nutzer, die dieses Modell in WorkBuddy aktiv auswählten, wuchs um das 6-fache. Nach dem Launch der offiziellen Version erreichte der Rechenverbrauch von WorkBuddy schnell seine Obergrenze, die Warteschlangenrate überschritt zeitweise 50 %, sodass das gemeinsame Projektteam dringend Rechenkapazitäten zur Erweiterung bereitstellen musste. Gleichzeitig integrierte Tencent Hy3 in Produkte wie Yuanbao, CodeBuddy, ima und Marvis, um Dokumente zu erstellen, Tabellen zu generieren, Dateien zu bearbeiten, Computer zu verwalten und Workflows zu gestalten.

Seine Popularität beschränkte sich nicht auf das Tencent-Ökosystem. In der Rangliste der Nutzungshäufigkeit von Programmiermodellen auf OpenRouter im Juli erreichte Hy3 einen Platz unter den ersten vier und befindet sich damit in einer vergleichbaren Aufrufkategorie wie GLM-5.2, MiniMax M3 und die DeepSeek V4-Serie.

Diese Daten müssen dennoch vorsichtig interpretiert werden.

Derzeit ist Hy3 auf OpenRouter noch zeitlich begrenzt kostenlos, und der Anstieg der Aufrufe in WorkBuddy könnte durch Bonuspunkte, kostenlose Testphasen und interne Traffic-Lenkung beeinflusst sein. Die echte Prüfung steht erst nach Ende der kostenlosen Phase an.

Trotzdem hat Hy3 einen Schritt vollzogen, den Hunyuan bisher nicht geschafft hat: Externe Entwickler sind bereit, es aktiv auszuprobieren, und interne Tencent-Produkte beginnen, echte Aufgaben an es zu übergeben. Es hat nicht bewiesen, dass Tencent das stärkste Modell besitzt – aber es zeigt, dass Tencent wieder über ein „funktionsfähiges Modell“ verfügt.

02. Was Hunyuan wirklich ergänzt, ist die Methodik zur Modellentwicklung

Wenn es um die KI-Strategien großer inländischer Internetunternehmen geht, bewerteten viele Fachkräfte Tencent in der Vergangenheit direkt: Viele Szenarien, aber die großen KI-Modelle sind nicht stark genug.

Hunyuan wurde bereits 2023 vorgestellt. In den zwei darauffolgenden Jahren ergänzte Tencent kontinuierlich die Parametergröße, Multimodalität und Langkontext-Fähigkeiten und integrierte das Modell nach und nach in Konferenzen, Dokumente, Werbung, Spiele und Cloud-Dienste. Im Vergleich zu Alibaba, das über Open Source ein Entwicklerökosystem aufbaute, oder DeepSeek, das mit Inferenzleistung und niedrigen Kosten Erfolge erzielte, fehlte Hunyuan jedoch schon immer eine klare Positionierung.

Ma Huateng beschrieb Tencents Situation in der KI-Welle einst als „leckeres Schiff“: Man scheint zwar an Bord zu sein, hat aber noch keinen sicheren Halt gefunden. Auf Hunyuan bezogen liegt das eigentliche Problem nicht darin, dass Tencent keine Produkte, Szenarien oder Daten hat – sondern dass es diese Ressourcen nicht kontinuierlich in die Weiterentwicklung des Modells umwandeln konnte.

Das ursprüngliche Hunyuan folgte einem typischen „großen und umfassenden“ Ansatz: Zuerst wurde ein allgemeines Basismodell trainiert, das möglichst viele Aufgaben abdeckt, und anschließend in Tencent Cloud und interne Geschäftsprozesse integriert. Dieser Ansatz half Tencent, schnell aufzuholen – aber er führte auch dazu, dass Hunyuan in einen homogenen Wettbewerb geriet. Es verfügte über alle Fähigkeiten, aber Entwickler fanden kaum einen zwingenden Grund, es auszuwählen.

Die Integration von DeepSeek in Yuanbao war das erste deutliche Zeichen dafür, dass Tencent das Produkterlebnis vor die Zugehörigkeit zum eigenen Modell stellte.

Für Nutzer zählt, ob eine Aufgabe erledigt wird – nicht welches Modell im Hintergrund dafür genutzt wird. Externe Modelle helfen Tencent, schnell Produktlücken zu schließen und besser zu verstehen, was Nutzer wirklich brauchen. Das war eine Anpassung von Tencents Verständnis der Beziehung zwischen Modell und Produkt: Produkte müssen nicht mehr darauf warten, dass das selbst entwickelte Modell ausgereift ist, und Modelle erhalten nicht mehr automatisch Zugriff auf den internen Traffic.

Aber dieser Weg hat auch Grenzen.

Wenn Tencents Anwendungen langfristig auf Modellen anderer Anbieter basieren, kontrolliert es nur den Zugangspunkt – nicht die technische Versorgung im KI-Zeitalter. Wie sich Modellpreise entwickeln, wann Fähigkeiten aktualisiert werden, ob sensible Daten verarbeitet werden können und ob Produktfeedback in den Trainingskreislauf einfließt – all das hängt dann von externen Anbietern ab.

Eine Mehrmodellstrategie kann Zeit gewinnen, aber sie kann kein eigenes, kontrollierbares und kontinuierlich weiterentwickelbares Basismodell ersetzen.

Die echte Veränderung trat ein, nachdem Yao Shuyu zu Tencent kam und das Forschungssystem für Hunyuan umstrukturiert wurde.

Im September 2025 wechselte Yao Shuyu von OpenAI zu Tencent; im Dezember desselben Jahres ernannte ihn Tencent offiziell zum Chef-KI-Wissenschaftler, der sowohl für große Sprachmodelle als auch für die KI-Infrastruktur verantwortlich ist. Seine Einstellung war ein wegweisendes Ereignis für die Umorganisation des Hunyuan-Forschungssystems. Seitdem werden Modelle, Rechenleistung, Daten und Bewertungen in einen stärker zentralisierten Entscheidungsablauf eingebunden.

Tencent beeilte sich nicht, ein Modell mit noch größeren Parametern zu trainieren – sondern überarbeitete zuerst die grundlegende Ingenieurarbeit der Modellentwicklung: Es baute die Systeme für Vortraining und Verstärkendes Lernen neu auf, erweiterte und säuberte die Daten und passte die Nachverarbeitungsabläufe an. Öffentliche Ranglisten sind nicht mehr der einzige Maßstab; echtes Produktfeedback, menschliche Blindtests und interne Aufgaben fließen nun in das Bewertungssystem ein.

Hy3 gehört zu den ersten Ergebnissen dieser neuen Methodik.

Es konzentriert sich auf Inferenz, Code, Tool-Aufrufe und langfristige Agentenaufgaben. Die Reihenfolge der Entwicklung wurde umgekehrt: Zuerst wurde festgelegt, welche Anforderungen Büroarbeit, Programmierung und Wissensmanagement an ein Modell stellen – erst dann wurden Architektur, Daten und Trainingsmethoden darauf abgestimmt.

Produkte sind nicht mehr nur Vertriebskanäle nach Abschluss des Modells, sondern Teil des Trainingssystems. Wie Yao Shuyu auf der Tencent Cloud KI-Industriean