Hy 4 API

Tekniske specifikationer for Tencent Hy4 Preview

Arkitekturtallene ovenfor beskriver backbone; Tencent's modelkort beskriver et yderligere indbygget MTP-lag til spekulativ dekodning. API'ens 1M kontekstvindue er ikke det samme som dens 960K maksimale inputgrænse.

Hvad er Tencent Hy4 Preview?

Tencent Hy4 Preview er en stor sprogmodel med åbne vægte udviklet af Tencent's Hunyuan-team. Udgivet den August 28, 2026, er den en tidlig version af Hy4-generationen og optimeret til produktivitetsarbejde i den virkelige verden: software engineering, agentbaseret opgaveudførelse, kontor- og finansanalyse, spiludvikling samt videnskabelig forskning.

Hy4 Preview bruger en Mixture-of-Experts-arkitektur med 770 milliarder samlede backbone-parametre og 49 milliarder aktiverede parametre per token. Dens attention-stack bruger Gated DeepSeek Sparse Attention (Gated DSA) med IndexCache til genbrug af sparsomme indekser på tværs af lag. Modellen bruger også identity Hyper-Connections (iHC) i sin residuelle sti. Et indbygget multi-token-prediction (MTP)-lag er inkluderet til spekulativ dekodning.

Tencent har udgivet modelvægte, en FP8-kvantiseret variant og udrulningsvejledning til vLLM og SGLang. Modelkortet angiver Apache 2.0-licensen.

Hovedfunktioner i Tencent Hy4 Preview

• Million-token-kontekst: Kontekstvinduet på 1,048,576 tokens er beregnet til store kodebaser, langvarigt teknisk materiale og information fordelt på flere dokumenter. Tencent Cloud angiver et maksimalt input på 960,000 tokens og et maksimalt output på 64,000 tokens.
• Langsigtet software engineering: Tencent fremhæver kodeforståelse, planlægning, fejlfinding og verifikation på tværs af udvidede udviklingsopgaver, inklusive front-end-implementering og iteration.
• Agentbaseret opgaveudførelse: Modellen er positioneret til komplekse opgaver, der involverer planlægning og værktøjsbrug. De publicerede serveringsopskrifter inkluderer parsning af værktøjskald og automatisk konfiguration af værktøjsvalg.
• Kontor- og analytiske arbejdsgange: Tencent beskriver oprettelse af dokumenter, regneark og præsentationer, dataanalyse, ligninger og arbejde med finansielle modeller.
• Videnskabelig og teknisk ræsonnering: Tencent rapporterer arbejde på tværs af AI-forskning og -udvikling, molekylær dynamik, kondenseret stofs fysik og fundamental matematik.
• Åbne udrulningsmuligheder: Udviklere kan bruge de Apache-2.0-licenserede vægte, FP8-varianten og Tencent's vLLM- eller SGLang-udrulningsopskrifter.

Benchmark-ydeevne for Tencent Hy4 Preview

Tencent rapporterer en blind intern evaluering, hvor 163 interne eksperter vurderede output på 203 ingeniøropgaver. Hy4 Preview modtog en gennemsnitlig score på 2.99/4.00, sammenlignet med 2.92/4.00 for GLM 5.3 og 2.94/4.00 for Kimi K3.

Dette er resultater fra Tencent's interne, menneskeligt bedømte ingeniørevaluering, ikke en standardiseret offentlig benchmark-liste. De bør ikke behandles som bevis for, at Hy4 Preview fører på alle kode-, ræsonnerings- eller generelle benchmarktests. Den tilgængelige tekst i modelkortet giver ikke en fuldstændig maskinlæsbar tabel over standardiserede benchmark-scorer, så der udledes ingen her.

Hvordan Hy4 Preview sammenlignes med GLM 5.3 og Kimi K3

Den mest direkte sammenlignelige publicerede dokumentation er Tencent's 203-opgave ingeniørevaluering. Hy4 Preview scorede 2.99/4.00, lidt over GLM 5.3 på 2.92 og Kimi K3 på 2.94. Sammenligningen er nyttig for at forstå Tencent's interne resultater for ingeniørarbejdsflows, men det er ikke en uafhængig evaluering og fastslår ikke overlegenhed på ikke-relaterede arbejdsbelastninger.

Vælg Hy4 Preview, når open-weight-udrulning, et kontekstvindue på en million tokens og produktivitetsorienterede agentarbejdsflows er centrale krav. Sammenlign GLM 5.3 og Kimi K3 på dine egne repræsentative opgaver, før du vælger en produktionsmodel; deres arkitektur- og kontekstspecifikationer gengives ikke her, fordi de ikke blev verificeret fra tilsvarende primære kilder til denne sammenligning.

Kendte begrænsninger

Tencent beskriver Hy4 Preview som en tidlig iteration med plads til forbedring i både prætræning og eftertræning. Dets publicerede kendte problemer inkluderer at bruge længere tid end nødvendigt på at ræsonnere gennem komplekse opgaver og en tendens til at oververificere eget arbejde. Disse adfærd kan øge latens og outputlængde. Teams bør teste opgavesucces, latens, korrekthed af værktøjskald og samlet tokenforbrug mod egne acceptkriterier før produktionsudrulning.

Repræsentative anvendelsesområder

1. Software engineering i repository-skala: Analysér kildefiler og issue-historik, planlæg ændringer på tværs af flere filer, fejlret og verificér patches.
2. Agentbaserede udviklingsarbejdsgange: Koordinér flertrins kodningsopgaver og værktøjsassisteret udførelse med autorisering og validering på applikationssiden.
3. Forretningsanalyse: Konsolider information på tværs af dokumenter og opbyg rapporter, regneark og præsentationer.
4. Finansiel modellering: Hjælp med ligninger, dataanalyse og arbejdsgange for finansielle modeller med uafhængig validering af beregninger.
5. Spilprototyping: Generér og forfin iterativt spilbare prototyper med en game-engine-arbejdsgang.
6. Videnskabelig forskningsassistance: Udforsk teknisk litteratur, formulér analyser og understøt arbejde inden for områder, som Tencent identificerer, såsom molekylær dynamik og fundamental matematik.