Mit CometAPI entwickelnEine API für mehrere Modelle erforderlich?Teste den Workflow im Playground und erstelle anschließend einen API-Schlüssel, sobald Modell und Kosten zu deinem Anwendungsfall passen.
Verwenden Sie Hy4 Flash über die CometAPI mit Python-Beispielen für Text, Streaming, Bilder, JSON-Extraktion und Tool-Aufrufe sowie Fehlerbehandlung und Abrechnungstipps.
Tencents Hy4 flash (veröffentlicht am 16. November 2026) ist das kosteneffizienteste Modell der Hy- (Hunyuan-)Familie. Es umfasst insgesamt 224 Milliarden Parameter (inklusive 64B Engram), aktiviert jedoch pro Token nur 12B, bietet native Multimodalität (Text + Bild) und ein vollständiges Kontextfenster von 1 Million Tokens und kostet etwa $0.070 Eingabe / $0.281 Ausgabe / $0.003 Cache pro 1 Mio. Tokens. Auf Tencents internem WorkIndex für alltägliche Büroaufgaben erzielt es ungefähr 1/13 der Kosten von Hy4 Preview und 1/20 der Kosten des vollständigen Hy4 bei gleicher oder leicht besserer Qualität als Preview und nähert sich in Blindtests der Nutzerzufriedenheit von Claude Haiku 5.5.
Für großvolumige Produktivitätsarbeit ist es eines der derzeit attraktivsten Preis-Leistungs-Angebote. CometAPI bietet den einfachsten, OpenAI-kompatiblen Weg, Hy4 flash zusammen mit Claude, GPT und anderen Modellen mit einem einzigen Schlüssel aufzurufen.
Key Takeaways
Release date: 16. November 2026 (API + Produkte); offene Gewichte folgten kurz darauf.
Weiterlernen
Diesen Artikel mit der nächsten Entscheidung verknüpfen.
Auf Klarheit, Quellenangabe und aktuelle API-Terminologie geprüft.
Architecture: 224B gesamt (64B Engram) / 12B aktiv, Hybrid-Attention + LatentMoE, ausgelegt auf extreme Effizienz und langen Kontext.
Pricing (list): $0.070 / $0.281 / $0.003 (Eingabe / Ausgabe / Cache) pro 1 Mio. Tokens — etwa 1/10–1/12 von Full Hy4.
Performance focus: Alltägliche Büro-Agenten (Folien, Dokumente, Tabellen, Suche, visuelles Verständnis, leichte Computerbedienung). Starkes Kosten-pro-Aufgabe-Verhältnis und Geschwindigkeit; Full Hy4 bleibt besser für langfristige Softwareentwicklung.
Availability: Tencent Cloud TokenHub (hy4-flash), WorkBuddy (kostenlos bis 30. Nov.), Yuanbao, WeCom, QQ, ima, Marvis, OpenRouter; offene Gewichte auf Hugging Face / ModelScope / GitCode.
Best use cases: Hochvolumige Produktivitätsautomatisierung, bei der Kosten und Latenz wichtiger sind als absolute Spitzenintelligenz.
Recommendation: Leiten Sie Routinearbeiten an Hy4 flash und komplexe Coding-/Agent-Aufgaben an Hy4 oder Claude-Modelle der Opus-Klasse über ein einheitliches Gateway wie CometAPI.
What Exactly Is Hy4 Flash?
Hy4 flash ist das auf Effizienz fokussierte Mitglied der Hy4-Generation von Tencent. Während Full Hy4 (früher im November 2026 veröffentlicht) auf maximale Leistungsfähigkeit abzielt, ist Hy4 flash bewusst für das bestmögliche Qualitäts-pro-Dollar-Verhältnis bei den repetitiven, multimodalen, langkontextigen Workloads konstruiert, die reale Büro- und Agent-Pipelines dominieren.
Das Design übernimmt und verfeinert Techniken, die in früheren Hy-Modellen erstmals vorgestellt wurden: hybride Sparse-/Sliding-Window-Attention, LatentMoE-Experten, die in einem komprimierten latenten Raum arbeiten, und eine große Engram-Lookup-Tabelle, die dichte Berechnungen durch Speicherabruf ersetzt. Das Ergebnis ist ein deutlich kleinerer KV-Cache (gemeldet als 1/6 von Hy4 und 1/24 von Hy3) und deutlich geringere Serving-Kosten im großen Maßstab.
How Hy4 flash work
Tencent hat Hy4 flash um drei Säulen optimiert:
Sparse efficiency : Pro Token feuern nur 12B Parameter. Das Modell nutzt 512 geroutete Experten (16 aktiv) plus Shared Experts in den meisten Schichten, kombiniert mit hybrider Attention, die spärliche Auswahl (bis zu ~2k Tokens) mit kurzen Sliding Windows verschränkt.
Engram memory : Eine 64B-Parameter n-gram (Bi-/Trigramm) Tabelle, die per Hash abgerufen wird. Dieser externe Wissensspeicher reduziert die Notwendigkeit, dass das dichte Netz häufige Muster auswendig lernt, und senkt so sowohl Trainings- als auch Inferenzkosten.
Serving stack : Megakernels, 4-Bit-Quantisierung und ein kleiner DFly2 spekulativer Drafter ermöglichen die >150 Tok/s-Angabe und halten die Latenz auch bei hoher Parallelität niedrig.
Diese Entscheidungen machen Hy4 flash besonders geeignet für lange Dokumente, Multi-Turn-Agent-Loops mit intensivem Prompt-Caching und multimodale Büroaufgaben, bei denen das Modell wiederholt Bilder, Diagramme oder große Dateien lesen muss.
Pricing and Cost-Per-Task Reality
Offizielle Listenpreise auf Tencent Cloud TokenHub (entspricht USD):
Token type
Hy4 flash
Full Hy4
Approximate ratio
Cached input
$0.003
$0.042
~1/14
Input
$0.070
$0.834
~1/12
Output
$0.281
$2.501
~1/9
Bis zum 30. November 2026 bietet TokenHub 50% Rabatt auf Listenpreise, und der Zugang zu WorkBuddy ist kostenlos.
Wichtiger als der Listenpreis sind die Kosten pro abgeschlossener Aufgabe. Auf Tencents internem WorkIndex (PowerPoint-Erstellung/-Bearbeitung, Dokumentenbearbeitung, Tabellenreparatur, Audio-/Videobearbeitung, visuelles Verständnis usw.):
Evaluation
Reported result
Decoding speed
Über 150 Tokens/Sekunde
Overall performance
Laut Tencent leicht besser als Hy4 Preview
WorkIndex task cost vs Hy4 Preview
Ungefähr 1/13
WorkIndex task cost vs Hy4
Ungefähr 1/20
WorkIndex task cost vs DeepSeek-V4.1-Flash-1017
Ungefähr 1/8
Output length reduction
Ungefähr 50% durch Reinforcement Learning
How to interpret these results
Die WorkIndex-Evaluation ist ein internes Tencent-Benchmark, das auf typischen WorkBuddy-Produktivitätsaufgaben basiert. Es berücksichtigt Ausgabequalität, Ausgabelänge und die End-to-End-Abschlusszeit.
Die gemeldeten Kostenverhältnisse sind besonders wichtig:
Im Vergleich zu Hy4 Preview reduziert Hy4 Flash die Aufgabenkosten Berichten zufolge um etwa 92,3%.
Im Vergleich zu Hy4 reduziert es die Aufgabenkosten Berichten zufolge um etwa 95%.
Im Vergleich zu DeepSeek-V4.1-Flash-1017 reduziert es die Aufgabenkosten Berichten zufolge um etwa 87,5%.
Dies sind interne Vergleiche der Aufgabenkosten, keine standardisierten Genauigkeitsverbesserungen in Benchmarks. Sie sollten nicht als direkter Beleg dafür präsentiert werden, dass Hy4 Flash 13- oder 20-mal intelligenter oder schneller ist.
In einer Blindbewertung mit 85 internen WorkBuddy-Nutzern über 259 Aufgaben in 27 Kategorien lieferte Hy4 flash Nutzerzufriedenheitswerte, die nahezu identisch mit Claude Haiku 5.5 waren, bei gleichzeitig den niedrigsten Kosten und der kürzesten End-to-End-Abschlusszeit aller getesteten Modelle.
Hy4 Flash Performance Benchmarks
Tencent veröffentlicht sowohl öffentliche Agent-Benchmarks als auch den internen WorkIndex. Repräsentative, selbst gemeldete Zahlen (höchste Reasoning-Einstellung):
Benchmark
Hy4 flash
Full Hy4
Notes
DeepSWE v1.1
64.6
74.9
Stark, aber hinter dem Flaggschiff
Terminal-Bench 4.0
19.2
44.4
Deutliche Lücke bei schwerer Terminalarbeit
OSWorld 2.1 (partial)
68.1
78.9
Wettbewerbsfähige Computer-Nutzung
APEX-Agents
63.1
75.2
Solider Agent-Score
WorkIndex (internal)
42.1
51.4
Bestes Kosten-/Qualitätsverhältnis
How to Use Hy4 Flash
1. Via Tencent products (easiest for Chinese users / WorkBuddy)
WorkBuddy öffnen → Hy4 flash auswählen (kostenlos bis 30. Nov.).
Verfügbar in Yuanbao, WeCom AI Assistant, QQ, ima, Marvis.
2. Via Tencent Cloud TokenHub API
Model ID: hy4-flash
Standardmäßiger, OpenAI-kompatibler Chat-Completions-Endpunkt. Prompt-Caching wird unterstützt und für Multi-Turn- oder Agent-Loops dringend empfohlen.
3. Via CometAPI
Model Slug typischerweise hy4-flash. Die Preise bleiben äußerst wettbewerbsfähig. Function Calling und strukturierte Ausgaben werden unterstützt.
4. Local / self-hosted (open weights)
Gewichte für Instruct, FP8 und Base-Modelle sind unter der Tencent Hy License auf großen Modell-Hubs verfügbar. Offizielle vLLM- und SGLang-Images existieren; die llama.cpp-Unterstützung befand sich Mitte November 2026 noch in der Reifephase. Die Hardwareanforderungen sind beträchtlich (Hunderte GB für volle Präzision; quantisierte Versionen sind praktischer).
Practical tips for best results
Aktivieren Sie bei wiederkehrenden Systemprompts oder langen Dokumenten stets Prompt-Caching.
Nutzen Sie das Modell für Aufgaben mit moderater Ausgabelänge — der Post-Training-Fokus auf prägnante Antworten hilft, die Kosten niedrig zu halten.
In hybriden Pipelines: Leiten Sie einfache/mittlere Aufgaben an Hy4 flash weiter und eskalieren Sie anspruchsvolle Coding- oder Rechercheaufgaben an Full Hy4 oder ein stärkeres Closed Model.
Multimodal: Füttern Sie Screenshots, Diagramme oder PDFs direkt; der Vision-Encoder ist für Office-Anwendungsfälle produktionsreif.
What Do You Need Before Calling the Hy4 Flash API?
Verwenden Sie Python 3.10 oder höher und halten Sie die folgenden Dateien in einem Projektordner. Die CometAPI Chat Completions interface verwendet das OpenAI Python SDK mit einem CometAPI-Schlüssel und -Endpunkt. Das SDK ist die Clientbibliothek; Hy4 Flash ist das Modell, das die Anfrage bedient.
Prepare your account and API key
Bevor Sie beginnen, benötigen Sie Python 3.10 oder höher, pip, ein CometAPI-Konto mit Hy4 Flash-Zugang und verfügbarem Guthaben sowie eine Verbindung zum API-Endpunkt. Bewahren Sie alle Beispieldateien in einem Projektordner auf.
Erstellen Sie ein Konto bei CometAPI, öffnen Sie die API-Konsole und generieren Sie einen API-Schlüssel.
Wählen Sie den Befehl für Ihr Terminal und ersetzen Sie YOUR_COMETAPI_KEY durch Ihren Schlüssel. Führen Sie weitere Befehle in derselben Terminalsitzung aus.
Führen Sie die restlichen Befehle in derselben Terminalsitzung aus. Wenn Sie eine virtuelle Umgebung verwenden, aktivieren Sie diese, bevor Sie das SDK installieren.
How to Use the Hy4 Flash API with Python
Beginnen Sie mit einer kurzen Textanfrage. Sie konfigurieren den Client, senden ein Support-Ticket und prüfen die zurückgegebene Klassifikation, bevor Sie Streaming, Bilder oder Tools hinzufügen.
Step 1: Configure the model and client
Speichern Sie Folgendes als hy4_client.py. Jedes Beispiel unten importiert diesen Client, sodass Sie Schlüssel, Endpunkt, Timeout und Retry-Policy nur einmal konfigurieren müssen.
import os
from openai import OpenAI
MODEL = "hy4-flash"
client = OpenAI(
api_key=os.environ["COMETAPI_KEY"],
base_url="https://api.cometapi.com/v1",
timeout=120.0,
max_retries=2,
)
Step 2: Send a text request
Speichern Sie dies als first_request.py. Es sendet eine kleine Klassifizierungsaufgabe und druckt die Antwort, den Abschlussstatus und Nutzungsdetails. Eine zurückgegebene Antwort verifiziert die Verbindung, bevor Sie Bilder oder Tools hinzufügen.
from hy4_client import client, MODEL
response = client.chat.completions.create(
model=MODEL,
messages=[
{"role": "system", "content": "Classify tickets as billing, bug, or feature."},
{"role": "user", "content": "I was charged twice for my subscription."},
],
)
choice = response.choices[0]
print(choice.message.content or "")
print("Finish reason:", choice.finish_reason)
if response.usage:
print("Usage:", response.usage.model_dump())
Step 3: Run the script and check the result
python first_request.py
Führen Sie python first_request.py aus dem Projektordner aus. Ein erfolgreicher Lauf identifiziert das Ticket als Abrechnungsproblem, meldet eine stop Finish Reason und beinhaltet den Tokenverbrauch, sofern vom Dienst bereitgestellt. Wenn die Antwort leer ist oder die Anfrage fehlschlägt, nutzen Sie den Troubleshooting-Abschnitt, bevor Sie eine weitere Fähigkeit hinzufügen.
Extend the first request when needed
Capability
Change to the request
What to check
Streaming
Set stream=True; read each chunk’s delta.content.
Überspringen Sie leere Events und prüfen Sie finish_reason, bevor Sie die Antwort als vollständig behandeln.
Image input
Send text and an image_url item, using an accessible URL or a correctly labelled base64 data URL.
Verwenden Sie ein lesbares Bild und fragen Sie nach spezifischen Labels oder Bereichen.
JSON extraction
Request the fields explicitly and set response_format to {"type":"json_object"}.
Parsen Sie das Ergebnis, validieren Sie Feldnamen und -typen und prüfen Sie Werte gegen die Quelle.
Add a tool only when external information is needed
Definieren Sie eine erlaubte Funktion und ihr Argument-Schema in tools. Wenn das Modell sie anfordert, behalten Sie die Assistant-Nachricht bei, validieren Sie die Argumente und den Benutzerzugriff und führen Sie dann die Funktion in Ihrem Backend aus. Hängen Sie das Ergebnis mit der passenden tool_call_id an und senden Sie die aktualisierten Nachrichten für die finale Antwort zurück. Begrenzen Sie zusätzliche Tool-Runden; das Modell kann auch ohne Tool eine Antwort geben.
Connect the application and handle failures
Bewahren Sie den API-Schlüssel in Ihrem Backend auf. Authentifizieren Sie den Nutzer, wenden Sie Nutzungslimits an und geben Sie die Antwort zurück oder streamen Sie sie zur Oberfläche. Protokollieren Sie den Abschlussstatus und die abgerechnete Nutzung, ohne Schlüssel oder private Eingaben zu loggen.
Bei 401/403 prüfen Sie Anmeldedaten und Zugriffsrechte; bei 400 vereinfachen Sie die Anfrage; bei 429 oder temporären Serverfehlern verwenden Sie begrenzte Retries und Backoff. Markieren Sie abgeschnittene oder getrennte Antworten als unvollständig. Der gemeinsame Client verwendet bereits ein 120-Sekunden-Timeout und zwei SDK-Retries, also vermeiden Sie eine unbegrenzte Retry-Schleife.
How to Add Tools to a Hy4 Flash Agent
Eine Tool-fähige Anwendung sendet Funktionsdefinitionen, empfängt den vom Modell angeforderten Aufruf, führt eine erlaubte Funktion aus und gibt das Ergebnis mit der passenden tool_call_id zurück. Der Chat Completions tool-calling flow bewahrt die Assistant-Nachricht, bevor Tool-Ergebnisse angehängt werden.
Für eine Kundenabfrage ist die wesentliche Abfolge: die Funktion definieren, das Modell darum bitten, sie vorzuschlagen, sie in Ihrer Anwendung ausführen und das Ergebnis zurückgeben, damit das Modell antworten kann. Das Modell schlägt einen Aufruf vor; Ihre Anwendung kontrolliert die Ausführung.
Define the lookup. Beschreiben Sie get_customer_info in tools, mit customer_id als erforderlicher Zeichenkette. Halten Sie die Implementierung in Ihrem Backend.
Ask the model. Senden Sie die Frage des Nutzers, Messages und tools mit tool_choice="auto". Wenn das Modell direkt antwortet, prüfen Sie den Abschlussstatus und zeigen Sie die Antwort an.
Handle a requested call. Bewahren Sie die Assistant-Nachricht, validieren Sie den Funktionsnamen und die JSON-Argumente und prüfen Sie den Zugriff, bevor Sie die Abfrage ausführen. Hängen Sie jedes Ergebnis als Tool-Nachricht mit der passenden tool_call_id an.
Finish the response. Senden Sie die aktualisierten Nachrichten zurück an das Modell. Für den hier verwendeten fiktiven Datensatz sollte die finale Antwort identifizieren, dass Kunde 10086 den Pro-Plan und aktiven Status hat. Begrenzen Sie zusätzliche Tool-Runden.
Das Lookup-Ergebnis sollte zu einer Antwort führen, die den Pro-Plan und den aktiven Status identifiziert. Wenn Sie das lokale Wörterbuch durch einen realen Dienst ersetzen, prüfen Sie die Berechtigungen des angemeldeten Nutzers, bevor Sie einen Kundendatensatz zurückgeben. Fügen Sie eine stabile Operations-ID hinzu, bevor Sie Tools einführen, die Datensätze erstellen oder ändern.
Hy4 Flash-Kompatibilität mit OpenAI Chat Completions, OpenAI Responses und Anthropic Messages-Protokollen.
Hy4 Flash API Price
Vergleichen Sie Raten für nicht zwischengespeicherte Eingaben, Ausgaben und Cache-Treffer separat. Die folgende Tabelle verwendet CNY pro 1 Mio. Tokens von Tencents Preisseite und die CNY-Vergleichstabelle auf CometAPIs Hy4 Flash-Seite, überprüft am 17. November 2026. Tencents 50%-Launch-Angebot gilt für Nutzung vor dem 30. November 2026 um 12:00 Pekinger Zeit.
Usage per 1M tokens
Tencent list (CNY)
Tencent launch (CNY)
CometAPI CNY table*
Uncached input
¥0.50
¥0.25
¥0.40
Output
¥2.00
¥1.00
¥1.60
Cached input
¥0.02
¥0.01
¥0.016
Für 100 Millionen nicht zwischengespeicherte Eingabe-Tokens und 10 Millionen Ausgabe-Tokens beträgt die Gesamtsumme zum Tencent-Listenpreis ¥70; zum Launch-Preis beträgt sie ¥35. Behalten Sie Abrechnungszeitraum und Preisbasis bei jeder Schätzung bei.
Für 100 Millionen nicht zwischengespeicherte Eingabe-Tokens und 10 Millionen Ausgabe-Tokens ergibt derselbe Workload:
Tencent list: 100 × ¥0.50 + 10 × ¥2.00 = ¥70.
Tencent launch: 100 × ¥0.25 + 10 × ¥1.00 = ¥35.
CometAPI, using its CNY table: 100 × ¥0.40 + 10 × ¥1.60 = ¥56, vorausgesetzt, diese CNY-Sätze gelten für Ihr Konto.
Auf dieser CNY-Basis liegt CometAPI ¥14 unter Tencents Listenpreisbeispiel, aber ¥21 über Tencents Launch-Preisbeispiel. Der beworbene 20%-Rabatt bezieht sich auf den Listenpreis; er ist nicht stapelbar mit Tencents 50%-Promotion. Wenn Ihr CometAPI-Konto stattdessen diese numerischen Sätze in USD abrechnet, ist dieselbe Berechnung $56, was kein ¥56-Angebot ist.
Best Use Cases for Hy4 Flash
Use case
Why Hy4 Flash fits
High-volume AI agents
Niedrigere gemeldete Aufgabenkosten und Function Calling
Coding assistants
Langer Kontext, Reasoning und Tool-Integration
Document processing
Großer Kontext und Bildverständnis
Enterprise productivity
Strukturierte Ausgaben und Workflow-Ausführung
Data extraction
Langkontext-Verarbeitung und JSON-Ausgabe
Multimodal assistants
Text- und Bildeingaben
Automated research
Mehrschritt-Reasoning und externe Tool-Aufrufe
Overall recommendation: Hy4 Flash ist besonders attraktiv für Entwickler, die reasoning-fähige AI-Agenten in großem Maßstab bereitstellen müssen, ohne bei jeder Anfrage die Inferenzkosten eines Flaggschiffmodells zu zahlen.
Conclusion
Hy4 Flash lohnt sich für Evaluierungen, wenn alltägliche Coding-, Dokument- oder Agent-Aufgaben ein wirtschaftliches Modell mit Text-, Bild- und Tool-Unterstützung benötigen. Starten Sie mit einer funktionierenden Anfrage und fügen Sie dann die Fähigkeit hinzu, die Ihre Aufgabe benötigt. Lassen Sie die Qualität und die Kosten der abgeschlossenen Arbeit — nicht die Modellgröße oder eine Schlagzeile zur Tokenrate — darüber entscheiden, ob es in Ihre Anwendung gehört.
FAQ
How should Hy4 Flash handle scanned PDFs?
Konvertieren Sie die relevanten PDF-Seiten in klare Bilder und senden Sie sie über die Bild-Eingabe, oder extrahieren Sie lesbaren Text, bevor Sie eine Textanfrage stellen. Behalten Sie die Seitenzahlen bei jedem Chunk bei und fordern Sie Evidenz zusammen mit extrahierten Werten an. Teilen Sie lange Dokumente nach Abschnitten, damit eine Antwort auf eine handhabbare Quelle zurückführbar bleibt, statt ein gesamtes Archiv in einer Anfrage zu senden.
How should I save Hy4 Flash conversation history?
Speichern Sie die Nachrichten, die Ihre Anwendung benötigt, um das Gespräch fortzusetzen, einschließlich Assistant-Tool-Aufrufen und ihrer gepaarten Tool-Ergebnisse. Senden Sie die relevante Historie mit der nächsten Chat-Completions-Anfrage. Bevor Sie ältere Inhalte kürzen, bewahren Sie die aktuelle Aufgabe, wesentliche Fakten und ungelöste Aktionen auf; trennen Sie einen ausstehenden Tool-Aufruf nicht von seinem Ergebnis.
How do I prepare a Hy4 Flash batch job?
Führen Sie eine kleine Stichprobe mit typischen Eingaben und bekannten Fehlerszenarien aus. Weisen Sie jedem Element eine stabile ID zu und speichern Sie Status, validiertes Ergebnis und Nutzung separat. Begrenzen Sie die Anzahl gleichzeitiger Anfragen, wiederholen Sie nur fehlgeschlagene Elemente innerhalb eines festen Budgets und gleichen Sie abgeschlossene IDs ab, bevor Sie einen Job neu starten. So lassen sich Teilfehler beheben, ohne den gesamten Batch zu wiederholen.
Is Hy4 flash open source?
Ja. Instruct-, FP8- und Base-Gewichte wurden unter der Tencent Hy License veröffentlicht und sind auf großen Modellhubs verfügbar.
How does it compare to Claude Haiku 5.5?
In Tencents internen Blindtests erreichte es eine Haiku-ähnliche Zufriedenheit bei deutlich niedrigeren Kosten und schnelleren Abschlusszeiten für Büro-Workloads. Unabhängige, langfristige Coding-Benchmarks bevorzugen weiterhin stärkere Modelle.