Construye con CometAPI¿Necesitas una sola API para varios modelos?Prueba el flujo en el Playground y luego crea una clave de API cuando el modelo y el costo encajen con tu caso de uso.
Utilice Hy4 Flash a través de CometAPI con ejemplos en Python para texto, transmisión en tiempo real, imágenes, extracción de JSON y llamadas a herramientas, además de consejos sobre manejo de errores y facturación.
AnnaEquipo de investigación de modelos de IA y API
Hy4 flash de Tencent (lanzado el 16 de noviembre de 2026) es el modelo más rentable de la familia Hy (Hunyuan). Incluye 224 mil millones de parámetros totales (incluidos 64B Engram) pero activa solo 12B por token, ofrece compatibilidad multimodal nativa (texto + imagen) y una ventana de contexto completa de 1 millón de tokens, y tiene un precio aproximado de $0.070 entrada / $0.281 salida / $0.003 en caché por millón de tokens. En el WorkIndex interno de Tencent para tareas de oficina cotidianas, logra aproximadamente 1/13 del costo de Hy4 Preview y 1/20 del costo del Hy4 completo, igualando o superando ligeramente la calidad de Preview y acercándose a Claude Haiku 5.5 en satisfacción del usuario a ciegas.
Para trabajo de alta volumetría orientado a productividad, es una de las propuestas de valor más sólidas disponibles actualmente. CometAPI ofrece la forma más simple, compatible con OpenAI, de invocar Hy4 flash junto con Claude, GPT y otros modelos bajo una única clave.
Key Takeaways
: 16 de noviembre de 2026 (API + productos); los pesos abiertos se publicaron poco después.
Revisado para mayor claridad, atribución de fuentes y terminología API actual.
Fecha de lanzamiento
Arquitectura: 224B totales (64B Engram) / 12B activas, atención híbrida + LatentMoE, diseñada para eficiencia extrema y contexto largo.
Precios (lista): $0.070 / $0.281 / $0.003 (entrada / salida / caché) por 1M de tokens — aproximadamente 1/10–1/12 del Hy4 completo.
Enfoque de rendimiento: Agentes de oficina cotidianos (presentaciones, documentos, hojas de cálculo, búsqueda, comprensión visual, uso ligero del ordenador). Fuerte costo por tarea y velocidad; Hy4 completo sigue siendo mejor para ingeniería de software de horizonte largo.
Disponibilidad: Tencent Cloud TokenHub (hy4-flash), WorkBuddy (gratis hasta el 30 de noviembre), Yuanbao, WeCom, QQ, ima, Marvis, OpenRouter; pesos abiertos en Hugging Face / ModelScope / GitCode.
Mejores casos de uso: Automatización de productividad a gran escala donde el costo y la latencia importan más que la inteligencia de frontera absoluta.
Recomendación: Encamina el trabajo rutinario a Hy4 flash y el código/agentes complejos a Hy4 o modelos de clase Claude Opus mediante una puerta de enlace unificada como CometAPI.
What Exactly Is Hy4 Flash?
Hy4 flash es el miembro enfocado en eficiencia de la generación Hy4 de Tencent. Mientras que el Hy4 completo (lanzado a principios de noviembre de 2026) apunta a la máxima capacidad, Hy4 flash está diseñado deliberadamente para la mayor calidad por dólar posible en cargas de trabajo repetitivas, multimodales y de contexto largo que dominan los flujos reales de oficina y agentes.
Especificaciones básicas (oficial):
Parámetros totales: 224B (incluyendo una tabla de memoria n-gram de 64B Engram)
Parámetros activos por token: 12B
Ventana de contexto: 1,048,576 tokens
Modalidades: Entrada de texto + imagen → salida de texto
Soporte nativo para llamadas de función, JSON estructurado y uso de herramientas
Velocidad de decodificación declarada: >150 tokens/s bajo servicio optimizado (megakernels + cuantización de 4 bits + decodificación especulativa DFly)
El diseño hereda y perfecciona técnicas presentadas previamente en modelos Hy anteriores: atención híbrida dispersa/ventana deslizante, expertos LatentMoE operando en un espacio latente comprimido y una gran tabla de búsqueda Engram que reemplaza cómputo denso con recuperación de memoria. El resultado es una caché KV dramáticamente más pequeña (reportada como 1/6 de Hy4 y 1/24 de Hy3) y un costo de servicio mucho menor a escala.
How Hy4 flash work
Tencent optimizó Hy4 flash alrededor de tres pilares:
Eficiencia dispersa : Solo 12B parámetros se activan por token. El modelo usa 512 expertos enrutados (16 activos) más expertos compartidos en la mayoría de las capas, combinado con atención híbrida que intercala selección dispersa (hasta ~2k tokens) con ventanas deslizantes cortas.
Memoria Engram : Una tabla n-gram (bigram/trigram) de 64B parámetros recuperada por hash. Este almacén de conocimiento externo reduce la necesidad de que la red densa memorice patrones frecuentes, recortando el costo tanto de entrenamiento como de inferencia.
Stack de servicio : Megakernels, cuantización de 4 bits y un pequeño redactor especulativo DFly2 habilitan la afirmación de >150 tok/s y mantienen baja la latencia incluso con alta concurrencia.
Estas decisiones hacen que Hy4 flash sea particularmente adecuado para documentos largos, bucles de agentes multivuelta con caché de prompts intensa y tareas multimodales de oficina donde el modelo debe leer repetidamente imágenes, gráficos o archivos grandes.
Pricing and Cost-Per-Task Reality
Precios de lista oficiales en Tencent Cloud TokenHub (equivalente en USD):
Tipo de token
Hy4 flash
Hy4 completo
Relación aproximada
Entrada en caché
$0.003
$0.042
~1/14
Entrada
$0.070
$0.834
~1/12
Salida
$0.281
$2.501
~1/9
Hasta el 30 de noviembre de 2026 TokenHub ofrece 50% de descuento sobre precios de lista, y el acceso a WorkBuddy es gratuito.
Más importante que el precio de lista es el costo por tarea completada. En el WorkIndex interno de Tencent (creación/edición de PowerPoint, edición de documentos, reparación de hojas de cálculo, procesamiento de audio/video, comprensión visual, etc.):
Evaluación
Resultado reportado
Velocidad de decodificación
Más de 150 tokens/segundo
Rendimiento general
Ligeramente mejor que Hy4 Preview, según Tencent
Costo por tarea en WorkIndex vs Hy4 Preview
Aproximadamente 1/13
Costo por tarea en WorkIndex vs Hy4
Aproximadamente 1/20
Costo por tarea en WorkIndex vs DeepSeek-V4.1-Flash-1017
Aproximadamente 1/8
Reducción de longitud de salida
Aproximadamente 50% mediante aprendizaje por refuerzo
How to interpret these results
El WorkIndex es un benchmark interno de Tencent construido alrededor de tareas típicas de productividad de WorkBuddy. Considera la calidad de salida, la longitud de salida y el tiempo de finalización de extremo a extremo.
Las relaciones de costo reportadas son particularmente importantes:
En comparación con Hy4 Preview, Hy4 Flash supuestamente reduce los costos por tarea aproximadamente un 92.3%.
En comparación con Hy4, supuestamente reduce los costos por tarea aproximadamente un 95%.
En comparación con DeepSeek-V4.1-Flash-1017, supuestamente reduce los costos por tarea aproximadamente un 87.5%.
Estas son comparaciones internas de costo por tarea, no mejoras estandarizadas de exactitud en benchmarks. No deben presentarse como evidencia directa de que Hy4 Flash es 13 o 20 veces más inteligente o más rápido.
En una evaluación a ciegas con 85 usuarios internos de WorkBuddy en 259 tareas de 27 categorías, Hy4 flash entregó puntuaciones de satisfacción del usuario casi idénticas a Claude Haiku 5.5 mientras registraba el menor costo y el tiempo de finalización de extremo a extremo más corto de cualquier modelo probado.
Hy4 Flash Performance Benchmarks
Tencent publica tanto benchmarks públicos de agentes como el WorkIndex interno. Números representativos autoinformados (ajuste de razonamiento más alto):
Benchmark
Hy4 flash
Hy4 completo
Notas
DeepSWE v1.1
64.6
74.9
Fuerte pero por detrás del buque insignia
Terminal-Bench 4.0
19.2
44.4
Brecha clara en trabajo de terminal pesado
OSWorld 2.1 (parcial)
68.1
78.9
Uso de ordenador competitivo
APEX-Agents
63.1
75.2
Puntuación sólida de agente
WorkIndex (interno)
42.1
51.4
Mejor equilibrio costo/calidad
How to Use Hy4 Flash
1. Via Tencent products (easiest for Chinese users / WorkBuddy)
Abre WorkBuddy → selecciona Hy4 flash (gratis hasta el 30 de noviembre).
Disponible dentro de Yuanbao, asistente de IA de WeCom, QQ, ima, Marvis.
2. Via Tencent Cloud TokenHub API
ID del modelo: hy4-flash
Extremo de chat completions estándar compatible con OpenAI. Se admite caché de prompts y es altamente recomendable para bucles multivuelta o de agentes.
3. Via CometAPI
Slug del modelo típicamente hy4-flash. Los precios siguen siendo extremadamente competitivos. Se admiten llamadas de función y salidas estructuradas.
4. Local / self-hosted (open weights)
Los pesos para instruct, FP8 y modelos base están disponibles en Hugging Face, ModelScope y GitCode bajo la licencia Tencent Hy. Existen imágenes oficiales para vLLM y SGLang; el soporte de llama.cpp aún estaba madurando a mediados de noviembre de 2026. Los requisitos de hardware son sustanciales (cientos de GB para precisión completa; las versiones cuantizadas son más prácticas).
Practical tips for best results
Activa siempre el caché de prompts en prompts de sistema repetidos o documentos largos.
Usa el modelo para tareas donde la longitud de salida sea moderada: el enfoque de post-entrenamiento en respuestas concisas ayuda a mantener bajos los costos.
Para pipelines híbridos, envía tareas simples/medias a Hy4 flash y eleva tareas difíciles de código o investigación a Hy4 completo o a un modelo cerrado más fuerte.
Multimodal: entrega capturas de pantalla, gráficos o PDFs directamente; el codificador de visión está listo para producción en casos de uso de oficina.
What Do You Need Before Calling the Hy4 Flash API?
Usa Python 3.10 o posterior y guarda los siguientes archivos en una carpeta de proyecto. La interfaz Chat Completions de CometAPI utiliza el SDK de OpenAI para Python con una clave y endpoint de CometAPI. El SDK es la biblioteca cliente; Hy4 Flash es el modelo que atiende la solicitud.
Prepare your account and API key
Antes de comenzar, ten Python 3.10 o posterior, pip, una cuenta de CometAPI con acceso a Hy4 Flash y crédito disponible, y conexión al endpoint de la API. Mantén todos los archivos de ejemplo en una sola carpeta de proyecto.
Crea una cuenta en CometAPI, abre la consola de API y genera una clave de API.
Elige el comando para tu terminal y reemplaza YOUR_COMETAPI_KEY con tu clave. Ejecuta los comandos posteriores en esa misma sesión de terminal.
Ejecuta los comandos restantes en la misma sesión de terminal. Si usas un entorno virtual, actívalo antes de instalar el SDK.
How to Use the Hy4 Flash API with Python
Comienza con una solicitud de texto corta. Configurarás el cliente, enviarás un ticket de soporte e inspeccionarás la clasificación devuelta antes de agregar streaming, imágenes o herramientas.
Step 1: Configure the model and client
Guarda lo siguiente como hy4_client.py. Cada ejemplo a continuación importa este cliente, por lo que solo necesitas configurar la clave, endpoint, tiempo de espera y política de reintentos una vez.
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
Guarda esto como first_request.py. Envía una pequeña tarea de clasificación e imprime la respuesta, el estado de finalización y los detalles de uso. Una respuesta devuelta verifica la conexión antes de que agregues imágenes o herramientas.
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
Ejecuta python first_request.py desde la carpeta del proyecto. Un resultado exitoso identifica el ticket como un problema de facturación, informa un motivo de finalización stop e incluye el uso de tokens cuando lo proporciona el servicio. Si la respuesta está vacía o la solicitud falla, usa la sección de solución de problemas antes de agregar otra capacidad.
Extend the first request when needed
Capacidad
Cambio en la solicitud
Qué comprobar
Streaming
Establece stream=True; lee el delta.content de cada fragmento.
Omite eventos vacíos e inspecciona finish_reason antes de tratar la respuesta como completa.
Entrada de imagen
Envía texto y un elemento image_url, usando una URL accesible o una data URL base64 correctamente etiquetada.
Usa una imagen legible y pregunta sobre etiquetas o regiones específicas.
Extracción JSON
Solicita los campos explícitamente y establece response_format a {"type":"json_object"}.
Analiza el resultado, valida nombres y tipos de campos y compara los valores con la fuente.
Add a tool only when external information is needed
Define una función permitida y su esquema de argumentos en tools. Cuando el modelo la solicite, conserva el mensaje del assistant, valida los argumentos y el acceso del usuario, luego ejecuta la función en tu backend. Anexa su resultado con el tool_call_id correspondiente y envía los mensajes actualizados de vuelta para la respuesta final. Limita rondas adicionales de herramientas; el modelo también puede responder sin llamar a una herramienta.
Connect the application and handle failures
Mantén la clave de API en tu backend. Autentica al usuario, aplica límites de uso y devuelve la respuesta o haz streaming a la interfaz. Registra el estado de finalización y el uso facturado sin registrar claves ni entradas privadas.
Para 401/403, revisa credenciales y acceso; para 400, simplifica la solicitud; para 429 o errores temporales del servidor, usa reintentos acotados con retroceso. Marca respuestas truncadas o desconectadas como incompletas. El cliente compartido ya usa un tiempo de espera de 120 segundos y dos reintentos del SDK, así que evita añadir un bucle de reintentos ilimitado.
How to Add Tools to a Hy4 Flash Agent
Una aplicación habilitada con herramientas envía definiciones de funciones, recibe la llamada solicitada por el modelo, ejecuta una función permitida y devuelve el resultado con el tool_call_id correspondiente. El flujo de llamadas a herramientas de Chat Completions conserva el mensaje del assistant antes de anexar resultados de herramientas.
Para una consulta de cliente, la secuencia esencial es: define la función, deja que el modelo la solicite, ejecútala en tu aplicación y devuelve el resultado para que el modelo pueda responder. El modelo propone una llamada; tu aplicación controla la ejecución.
Define la búsqueda. Describe get_customer_info en tools, con customer_id como string obligatorio. Mantén la implementación en tu backend.
Pregunta al modelo. Envía la pregunta del usuario, messages y tools con tool_choice="auto". Si el modelo responde directamente, comprueba el estado de finalización y muestra la respuesta.
Gestiona una llamada solicitada. Conserva el mensaje del assistant, valida el nombre de la función y los argumentos JSON, y verifica el acceso antes de ejecutar la búsqueda. Anexa cada resultado como un mensaje de tool con su tool_call_id correspondiente.
Finaliza la respuesta. Envía los messages actualizados de vuelta al modelo. Para el registro ficticio usado aquí, la respuesta final debería identificar que el cliente 10086 tiene el plan Pro y estado activo. Limita cualquier ronda adicional de herramientas.
El resultado de la búsqueda debería conducir a una respuesta que identifique el plan Pro y el estado activo. Al reemplazar el diccionario local con un servicio real, verifica el permiso del usuario autenticado antes de devolver un registro de cliente. Agrega un ID de operación estable antes de introducir herramientas que creen o modifiquen registros.
Compatibilidad de Hy4 Flash con los protocolos OpenAI Chat Completions, OpenAI Responses y Anthropic Messages.
Hy4 Flash API Price
Compara por separado las tarifas de entrada sin caché, salida y aciertos de caché. La tabla siguiente usa CNY por millón de tokens de la página de precios de Tencent y la tabla de comparación en CNY en la página de Hy4 Flash de CometAPI, verificado el 17 de noviembre de 2026. La oferta de lanzamiento del 50% de Tencent aplica al uso antes del 30 de noviembre de 2026 a las 12:00 hora de Beijing.
Uso por 1M de tokens
Lista de Tencent (CNY)
Lanzamiento de Tencent (CNY)
Tabla CNY de CometAPI*
Entrada sin caché
¥0.50
¥0.25
¥0.40
Salida
¥2.00
¥1.00
¥1.60
Entrada en caché
¥0.02
¥0.01
¥0.016
Para 100 millones de tokens de entrada sin caché y 10 millones de tokens de salida, el total a precio de lista de Tencent es ¥70; el total a precio de lanzamiento es ¥35. Mantén el periodo de facturación y la base de precios adjuntos a cada estimación.
Para 100 millones de tokens de entrada sin caché y 10 millones de tokens de salida, la misma carga de trabajo da:
CometAPI, usando su tabla en CNY: 100 × ¥0.40 + 10 × ¥1.60 = ¥56, condicionado a que esas tarifas en CNY apliquen a tu cuenta.
En esa base en CNY, CometAPI está ¥14 por debajo del ejemplo a precio de lista de Tencent, pero ¥21 por encima del ejemplo a precio de lanzamiento de Tencent. Su descuento publicitado del 20% es sobre el precio de lista; no se acumula con la promoción del 50% de Tencent. Si tu cuenta de CometAPI en cambio factura esas tarifas numéricas en USD, el mismo cálculo es $56, lo cual no es una cotización de ¥56.
Best Use Cases for Hy4 Flash
Caso de uso
Por qué encaja Hy4 Flash
Agentes de alto volumen
Menores costos por tarea reportados y llamadas de función
Asistentes de código
Contexto largo, razonamiento e integración de herramientas
Procesamiento de documentos
Gran contexto y comprensión de imágenes
Productividad empresarial
Salidas estructuradas y ejecución de flujos
Extracción de datos
Procesamiento de contexto largo y salida JSON
Asistentes multimodales
Entradas de texto e imagen
Investigación automatizada
Razonamiento multi-paso y llamadas a herramientas externas
Recomendación general: Hy4 Flash es particularmente atractivo para desarrolladores que necesitan desplegar agentes de IA con capacidad de razonamiento a escala sin pagar costos de inferencia de modelos insignia en cada solicitud.
Conclusion
Hy4 Flash vale la pena evaluarlo cuando el código cotidiano, el trabajo con documentos o las tareas de agentes necesitan un modelo económico con soporte de texto, imagen y herramientas. Comienza con una solicitud funcional, luego añade la capacidad que tu tarea necesite. Deja que la calidad y el costo del trabajo completado —no el tamaño del modelo ni una tasa de tokens llamativa— decidan si pertenece a tu aplicación.
FAQ
How should Hy4 Flash handle scanned PDFs?
Convierte las páginas relevantes del PDF en imágenes claras y envíalas mediante entrada de imagen, o extrae texto legible antes de hacer una solicitud de texto. Conserva los números de página con cada fragmento y solicita evidencia junto con los valores extraídos. Divide documentos largos por secciones para que la respuesta siga siendo rastreable a una fuente manejable, en lugar de enviar un archivo completo en una sola solicitud.
How should I save Hy4 Flash conversation history?
Almacena los mensajes que tu aplicación necesita para reanudar la conversación, incluyendo las llamadas de herramientas del assistant y sus resultados emparejados. Envía el historial relevante con la siguiente solicitud de Chat Completions. Antes de podar contenido antiguo, conserva la tarea actual, los hechos esenciales y las acciones no resueltas; no separes una llamada de herramienta pendiente de su resultado.
How do I prepare a Hy4 Flash batch job?
Ejecuta una pequeña muestra que contenga entradas típicas y casos de falla conocidos. Asigna a cada ítem un ID estable y guarda su estado, resultado validado y uso por separado. Limita el número de solicitudes concurrentes, reintenta solo los ítems fallidos dentro de un presupuesto fijo y reconcilia los IDs completados antes de reiniciar un job. Esto hace que las fallas parciales sean recuperables sin repetir todo el lote.
Is Hy4 flash open source?
Sí. Los pesos de instruct, FP8 y base se publicaron bajo la licencia Tencent Hy y están disponibles en los principales hubs de modelos.
How does it compare to Claude Haiku 5.5?
En pruebas internas a ciegas de Tencent igualó el nivel de satisfacción de Haiku con costos sustancialmente menores y tiempos de finalización más rápidos en cargas de trabajo de oficina. Benchmarks independientes de codificación de horizonte largo aún favorecen modelos más fuertes.