Construa com CometAPIPrecisa de uma API para vários modelos?Teste o fluxo no Playground e depois crie uma chave da API quando o modelo e o custo atenderem ao seu caso de uso.
Por favor, envie o conteúdo original que deseja traduzir para português (pode ser texto puro, HTML, Markdown, JSON, XML ou código). Manterei a estrutura original e apenas traduzirei o texto visível.
O Hy4 flash da Tencent (lançado em 16 de novembro de 2026) é o modelo mais econômico da família Hy (Hunyuan). Ele reúne 224 bilhões de parâmetros totais (incluindo 64B Engram), porém ativa apenas 12B por token, oferece suporte multimodal nativo (texto + imagem) e uma janela de contexto completa de 1 milhão de tokens, com preços de aproximadamente $0.070 de entrada / $0.281 de saída / $0.003 em cache por milhão de tokens. No WorkIndex interno da Tencent para tarefas de escritório do dia a dia, atinge cerca de 1/13 do custo do Hy4 Preview e 1/20 do custo do Hy4 completo, igualando ou superando ligeiramente a qualidade do Preview e aproximando-se do Claude Haiku 5.5 na satisfação do usuário em testes cegos.
Para trabalho de produtividade em alto volume, é uma das melhores propostas de valor atualmente disponíveis. O CometAPI oferece a maneira mais simples e compatível com OpenAI para chamar o Hy4 flash junto com Claude, GPT e outros modelos sob uma única chave.
Principais pontos
Data de lançamento: 16 de novembro de 2026 (API + produtos); pesos abertos disponibilizados logo em seguida.
Revisado para maior clareza, atribuição de fontes e terminologia de API atual.
Arquitetura: 224B total (64B Engram) / 12B ativos, atenção híbrida + LatentMoE, projetado para eficiência extrema e contexto longo.
Preços (lista): $0.070 / $0.281 / $0.003 (entrada / saída / cache) por 1M de tokens — aproximadamente 1/10–1/12 do Hy4 completo.
Foco em desempenho: Agentes para escritório (apresentações, documentos, planilhas, busca, compreensão visual, uso leve de computador). Forte custo por tarefa e velocidade; o Hy4 completo ainda é melhor para engenharia de software de longo horizonte.
Disponibilidade: Tencent Cloud TokenHub (hy4-flash), WorkBuddy (gratuito até 30 de nov.), Yuanbao, WeCom, QQ, ima, Marvis, OpenRouter; pesos abertos no Hugging Face / ModelScope / GitCode.
Melhores casos de uso: Automação de produtividade em alto volume onde custo e latência importam mais do que a inteligência de fronteira absoluta.
Recomendação: Direcione trabalho rotineiro para o Hy4 flash e codificação/agentes complexos para o Hy4 ou modelos classe Claude Opus via um gateway unificado como o CometAPI.
O que exatamente é o Hy4 flash?
O Hy4 flash é o membro focado em eficiência da geração Hy4 da Tencent. Enquanto o Hy4 completo (lançado no início de novembro de 2026) mira capacidade máxima, o Hy4 flash é deliberadamente projetado para a mais alta qualidade por dólar em cargas de trabalho repetitivas, multimodais e de longo contexto que dominam pipelines reais de escritório e agentes.
Especificações principais (oficiais):
Parâmetros totais: 224B (incluindo uma tabela de memória n-gram de 64B Engram)
Parâmetros ativos por token: 12B
Janela de contexto: 1,048,576 tokens
Modalidades: Entrada de texto + imagem → saída de texto
Suporte nativo a chamadas de função, JSON estruturado e uso de ferramentas
Velocidade de decodificação alegada: >150 tokens/s sob serving otimizado (megakernels + quantização de 4 bits + decodificação especulativa DFly)
O design herda e refina técnicas apresentadas em modelos Hy anteriores: atenção híbrida esparsa/janela deslizante, especialistas LatentMoE operando em um espaço latente comprimido e uma grande tabela Engram de lookup que substitui computação densa por recuperação de memória. O resultado é um cache de KV dramaticamente menor (relatado como 1/6 do Hy4 e 1/24 do Hy3) e custo de serving muito mais baixo em escala.
Como o Hy4 flash funciona
A Tencent otimizou o Hy4 flash em torno de três pilares:
Eficiência esparsa: Apenas 12B de parâmetros disparam por token. O modelo usa 512 especialistas roteados (16 ativos) mais especialistas compartilhados na maioria das camadas, combinados com atenção híbrida que intercala seleção esparsa (até ~2k tokens) com janelas curtas deslizantes.
Memória Engram: Uma tabela n-gram (bigram/trigram) de 64B recuperada por hash. Esse repositório externo de conhecimento reduz a necessidade de a rede densa memorizar padrões frequentes, cortando custos de treinamento e inferência.
Stack de serving: Megakernels, quantização de 4 bits e um pequeno redator especulativo DFly2 viabilizam a alegação de >150 tok/s e mantêm a latência baixa mesmo com alta concorrência.
Essas escolhas tornam o Hy4 flash particularmente adequado para documentos longos, loops de agentes multi-turn com forte cache de prompt e tarefas multimodais de escritório em que o modelo deve ler repetidamente imagens, gráficos ou arquivos grandes.
Preços e realidade do custo por tarefa
Preços oficiais na Tencent Cloud TokenHub (equivalente em USD):
Tipo de token
Hy4 flash
Hy4 completo
Proporção aproximada
Entrada em cache
$0.003
$0.042
~1/14
Entrada
$0.070
$0.834
~1/12
Saída
$0.281
$2.501
~1/9
Até 30 de novembro de 2026, a TokenHub oferece 50% de desconto nos preços de lista, e o acesso via WorkBuddy é gratuito.
Mais importante do que o preço de lista é o custo por tarefa concluída. No WorkIndex interno da Tencent (criação/edição de PowerPoint, edição de documentos, reparo de planilhas, processamento de áudio/vídeo, compreensão visual etc.):
Avaliação
Resultado reportado
Velocidade de decodificação
Mais de 150 tokens/segundo
Desempenho geral
Ligeiramente melhor que o Hy4 Preview, segundo a Tencent
Custo por tarefa no WorkIndex vs Hy4 Preview
Aproximadamente 1/13
Custo por tarefa no WorkIndex vs Hy4
Aproximadamente 1/20
Custo por tarefa vs DeepSeek-V4.1-Flash-1017
Aproximadamente 1/8
Redução do comprimento de saída
Aproximadamente 50% via aprendizado por reforço
Como interpretar esses resultados
O WorkIndex é um benchmark interno da Tencent baseado em tarefas típicas de produtividade do WorkBuddy. Ele considera qualidade de saída, comprimento de saída e tempo de conclusão de ponta a ponta.
As proporções de custo reportadas são particularmente importantes:
Em comparação com o Hy4 Preview, o Hy4 Flash teria reduzido os custos por tarefa em aproximadamente 92,3%.
Em comparação com o Hy4, teria reduzido os custos por tarefa em aproximadamente 95%.
Em comparação com o DeepSeek-V4.1-Flash-1017, teria reduzido os custos por tarefa em aproximadamente 87,5%.
Essas são comparações internas de custo por tarefa, não melhorias padronizadas de acurácia de benchmark. Não devem ser apresentadas como evidência direta de que o Hy4 Flash é 13 ou 20 vezes mais inteligente ou rápido.
Em uma avaliação cega com 85 usuários internos do WorkBuddy em 259 tarefas de 27 categorias, o Hy4 flash entregou pontuações de satisfação praticamente idênticas às do Claude Haiku 5.5, registrando o menor custo e o menor tempo de conclusão de ponta a ponta entre todos os modelos testados.
Benchmarks de desempenho do Hy4 Flash
A Tencent publica tanto benchmarks públicos de agentes quanto o WorkIndex interno. Números auto-relatados representativos (configuração de raciocínio mais alta):
Benchmark
Hy4 flash
Hy4 completo
Notas
DeepSWE v1.1
64.6
74.9
Forte, mas atrás do carro-chefe
Terminal-Bench 4.0
19.2
44.4
Lacuna clara em trabalho pesado no terminal
OSWorld 2.1 (parcial)
68.1
78.9
Uso de computador competitivo
APEX-Agents
63.1
75.2
Pontuação sólida de agente
WorkIndex (interno)
42.1
51.4
Melhor trade-off custo/qualidade
Como usar o Hy4 Flash
1. Via produtos da Tencent (mais fácil para usuários na China / WorkBuddy)
Abra o WorkBuddy → selecione Hy4 flash (gratuito até 30 de nov.).
Disponível no Yuanbao, assistente de IA do WeCom, QQ, ima, Marvis.
2. Via Tencent Cloud TokenHub API
Model ID: hy4-flash
Endpoint de chat completions padrão compatível com OpenAI. O cache de prompt é suportado e altamente recomendado para loops multi-turn ou de agentes.
3. Via CometAPI
Slug do modelo tipicamente hy4-flash. Os preços permanecem extremamente competitivos. Chamadas de função e saídas estruturadas são suportadas.
4. Local / self-hosted (pesos abertos)
Pesos para modelos instruct, FP8 e base estão disponíveis no Hugging Face, ModelScope e GitCode sob a Tencent Hy License. Existem imagens oficiais para vLLM e SGLang; o suporte a llama.cpp ainda estava amadurecendo em meados de novembro de 2026. Os requisitos de hardware são substanciais (centenas de GB para precisão total; versões quantizadas são mais práticas).
Dicas práticas para melhores resultados
Sempre ative o cache de prompt em prompts de sistema repetidos ou documentos longos.
Use o modelo para tarefas com comprimento de saída moderado — o foco pós-treinamento em respostas concisas ajuda a manter os custos baixos.
Em pipelines híbridos, direcione tarefas simples/médias para o Hy4 flash e escale tarefas difíceis de código ou pesquisa para o Hy4 completo ou um modelo fechado mais forte.
Multimodal: forneça capturas de tela, gráficos ou PDFs diretamente; o codificador de visão está pronto para produção em casos de uso de escritório.
O que você precisa antes de chamar a API do Hy4 Flash?
Use Python 3.10 ou posterior e mantenha os seguintes arquivos em uma pasta de projeto. A interface CometAPI Chat Completions (https://apidoc.cometapi.com/api/text/chat) usa o SDK do OpenAI em Python com uma chave e endpoint do CometAPI. O SDK é a biblioteca cliente; o Hy4 Flash é o modelo que atende à solicitação.
Prepare sua conta e chave de API
Antes de começar, tenha Python 3.10 ou posterior, pip, uma conta CometAPI com acesso ao Hy4 Flash e crédito disponível, e conexão com o endpoint da API. Mantenha todos os arquivos de exemplo em uma pasta de projeto.
Crie uma conta no CometAPI (https://www.cometapi.com/), abra o console de API e gere uma chave de API.
Escolha o comando para seu terminal e substitua YOUR_COMETAPI_KEY pela sua chave. Execute comandos posteriores na mesma sessão do terminal.
Execute os demais comandos na mesma sessão do terminal. Se usar um ambiente virtual, ative-o antes de instalar o SDK.
Como usar a API do Hy4 Flash com Python
Comece com uma solicitação curta de texto. Você configurará o cliente, enviará um ticket de suporte e inspecionará a classificação retornada antes de adicionar streaming, imagens ou ferramentas.
Etapa 1: Configure o modelo e o cliente
Salve o seguinte como hy4_client.py. Todos os exemplos abaixo importam esse cliente; portanto, você só precisa configurar a chave, endpoint, timeout e política de tentativas uma 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,
)
Etapa 2: Envie uma solicitação de texto
Salve isto como first_request.py. Ele envia uma pequena tarefa de classificação e imprime a resposta, o status de conclusão e os detalhes de uso. Uma resposta retornada verifica a conexão antes de você adicionar imagens ou ferramentas.
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())
Etapa 3: Execute o script e verifique o resultado
python first_request.py
Execute python first_request.py na pasta do projeto. Um resultado bem-sucedido identifica o ticket como um problema de cobrança, relata um motivo de término stop e inclui o uso de tokens quando fornecido pelo serviço. Se a resposta estiver vazia ou a solicitação falhar, use a seção de solução de problemas antes de adicionar outra capacidade.
Estenda a primeira solicitação quando necessário
Capacidade
Alteração na solicitação
O que verificar
Streaming
Defina stream=True; leia o delta.content de cada chunk.
Ignore eventos vazios e inspecione finish_reason antes de tratar a resposta como completa.
Entrada de imagem
Envie texto e um item image_url, usando uma URL acessível ou um data URL base64 corretamente rotulado.
Use uma imagem legível e pergunte sobre rótulos ou regiões específicos.
Extração de JSON
Solicite os campos explicitamente e defina response_format como {"type":"json_object"}.
Analise o resultado, valide nomes e tipos de campos, e verifique os valores na origem.
Adicione uma ferramenta apenas quando for necessária informação externa
Defina uma função permitida e seu esquema de argumentos em tools. Quando o modelo solicitá-la, preserve a mensagem do assistant, valide os argumentos e o acesso do usuário e então execute a função no seu backend. Anexe o resultado com o tool_call_id correspondente e envie as mensagens atualizadas de volta para a resposta final. Limite rodadas adicionais de ferramentas; o modelo pode também responder sem chamar uma ferramenta.
Conecte o aplicativo e trate falhas
Mantenha a chave de API no seu backend. Autentique o usuário, aplique limites de uso e retorne a resposta ou faça streaming para a interface. Registre o status da conclusão e o uso faturado sem registrar chaves ou entradas privadas.
Para 401/403, verifique credenciais e acesso; para 400, simplifique a solicitação; para 429 ou erros temporários do servidor, use tentativas limitadas e backoff. Marque respostas truncadas ou desconectadas como incompletas. O cliente compartilhado já usa timeout de 120 segundos e duas tentativas do SDK, então evite adicionar um loop de tentativas ilimitado.
Como adicionar ferramentas a um agente Hy4 Flash
Um aplicativo com ferramentas envia definições de função, recebe a chamada solicitada pelo modelo, executa uma função permitida e retorna o resultado com o tool_call_id correspondente. O fluxo de chamadas de ferramenta do Chat Completions (https://developers.openai.com/api/docs/guides/function-calling) preserva a mensagem do assistant antes de anexar os resultados das ferramentas.
Para uma consulta de cliente, a sequência essencial é: definir a função, permitir que o modelo a solicite, executá-la no seu aplicativo e retornar o resultado para que o modelo possa responder. O modelo propõe uma chamada; seu aplicativo controla a execução.
Defina a consulta. Descreva get_customer_info em tools, com customer_id como string obrigatória. Mantenha a implementação no seu backend.
Pergunte ao modelo. Envie a pergunta do usuário, mensagens e tools com tool_choice="auto". Se o modelo responder diretamente, verifique o status de conclusão e exiba a resposta.
Trate uma chamada solicitada. Preserve a mensagem do assistant, valide o nome da função e os argumentos JSON, e verifique o acesso antes de executar a consulta. Anexe cada resultado como uma mensagem de tool com seu tool_call_id correspondente.
Finalize a resposta. Envie as mensagens atualizadas de volta ao modelo. Para o registro fictício usado aqui, a resposta final deve identificar o cliente 10086 como tendo o plano Pro e status ativo. Limite rodadas adicionais de ferramentas.
O resultado da consulta deve levar a uma resposta identificando o plano Pro e o status ativo. Ao substituir o dicionário local por um serviço real, verifique a permissão do usuário autenticado antes de retornar um registro de cliente. Adicione um ID de operação estável antes de introduzir ferramentas que criam ou modificam registros.
Compatibilidade do Hy4 Flash com os protocolos OpenAI Chat Completions, OpenAI Responses e Anthropic Messages.
Preço da API do Hy4 Flash
Compare separadamente as taxas de entrada não em cache, saída e acerto de cache. A tabela abaixo usa CNY por milhão de tokens da página de preços da Tencent (https://cloud.tencent.com/document/product/1823/130055) e a tabela de comparação em CNY na página do Hy4 Flash no CometAPI (https://www.cometapi.com/models/hunyuan/hy4-flash/), verificadas em 17 de novembro de 2026. A oferta de 50% de lançamento da Tencent aplica-se ao uso antes de 30 de novembro de 2026 às 12:00 no horário de Pequim.
Uso por 1M de tokens
Lista da Tencent (CNY)
Lançamento da Tencent (CNY)
Tabela do CometAPI em CNY*
Entrada não em cache
¥0.50
¥0.25
¥0.40
Saída
¥2.00
¥1.00
¥1.60
Entrada em cache
¥0.02
¥0.01
¥0.016
Para 100 milhões de tokens de entrada não em cache e 10 milhões de tokens de saída, o total no preço de lista da Tencent é ¥70; o total no preço de lançamento é ¥35. Mantenha o período de cobrança e a base de preço anexados a cada estimativa.
Para 100 milhões de tokens de entrada não em cache e 10 milhões de tokens de saída, a mesma carga de trabalho resulta em:
CometAPI, usando sua tabela em CNY: 100 × ¥0.40 + 10 × ¥1.60 = ¥56, condicionado a essas taxas em CNY se aplicarem à sua conta.
Com base nesse CNY, o CometAPI fica ¥14 abaixo do exemplo de preço de lista da Tencent, mas ¥21 acima do exemplo de preço de lançamento da Tencent. Seu desconto anunciado de 20% é sobre o preço de lista; ele não se acumula com a promoção de 50% da Tencent. Se sua conta CometAPI faturar essas taxas numéricas em USD, o mesmo cálculo é $56, o que não é uma cotação de ¥56.
Melhores casos de uso para o Hy4 Flash
Caso de uso
Por que o Hy4 Flash se encaixa
Agentes de alto volume
Menores custos por tarefa relatados e chamadas de função
Assistentes de codificação
Contexto longo, raciocínio e integração de ferramentas
Processamento de documentos
Contexto amplo e compreensão de imagem
Produtividade empresarial
Saídas estruturadas e execução de fluxos de trabalho
Extração de dados
Processamento de longo contexto e saída JSON
Assistentes multimodais
Entradas de texto e imagem
Pesquisa automatizada
Raciocínio multi-etapas e chamadas de ferramentas externas
Recomendação geral: O Hy4 Flash é particularmente atraente para desenvolvedores que precisam implantar agentes de IA com capacidade de raciocínio em escala sem pagar custos de inferência de modelos carro-chefe a cada solicitação.
Conclusão
O Hy4 Flash vale a avaliação quando tarefas cotidianas de codificação, trabalho com documentos ou agentes exigem um modelo econômico com suporte a texto, imagem e ferramentas. Comece com uma solicitação funcional, depois adicione a capacidade de que sua tarefa precisa. Deixe a qualidade e o custo do trabalho concluído — não o tamanho do modelo ou uma taxa de tokens de manchete — decidirem se ele pertence ao seu aplicativo.
FAQ
Como o Hy4 Flash deve lidar com PDFs escaneados?
Converta as páginas relevantes do PDF em imagens nítidas e envie-as via entrada de imagem, ou extraia texto legível antes de fazer uma solicitação de texto. Mantenha os números de página com cada bloco e peça evidências junto com os valores extraídos. Divida documentos longos por seção para que a resposta permaneça rastreável a uma fonte gerenciável, em vez de enviar um arquivo inteiro de uma vez.
Como devo salvar o histórico de conversas do Hy4 Flash?
Armazene as mensagens de que seu aplicativo precisa para retomar a conversa, incluindo chamadas de ferramentas do assistant e seus resultados emparelhados. Envie o histórico relevante com a próxima solicitação de Chat Completions. Antes de podar conteúdo mais antigo, preserve a tarefa atual, fatos essenciais e ações pendentes; não separe uma chamada de ferramenta pendente do seu resultado.
Como preparo um job em lote do Hy4 Flash?
Execute uma amostra pequena contendo entradas típicas e casos conhecidos de falha. Atribua a cada item um ID estável e salve seu status, resultado validado e uso separadamente. Limite o número de solicitações simultâneas, tente novamente apenas itens falhos dentro de um orçamento fixo e reconcilie IDs concluídos antes de reiniciar um job. Isso torna falhas parciais recuperáveis sem repetir todo o lote.
O Hy4 flash é open source?
Sim. Pesos instruct, FP8 e base foram lançados sob a Tencent Hy License e estão disponíveis nos principais hubs de modelos.
Como ele se compara ao Claude Haiku 5.5?
Nos testes internos cegos da Tencent, igualou o nível de satisfação do Haiku com custo substancialmente menor e tempos de conclusão mais rápidos em cargas de trabalho de escritório. Benchmarks independentes de codificação de longo horizonte ainda favorecem modelos mais fortes.