
Hy4 flash Vision: 74.8 على MMMU-Pro، ولماذا لا يزال 52.0 صامدًا
- OrcaجديدOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 لكل مليون رمز · 184 tok/s
- tencentجديدTencent: Hy4 Flash2026-11-16$0.02 / $0.07 لكل مليون رمز · 675 tok/s
- AlibabaجديدQwen: Qwen4 Max2026-11-16$1.50 / $4.50 لكل مليون رمز · 385 tok/s
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 87 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 لكل مليون رمز · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 لكل مليون رمز · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
في 20 نوفمبر 2026، اقترح طلب سحب مفتوح على SGLang دعمًا للرؤية واللغة لـ Hunyuan-4-Flash — وهو اسم الإطار لـ Hy4 flash، النموذج ذي 220 مليار معامل الذي أتاحته Tencent على واجهة API في 16 نوفمبر ثم أتاحته كأوزان بعد يوم. ويكمن في وصف طلب السحب، تحت عنوان «Accuracy / Tests»، أول رقم MMMU-Pro نشره أي أحد لنسخة instruct من النموذج: 74.78%، بمتوسط ثلاث عمليات تشغيل على أول 300 مثال. وتُبلغ بطاقة النموذج الخاصة بـ Tencent عن 52.0 على MMMU-Pro لـ Hy4 flash. الرقمان يفصل بينهما 22.8 نقطة، ولا ينبغي طرح أحدهما من الآخر، لأنهما لا يصفان الشيء نفسه. وتحديد ما يصفه كل منهما بالفعل هو معظم ما يحتاجه القارئ قبل أن يقرر ما إذا كان Tencent Hy4 سيظل النموذج الذي يُستدعى عندما تكون صورة في الأمر.
ما الذي يحتويه طلب السحب فعليًا
إن طلب السحب (PR) واحد من ثلاثة طلبات split تغييرًا شاملًا سابقًا، وهو مبني صراحةً فوق التغيير الخاص بنموذج النص. حتى 21 نوفمبر، هو مفتوح وغير مدموج، ويحمل كوميت واحدًا عبر ثمانية ملفات (+1,883 / −13)، وجميع خانات CI الثلاث تقرأ "Skipped — add the run-ci label". لم تكتمل أي مراجعة من مالك الكود. ودعم النص الذي يبني عليه لا يزال مفتوحًا أيضًا. لذا لم يُشحن أي شيء من هذا في إصدار SGLang صادر؛ ولا يزال مدخل cookbook الخاص بـ Hy4 flash يصف خدمة النصوص فقط، ويقول صراحةً إن الدعم "is not in a released SGLang wheel yet".
ما يفعله هذا الـ diff هو ربط برج الرؤية بمسار الخدمة من طرف إلى طرف. الأجزاء المهمة:
• يتم توزيع ViT ومُسقِطه (projector) عبر التوازي التنسوري في الانتباه، لذا لا يمثّل برج الصورة عنق زجاجة على مستوى رتبة واحدة في عقدة متعددة وحدات معالجة الرسومات.
ترميز المواضع متعدد الوسائط هو MRoPE المتداخل — مواضع (t، h، w) لكل فتحة — يُنقل إلى كل من طبقات الانتباه وـ rope الخاص بـ IndexPool الذي تستخدمه الطبقات المتفرقة لتحديد السياق، وهو الجزء الذي كان سيتعطل بصمت لو حُوِّل المسار الكثيف فقط.
• يُدرَّب تجزئة Engram على استعادة معرّفات رموز الصور والفيديو الموجودة ضمن قيم الحشو، وعلى تخطي تجزئتها، كي لا تستهلك جداول ذاكرة n-gram رموز الوسائط كما لو كانت نصًا.
• تتيح علامة language_model_only للمحرك نفسه خدمة النموذج النصي دون تشغيل المسار متعدد الوسائط على الإطلاق.
تلك التفصيلة الأخيرة هي الملخص الصادق للوضع الراهن: فقد كُتبت الشيفرة بحيث تكون الرؤية اختيارية، لأنها ستكون كذلك في معظم عمليات نشر نموذج 12B-active.

لماذا لا يُعد 74.8 قفزة بمقدار 22 نقطة
ثمة ثلاثة أشياء تفصل رقم بيان العلاقات العامة عن رقم البطاقة، وكل واحد منها يحرّك الرقم في الاتجاه الأكثر إطراءً.
الأول هو نقطة التحقق. تُبلّغ بطاقة Tencent عن درجات متعددة الوسائط لنماذج base فقط، وتنص على ذلك بالحرف: "لا تُبلَّغ نتائج متعددة الوسائط إلا لـ Hy4 flash Base وHy4 Base." يحصل Hy4 flash Base على 52.0 في MMMU-Pro (Standard، 10 خيارات، 4-shot)؛ أما Hy4 Base الأكبر فيحصل على 59.6. أما نقاط التحقق instruct — تلك التي ينشرها أي شخص فعليًا — فليس لديها أي درجة متعددة الوسائط منشورة على الإطلاق. يقيس البيان الصحفي نموذج instruct، لذا فهو يملأ فجوة حقيقية بدلًا من أن يتفوق على رقم قُورن به.
الثاني هو الاستخلاص. يعمل PR عند درجة حرارة 0.9 وtop-p 1.0 مع reasoning_effort=high وميزانية إكمال قدرها 32,768 توكنًا. التقييم الأساسي لدى Tencent هو 4-shot، دون سلسلة تفكير. في مهمة اختيار من متعدد بعشرة خيارات، فإن نموذج instruct الذي يُسمح له بالتفكير قبل الإجابة سيتفوق على نموذج base بسياق 4-shot تقريبًا بحكم التصميم؛ تلك الفجوة سببها التدريب اللاحق، وليست تحسنًا في الرؤية. اعتبر 74.8 بمنزلة «نموذج instruct، عند سؤاله بالطريقة الصحيحة» و52.0 بمنزلة «نموذج base، عند سؤاله بالطريقة القياسية». إنهما قياسان مختلفان لناتجين مختلفين.
الثالث هو المجموعة الفرعية. يقيّم طلب السحب أول 300 مثال، لا المجموعة الكاملة، ولا يوضح كيف سُحبت تلك الـ300. عند 300 عنصر ونسبة قريبة من 0.75، يبلغ الخطأ المعياري للمعاينة وحده نحو 2.5 نقطة، لذا فإن فترة ثقة 95% لذلك الرقم المفرد تبلغ نحو ±5 نقاط قبل أي تأثير لترتيب الأسئلة. وسجّلت تشغيلات طلب السحب الثلاثة الخاصة به 74.33 و75.33 و74.67 — بفارق نقطة واحدة، وهو أضيق من خطأ المعاينة، وهذا جدير بالمعرفة: فالتباين بين التشغيلات على مجموعة فرعية ثابتة يقلّل من مقدار تحرك الرقم على 300 سؤال مختلف. أما التهيئة الثانية في طلب السحب نفسه، أي المكدس الكامل مع شيفرة فك الترميز التخميني لكن دون تخمين، فمتوسطها 74.00 على المجموعة الفرعية نفسها، وتُظهر فارقًا قدره 5.3 نقطة بين تشغيلاتها الثلاث. لا يعد أي من الرقمين خاطئًا. ولا يعد أي منهما نتيجة معيارية بالمعنى الذي يتطلبه قرار التوريد.
ما يثبته PR فعلاً، وهذا الجزء متين، هو أن خط الأنابيب موصول بشكل صحيح وليس مجرد أنه يُجمَّع. يسجّل GSM8K على 200 عنصر نسبة 97.00% مع تحميل برج الرؤية — ضمن نقطة واحدة مما أبلغ عنه الفرع النصي فقط، لذا فإن المسار متعدد الوسائط لا يضعف رأس اللغة. تمت الإجابة بشكل صحيح عن مطالبات صور اصطناعية تغطي الأشكال والألوان، وOCR، ومخطط أعمدة، وعدّ خطوط. هذا اختبار دخاني ناجح، وهو الادعاء الصحيح الذي يمكن قوله عن PR: أن الشيفرة تعمل. رقم الدقة هو أثر جانبي لتشغيله.
![A screenshot of the SGLang pull request 51937 page on GitHub, showing the title '[Feat] models: Hunyuan-4-Flash vision-language support', a single commit from branch hy4f/4-vl into hy4f/3-text-model, eight files changed, and an Accuracy / Tests section listing three MMMU-Pro runs at 74.33, 75.33 and 74.67 percent on the first 300 examples plus GSM8K at 97.00 percent.](https://cms.orcarouter.ai/api/media/file/3-4342.png)
رموز الفيديو التي لا تعني فيديو
يقول عنوان PR إن المدخلات صور وفيديو، ويحمل الـ diff المعرّفات video_start_token_id وvideo_end_token_id وvideo_token_id، وأحد المعالجات المعدّلة يتولى أخذ عينات إطارات الفيديو. سيكون من السهل تصنيف Hy4 flash كنموذج فيديو على هذا الأساس. لا تفعل ذلك. يحتوي الـ diff نفسه على حارس صريح — "HYV4 vision does not support video token compression" — مع ضبط رايتَي الضغط المكاني والزماني على false. ولا تدّعي بطاقة المورّد الفيديو قط: فهي تقول إن النموذج "يقبل أصلاً مدخلات نصية وصورية، ويولّد نصًا". ووصفة vLLM التي تخدم النموذج بالفعل تضبط --limit-mm-per-prompt '{"image":1,"video":0}'، أي صورة واحدة ولا فيديو لكل موجّه.
ثوابت الفيديو ليست سوى بنية تحتية لمسار مغلق من طرفيه: يتعرّف الإطار على معرّفات الرموز حتى لا يتعثّر بها، ويعطّل الضغط الذي يحتاجه تنفيذ فيديو حقيقي. ومن يقرأ "إدخال الصور والفيديو" في ملخص PR ويخطط لخط أنابيب فيديو حول نموذج مفتوح الأوزان بحجم 220B، فهو يقرأ خارطة طريق، لا قدرة.
ما يمكنك تشغيله فعليًا اليوم
تختلف الصورة حسب بيئة التشغيل، وهذه هي الخلاصة العملية.
• vLLM — يخدم مسار الرؤية بالفعل. تُسمّي الوصفة المنشورة الفئة HYV4FlashVLForConditionalGeneration وتسمح بصورة واحدة لكل طلب افتراضيًا. هذا هو المسار المتاح حاليًا.
• SGLang — تتوفر خدمة النصوص عبر صورة lmsysorg/sglang:hy4-flash، ولا تذكر صفحة cookbook الخاصة بها الرؤية أو الصور أو الوسائط المتعددة في أي مكان. أما الرؤية فهي طلب السحب (PR) المفتوح أعلاه؛ وتصبح متاحة عندما يتم دمج الحزمة ويُشحن wheel، وليس قبل ذلك.
• واجهة برمجة التطبيقات الخاصة بـ Tencent — كان إدخال الصور جزءًا من وصف الإطلاق، وتُدرج فهرستنا الخاصة tencent/hy4-flash بوصفه نص+صورة→نص بسياق يبلغ 1,048,576 رمزًا، و65,536 رمز إخراج، و0.0175 دولار لكل مليون رمز إدخال مقابل 0.07025 دولار لكل مليون رمز إخراج. هذه قيم فهرس قرأناها اليوم، وليست إعادة اقتباس لبطاقة RMB من أسبوع الإطلاق، وهما لا يتطابقان — فأسعار البر الرئيسي تُحوَّل إلى نحو أربعة أضعاف سعر الإدخال. لم نرسل استدعاءً للصور للتحقق من جانب الرؤية لهذا المقال، واختلاف إطارَي الخدمة سبب وجيه لاختباره بنفسك قبل أن تعتمد عليه.

السبب في الاختبار بدلًا من الافتراض هو أنه يمكن الترويج لنموذج باعتباره متعدد الوسائط، ويكون متعدد الوسائط في أوزانه، ومع ذلك يظل نصيًا فقط على نقطة النهاية التي تصادف أن تستدعيها. وهذا بالضبط هو الوضع الذي كان عليه Hy4 flash لمدة خمسة أيام: فقد شُحن مُرمِّز الرؤية مع نقاط التحقق، وظلت حزم الخدمة تلحق به PR واحدًا تلو الآخر.
حيث يترك هذا الخيار
إذا كنت تحتاج اليوم إلى فهم الصور من سلسلة Hunyuan، وتريد أن تكون المسألة قرارًا محسومًا لا مشروع تكامل، فالإجابة ما زالت Tencent Hy4. فقد أصبح متاحًا عمومًا في 4 نوفمبر مع الرؤية واستخدام الحاسوب كقدرات رئيسية، ويشمل سلوكه الموثّق قراءة المخططات والرسوم البيانية الدقيقة بدلًا من ترتيب صورة واحدة لكل طلب الذي يعتمده إعداد flash افتراضيًا. كما أن سعره أعلى بعدة أضعاف: $0.834 للمدخلات و$2.501 للمخرجات لكل مليون ضمن الكتالوج نفسه. أما Hy4 flash بسعر $0.0175 فهو نموذج بسعر سلعي وله مسار رؤية حقيقي لكنه حديث الربط.
قاعدة القرار التالية غير مبهرجة. وجّه أعمال النصوص والمستندات إلى Hy4 flash الآن. وجّه أعمال الصور إلى Tencent Hy4 إلى أن تنشر Tencent درجات النماذج التعليمية متعددة الوسائط، أو يندمج مكدس SGLang وتصبح حزمة wheel صادرة قابلة للاختبار — أيهما يأتي أولًا، ولم يحدث أي منهما حتى 21 نوفمبر. لا سبب لاختيار أحدهما وهجر الآخر: كلاهما على مفتاح واحد هنا، تُمرَّر أسعار قوائم المزوّد كما هي بهامش ربح 0%، ويمكن لقاعدة توجيه أن ترسل الطلبات التي تحمل صورًا إلى الطراز الرائد بينما يذهب النص إلى النموذج الرخيص دون عقد ثانٍ أو تغيير في الشيفرة. التحويل التلقائي عند الفشل يغطي الحالة التي يتبين فيها أن مسار الرؤية الأحدث هو الذي يتعطل مع الصور الحقيقية.
ماذا تشاهد بعد ذلك
ثلاثة أمور من شأنها أن تغيّر هذا المقال، وكل منها قابل للتحقق.
دمج الحزم. إن PR الرؤية يقع فوق PR نصي غير مدموج أصلاً؛ وكلاهما بحاجة إلى مراجعة، ولم يعمل CI على أي منهما. وحتى تصدر حزمة wheel، لن يتمكن أي مستخدم SGLang من تقديم صور Hy4 flash بصرف النظر عمّا يقوله الـ diff.
تنشر Tencent أرقام الوسائط المتعددة لنموذج instruct. لا يغطي جدول الوسائط المتعددة في البطاقة سوى نقاط التحقق الأساسية، وهذا سهو غير معتاد لإطلاق كان تعدد الوسائط فيه العنوان الأبرز. إن صفًّا كامل المجموعة في MMMU-Pro خاصًا بـ Hy4 flash instruct، يشغّله Tencent أو مقيّم مستقل، سيستبدل كل تقدير في هذه المقالة بقياس.
تضيف Artificial Analysis النموذج. لا يوجد إدخال لـ Hy4 flash على لوحة الصدارة اعتبارًا من 21 نوفمبر — رابط النموذج يعيد خطأ 404 — لذا لا يوجد مؤشر أو درجة سرعة أو درجة معيارية حسب السعر من طرف ثالث يمكن التحقق من أيٍّ من هذا مقابلها. اعتمدت تغطية أسبوع الإطلاق للنموذج على مجموعة WorkIndex الخاصة بـ Tencent وعلى اختبار أعمى داخلي شمل 85 شخصًا؛ ولا يتطرق أيٌّ منهما إلى الرؤية.
إلى أن يتحقق أحد تلك الأمور، فإن 74.8 لا يصح ذكره إلا في جملة تُرفَق بها مؤهلاته: نقطة تحقق instruct، و300 عنصر، وجهد استدلال عالٍ، وثلاث عمليات تشغيل، وفحص سريع أجراه أحد مؤلفي إطار العمل على PR لم تتم مراجعته. إنه أفضل رقم موجود لجانب الرؤية في Hy4 flash. وهذه عتبة أدنى مما تبدو عليه، والقراءة الصادقة هي أن رؤية النموذج أصبحت الآن مُنفَّذة بشكل قابل للإثبات، وما زالت غير مقاسة إلى حد كبير.
مقارنات في هذه المقالة1
مستخرج من هذه المقالة
