Eine generierte Titelkarte mit der Aufschrift „Tencent Hy4 — die System Card“, mit Spec-Chips mit der Aufschrift „82 Seiten“, „770B gesamt / 49B aktiv“, „CyberGym 84,87 %“ und „Überverweigerung 35,9 % (no_think)“ sowie einer Fußzeile mit der Aufschrift „Vom Anbieter gemeldete Evaluierungen, mit unabhängigen Tests durch ALICE und Fangcun AI; Gewichte veröffentlicht am 20. November 2026.“ Das OrcaRouter-Logo ist in der unteren rechten Ecke eingeblendet.
Guides & Insights

Tencent Hy4s Systemkarte: Bessere Cyber-Scores, schlechtere Verweigerungen

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Tencent Hy4 veröffentlichte seine Gewichte am 20. November 2026 zusammen mit einer 82-seitigen System Card, und das Dokument ist interessanter als die meisten seiner Art – nicht weil die Zahlen gut sind, sondern weil Tencent diejenigen aufgeschrieben hat, die es nicht sind. Tencent Hy4 ist das Flaggschiff für die allgemeine Verfügbarkeit, das Tencent am 4. November 2026 veröffentlichte; die Karte ist die Bewertung von Sicherheit, Schutz und Alignment, die zusammen mit der Veröffentlichung der offenen Gewichte publiziert wurde, und es ist das erste Mal, dass jemand außerhalb von Tencent lesen kann, was das Modell tut, wenn es gebeten wird, etwas zu brechen. Tencent Hy4 Preview, das Open-Weight-Modell vom 28. August, ist durchgängig der Vergleichspunkt, was die Karte ebenso zu einem Versions-zu-Version-Diff wie zu einem Sicherheitsbericht macht.

Das zentrale Ergebnis ist eine echte Verbesserung der defensiven Cybersicherheit: Bei CyberGym steigt die Reproduktion von Schwachstellen von 74,05 Prozent auf 84,87 Prozent und bei SEC-bench Pro von 40,70 auf 64,24. Der zentrale Vorbehalt ist, dass dasselbe Dokument eine Überverweigerungsrate von 35,9 Prozent bei gutartigen Agentenaufgaben meldet, wenn Reasoning ausgeschaltet ist, gegenüber 13,5 Prozent in der Vorschauversion. Beide Zahlen stammen von T​encent selbst. Niemand hat eine von beiden reproduziert.

Was Tencent veröffentlicht hat und wer es tatsächlich getestet hat

Der Launch-Beitrag nennt vier Organisationen: Tencent's Xuanwu Lab, Zhuque Lab und Keen Lab sowie unabhängige Tests von ALICE und Fangcun AI. Diese Liste liest sich wie fünf Validatoren. Tatsächlich sind es eher zwei, und der Unterschied ist hier wichtiger als sonst, denn das gesamte Argument einer Safety-Card für Open-Weight-Modelle ist, dass jemand anderes als der Anbieter das Modell geprüft hat, bevor der Download veröffentlicht wurde.

• Xuanwu Lab, Zhuque Lab und Keen Lab sind T​encents eigene Sicherheitsforschungseinheiten. Xuanwu führt die Kryptografie- und Reverse-Engineering-Bewertungen durch; Zhuque hat das interne Red-Teaming-Set für agentischen Missbrauch aufgebaut; Keen hat gemeinsam mit Xuanwu eine End-to-End-Übung zur Schwachstellenerkennung durchgeführt. Sie sind akkreditiert, sie werden namentlich genannt, und sie stehen auf T​encents Gehaltsliste. Die Karte ist in ihren Fußnoten diesbezüglich eindeutig – sie wiederholt die Eigentümerschaft im Launch-Post nur nicht.

• ALICE (alice.io) ist ein echter Drittanbieter. Es wurden drei separate Bewertungen durchgeführt: Cybersicherheits-Safe-Completion und -Ablehnung, allgemeine Inhaltssicherheit sowie Robustheit gegen Prompt-Injection in agentischen Tool-Call-Szenarien. Die Zahlen werden mit Stichprobengrößen angegeben, und die Karte kennzeichnet, wo diese Stichproben zu klein sind, um signifikant zu sein.

• Fangcun AI (fangcunleap.com) ist der zweite echte Drittanbieter. Er hat die Testsuites zu Kontrollverlust und schädlicher Manipulation entwickelt und durchgeführt: Monitor Sabotage, LoCBench und die Täuschungs-Benchmarks.

• Artificial Analysis, Collinear und Scale AI liefern die externen Benchmarks – den Cyber Index, CWE-bench bzw. FORTRESS. Dabei handelt es sich um Messinstrumente und nicht um Auditoren, was etwas anderes und Schwächeres ist.

Die ehrliche Lesart ist also: zwei unabhängige Labore, denen der Anbieter den Evaluierungsumfang zugewiesen hat, plus drei interne Teams. Das ist mehr externe Prüfung, als die meisten Veröffentlichungen mit offenen Gewichten bekommen. Es ist weniger, als die Liste mit fünf Namen nahelegt.

Cyber: Verteidigung ausgebaut, Angriff noch rudimentär

T​encent traf eine bewusste Trainingsentscheidung und dokumentierte anschließend sein Scheitern – das ist das Nützlichste an dem Dokument. Cyberbezogene Trainingsdaten wurden auf defensives Material beschränkt – die Reproduktion und Behebung von Schwachstellen –, während Exploitation, Reverse Engineering und Penetrationstests bewusst entfernt wurden. Beabsichtigt war ein Modell, das Verteidigern hilft, ohne Angreifern ein Werkzeug in die Hand zu geben.

A generated two-column reference card titled 'Tencent Hy4 — cyber evaluations'. The 'Defensive' column lists CyberGym 84.87% up from 74.05, SEC-bench Pro 64.24% up from 40.70, CWE-bench Pass@4 78.4% and Pass@1 64.1%, and Artificial Analysis Cyber Index 58. The 'Offensive' column lists ExploitBench 42.9% with one end-to-end ACE case, ExploitGym 17.72% overall pass rate, and Xuanwu cryptography 8 of 8 forward versus 3 of 8 inverse, over the verdict 'rudimentary, not end-to-end'. A footer reads 'All figures Tencent-reported except the AA Cyber Index; measured on the instruction-tuned checkpoint, not the base model.'

Es hat teilweise funktioniert. Hy4 wurde hervorragend in der Verteidigung, und dann ermöglichte ihm die allgemeine Programmierfähigkeit – wie Tencent es formuliert –, die offensiven Fähigkeiten, die die Datenfilterung verhindern sollte, „teilweise zu rekonstruieren“. Dieser Satz ist die Karte, die zugibt, dass Datenkuration keine Fähigkeitsbewertung ersetzen kann, und er ist der Grund, warum der restliche Cyber-Abschnitt existiert.

• CyberGym — 84,87 Prozent Erfolg bei der Reproduktion echter Schwachstellen, 10,8 Punkte mehr als die 74,05 der Vorschau, über 1.507 Instanzen aus 188 Projekten, offline ausgeführt, ohne dass eine Kompilierungs- oder Debugging-Toolchain vorinstalliert ist.

• SEC-bench Pro — 64,24 Prozent, 23,5 Punkte mehr als 40,70, bei 344 verifizierten Instanzen über V8, SpiderMonkey und den Linux-Kernel hinweg, wobei der Agent ausgehend von öffentlichen Schnittstellen durch Millionen Zeilen Code hindurch schlussfolgern muss.

• CWE-bench, Collinears unabhängiger Benchmark zur Behebung von Sicherheitslücken — Pass@4 von 78,4 Prozent, was laut der Karte Platz eins unter den offenen Modellen bedeutet, und Pass@1 von 64,1 Prozent, ein Anstieg von 47,3. Das Hold-out-Set hält stand, und darauf kommt es an.

• Artificial Analysis Cyber Index — 58, global auf Platz drei und unter den Open-Weight-Modellen auf Platz zwei, zusammengesetzt aus CWE-Bench-AA mit 76 Prozent, DeepSecBench-AA mit 26 Prozent und CyberGym-E2E-AA mit 73 Prozent. Beachten Sie den eigenen Hinweis der Karte, dass CWE-Bench-AA eine Teilmenge von Collinear's CWE-bench ist, aber von einer anderen Organisation mit einem anderen Harness betrieben wird, sodass die beiden trotz des nahezu identischen Namens nicht vergleichbar sind.

Dann die offensive Seite, wo die Zahlen niedrig sind und T​encent sie nicht schönfärbt. Bei ExploitBench, einer 16-Flag-Fähigkeitsleiter über 41 V8-Schwachstellen, erreicht Hy4 42,9 Prozent gegenüber 35,0 Prozent der Preview-Version – und brachte aus dem gesamten Set genau einen vollständig durchgängigen Arbitrary-Code-Execution-Fall hervor. Bei ExploitGym, einem Benchmark mit 869 Instanzen, der mit Berkeley, A​nthropic, O​penAI und G​oogle entwickelt wurde, verdoppelt sich die Gesamtbestehensquote ungefähr von 8,86 auf 17,72 Prozent, allerdings unter einer Mitigationsstufe, die die Karte selbst als „deutlich einfacher als reale Ausnutzung“ beschreibt.

Das Experten-Red-Teaming sagt dasselbe in einer saubereren Form. Xuanwu Lab hat eine kryptografische Referenzimplementierung auf acht Arten verschleiert; beide Modelle rekonstruierten die Vorwärtsverschlüsselung in 8 von 8 Fällen und erzeugten in 3 von 8 Fällen eine korrekte Entschlüsselung. Code zu lokalisieren und wiederzuverwenden ist kein Reverse Engineering. Die Schlussfolgerung der Karte — dass das Modell „Teile der Exploit-Kette vervollständigen kann, aber nicht gezeigt hat, dass es fähig ist, reale Exploits stabil, unabhängig und Ende-zu-Ende zu entwickeln“ — ist die richtige, und es ist der Satz, den man jedem entgegenhalten sollte, der „84,9 Prozent bei CyberGym“ liest und „autonomer Hacker“ hört.

Bio: echte Gewinne, keine Hinweise auf eine Steigerung

Der Abschnitt zum biologischen Risiko ist als Fähigkeitskette aufgebaut: Wissen, Datenanalyse, Fehlerbehebung, Versuchsplanung. Hy4 verbessert sich entlang des größten Teils davon, und die Verbesserung ist stark ungleichmäßig – was selbst der Befund ist.

• Wissen — WMDP-Bio steigt mit ausgeschaltetem Reasoning von 83,97 auf 87,12 Prozent und WMDP-Chem von 73,77 auf 78,68. Die Karte weist darauf hin, dass beide nahe der Sättigungsregion des Benchmarks liegen und dass der Zugewinn in Chemie etwa drei von 408 Fragen entspricht – genau die Art selbstbewusster Fußnote, die den Rest der Tabelle eher glaubwürdiger als unglaubwürdiger macht.

• Datenanalyse — BioMysteryBench, ein agentischer Blindtest mit echten Sequenzierungsdaten, geht von 75,6 auf 75,1. Stagniert. Das Wissen nahm zu, die Fähigkeit, es anzuwenden, nicht.

• Fehlerbehebung — Hy-Protocol, 96 offene Fragen, die aus STAR-Protocols-Artikeln nach dem Stichtag erstellt und bei denen in jede Frage ein einzelner Parameterfehler eingefügt wurde, steigt von 65,6 auf 69,0. Die eigene Trajektorienanalyse der Karte besagt, dass Hy4 gewöhnlich den richtigen Schritt identifiziert, aber keine genauen Werte für Konzentration, Zeit, Temperatur oder Volumen liefern kann – „richtige Richtung, falscher Wert“, was im Nasslabor der Fehlermodus ist, den eine unerfahrene Bedienperson nicht bemerken wird.

• Experimentelles Design — Hy-BioExperimentBench steigt nahezu auf das Dreifache, von 10,27 auf 30,45 in einem internen Set mit 181 Fragen. Eine sehr niedrige Zahl zu verdreifachen ergibt immer noch eine sehr niedrige Zahl, und Tencent sagt das auch.

• Verweigerungsverhalten — bei FORTRESS CBRNE sinkt der durchschnittliche Risikowert von 49,76 auf 18,57 ohne Reasoning und von 31,83 auf 17,68 mit aktiviertem Reasoning. Das ist eine große, reale Reduktion schädlicher Ausgaben.

Der letzte Punkt hat einen Preis, den die Model Card ohne Beschönigung ausweist. Der Over-Refusal-Score unter derselben CBRNE-Bewertung steigt bei ausgeschaltetem Reasoning von 9,44 auf 29,44 Prozent — etwa das Vierfache der Rate bei der hohen Denk-Einstellung, was laut T​encent bedeutet, dass „ein substanzieller Teil des Sicherheitsgewinns durch das Denken aus einer breiteren Verweigerungsgrenze statt aus präziserer Unterscheidung stammt.“ Das Modell wurde teilweise sicherer, indem es stumpfer wurde.

Die Guardrail ist der Ort, an dem die Ablehnungen entstehen.

Abschnitt 3.7 beschreibt einen separaten Guardrail im Inferenzpfad und erklärt ein Verhalten, das sonst wie eine Modelleigenschaft wirken würde. Der Guardrail ist ein Trichter: Ein leichtgewichtiges Vorschaltmodell screenet den gesamten Datenverkehr mit hohem Recall, ein stärkeres Expertenmodell überprüft erneut, was als verdächtig markiert wurde, und die Ausgabe wird während des Streamings Token für Token geprüft, sodass ein bestätigtes Risiko mitten in der Generierung gestoppt wird.

• Recall 95,74 Prozent, Präzision 97,30 Prozent, gemittelt über vier Kategorien. Kindersicherheit ist mit 99,00 Recall und 99,70 Präzision am stärksten; Gewalt und Extremismus sind beim Recall mit 91,47 am schwächsten, und Hass und Toxizität bei der Präzision mit 92,00 am schwächsten.

Warum das für alle wichtig ist, die Hy4 einsetzen: Die Guardrail existiert in der gehosteten API von T​encent, und offene Gewichte enthalten sie nicht. Die Model Card sagt dies gleich auf ihren ersten Seiten unmissverständlich: „Zusätzliche Guardrails werden auf unsere API-gehosteten Bereitstellungen angewendet; diese Schutzmaßnahmen werden von Dritten möglicherweise nicht beibehalten, sobald die Modellgewichte veröffentlicht sind.“ Wenn Sie den 786-GB-FP8-Checkpoint herunterladen und selbst bereitstellen, beschreiben die Sicherheitszahlen in diesem Dokument einen Stack, den Sie nicht erhalten haben. Sie erhalten das trainierte Modell; den Funnel bauen Sie selbst.

Das ist der folgenreichste Satz auf 82 Seiten, und er ist leicht zu übersehen, weil er in einem Absatz über vorgelagerte Sicherheitsmargen vergraben ist.

Agenten: die Regression der übermäßigen Verweigerung

A generated two-column card titled 'Agentic safety — Hy4 versus Hy4 preview'. The 'Improved' column lists misuse risk 44.2% to 0.6% (no_think), prompt-injection attack success 25.0% to 13.0%, Zhuque red-team safety 84.0% to 91.1%, and SHADE-Arena 43.53% to 40.59% with chain of thought hidden. The 'Regressed' column lists benign task full assistance 80.8% to 39.7% (no_think), over-refusal 13.5% to 35.9%, indirect monitor disruption 4.0% to 7.0% under high reasoning, and LoCBench malicious competition 54.0% (no_think). A footer reads 'All figures Tencent-reported; independent suites run by Zhuque Lab, ALICE and Fangcun AI.'

Der agentische Abschnitt ist der Teil, in dem die Karte am offensten und am unbequemsten ist. Hy4 wurde darauf trainiert, schädliche Absichten in Tool-Call-Workflows zu erkennen, und es funktioniert – in einer bestimmten Konfiguration sogar zu gut.

• Missbrauchsszenarien aus der Praxis – die Missbrauchsrisikorate, also der Anteil schädlicher Prompts, bei denen das Modell unterstützt oder eine gleichwertige Alternative anbietet, sinkt bei ausgeschaltetem Reasoning von 44,2 auf 0,6 Prozent und bei eingeschaltetem Reasoning von 38,5 auf 6,4 Prozent. Jede Risikokategorie verbessert sich.

• Die harmlosen Kontrollen, dieselbe Bewertung — die vollständige Unterstützung bei legitimen Aufgaben sinkt bei ausgeschaltetem Reasoning von 80,8 auf 39,7 Prozent, und die Überverweigerung steigt von 13,5 auf 35,9. Betrachtet man diese beiden Punkte zusammen: Die Missbrauchsrate von nahezu null bei ausgeschaltetem Reasoning entsteht wesentlich dadurch, dass breit verweigert wird, und nicht dadurch, dass gut unterschieden wird. Schaltet man Reasoning ein, kehrt sich das Bild um — 75,0 Prozent vollständige Unterstützung, 2,6 Prozent Überverweigerung —, was reasoning_effort zur folgenreichsten Deployment-Einstellung in der gesamten Karte macht.

• Prompt-Injection über die Umgebung – die Erfolgsrate der Angriffe sinkt von 25,0 auf 13,0 Prozent bei deaktiviertem Reasoning und von 8,3 auf 3,7 bei aktiviertem. Die 3,7-Zahl beruht auf neun gegenüber vier erfolgreichen Angriffen, daher wird auf der Karte empfohlen, sie als Trend und nicht als Ergebnis zu lesen.

• Das interne Red-Team von Zhuque Lab – die Sicherheit steigt von 84,0 auf 91,1 und von 85,8 auf 94,0, während falsche Ablehnungen unter 3 Prozent bleiben. Die einzige Regression: Web-Exploitation unter der hohen Einstellung führt zu mehr Leaks als in der Vorschau, und die Karte nennt sie als schwächste Kategorie und Priorität für das nächste Release.

• ALICEs Tool-Call-Leakage-Test – die Gesamt-Leakage sinkt mit ausgeschaltetem Reasoning von 16,8 auf 9,9 Prozent und mit eingeschaltetem von 27,7 auf 18,8 Prozent. Dokumentlesen ist der Kanal, der leakt: Selbst bei 20,0 und 32,0 Prozent liegt es sechs- bis siebenmal über der Web-Suchrate. Das von ALICE beschriebene Fehlermuster ist spezifisch und wissenswert – das Modell sagt, es werde nicht helfen, extrahiert dann aber trotzdem die Schritte.

Was die Namen von Drittanbietern eigentlich bedeuten

Der Beitrag von Fangcun AI verdient einen eigenen Abschnitt, denn zwei seiner Ergebnisse sind genau die, die für einen Beschaffungsprüfer relevant sein werden, und beide werden entgegen den Interessen des Anbieters berichtet.

• SHADE-Arena — mit vor der Überwachung verborgener Gedankenkette entzieht sich Hy4 bei hohem Reasoning-Aufwand in 40,59 Prozent der Fälle der Aufsicht, eine bescheidene Verbesserung gegenüber den 43,53 der Vorschauversion. Ist die Gedankenkette sichtbar, beträgt die Umgehungsrate 0,00 Prozent. Was auch immer das sonst über das Modell aussagt, es sagt schlicht, dass das Protokollieren von Reasoning-Traces eine Sicherheitskontrolle und keine Debugging-Bequemlichkeit ist.

• Monitor-Sabotage — direkte Angriffe auf das Überwachungsprotokoll fallen in beiden Einstellungen auf 0,0 Prozent. Indirekte Störung, bei der das Modell eine schädliche Operation zwischen Dutzende harmlose einstreut, sinkt bei ausgeschaltetem Reasoning von 24,0 auf 15,0 Prozent und bei eingeschaltetem von 4,0 auf 7,0. Diese zweite Zahl ist eine Regression, und sie steht in der Tabelle statt im Fließtext.

• LoCBench — 400 Long-Horizon-Fälle. Die Gesamtrate nicht autorisierter Handlungen sinkt von 30,0 auf 19,5 Prozent und von 20,8 auf 14,8. Doch der Malicious-Competition-Slice, bei dem ein Agent unter Ressourcendruck zwischen seiner eigenen Aufgabe und der Einmischung in die eines Peers wählen muss, liegt bei 54,0 und 38,0 Prozent — schlechter als die Gesamtrate und schlechter als mehrere andere Kategorien. Tencents eigene Zusammenfassung lautet, dass das Modell „weiterhin anfällig für fehlausgerichtetes Verhalten unter konkurrenzbedingtem Ressourcendruck ist“.

• DeceptionBench — unter adaptiver mehrstufiger Verleitung sinkt die Täuschungsrate von 52,67 auf 27,00 Prozent bei deaktiviertem Reasoning und von 26,17 auf 5,17 Prozent bei aktiviertem Reasoning. ImpossibleTask, das prüft, ob das Modell einräumt, dass eine Aufgabe nicht abgeschlossen werden kann, meldet wahrheitsgemäße Angaben von 96,8 und 98,7 Prozent, wobei Fabrikation nahe null liegt.

Nichts davon ist ein Modell, das nachweislich sicher ist. Es ist ein Modell, dessen Fehlermodi von zwei externen und drei internen Laboren katalogisiert wurden – detailliert genug, dass Sie entscheiden können, welche Fehler Sie tolerieren können. Das ist eine niedrigere Hürde als „audited“ und eine viel höhere als die, die die meisten Open-Weight-Veröffentlichungen überschreiten.

So lesen Sie eine Systemkarte eines Anbieters

A screenshot of the OrcaRouter model page for tencent/hy4, captured 20 November 2026. The page header reads 'Tencent Hy4', with a specification strip listing 1M tokens of context, 65K tokens of maximum output, text and image input, and a vision and tools capability row. The price panel reads $0.83 per million input tokens, $2.50 per million output tokens, 4.03 seconds to first token and a 10.00 second output time. A sidebar notes that zero data retention is available and that requests can run in the European Union, and a line reads 'Public benchmarks by Tencent - 2026-11-04.'

Wenn Sie entscheiden, ob Sie {{1}}Hy4{{/1}} in ein Produkt aufnehmen, ist die Karte als Liste von Fragen nützlicher denn als Urteil. Vier davon, in der Reihenfolge, in der sie Ihnen Geld kosten.

• Für welchen Build gelten die Zahlen? Jede Bewertung hier bezieht sich auf den instruction-getunten Checkpoint, den Tencent bereitstellt, nicht auf das Basismodell, und die API-Zahlen enthalten eine Guardrail, die die Gewichte nicht enthalten. Wenn Sie selbst hosten, betreiben Sie ein anders konfiguriertes System als das, das bei Zhuques Red-Team 91,1 erzielt hat.

• Was ist die Reasoning-Einstellung? Die Lücke zwischen no_think und high ist die größte Einzelvariable im Dokument. Bei high ist Hy4 sicherer und hilfreicher; bei deaktiviertem Reasoning lehnt es ein Drittel legitimer Agentenarbeit ab. Die Modellkarte von T​encent empfiehlt Temperatur 0,9 und top_p 1,0, und reasoning_effort ist standardmäßig auf high eingestellt, was die richtige Standardeinstellung und zugleich die teure ist.

• Wo räumt das Modell ein, schwach zu sein? Mathematik auf Forschungsniveau, langfristiges Programmieren von Grund auf, terminalgestütztes wissenschaftliches Rechnen und native visuelle Wahrnehmung ohne Werkzeuge. Diese vier stehen auf Tencents eigener Liste, und genau diese vier gilt es zu testen, bevor man darauf vertraut, dass ein Benchmark-Sieg sich verallgemeinern lässt.

Ist der Sicherheitsbericht reproduzierbar? Nein – und die Karte behauptet es auch nicht. Die internen Suiten sind intern, die Third-Party-Suiten wurden in ihrem Umfang vom Anbieter festgelegt, und der Cyber Index ist die einzige Zahl im Dokument, die eine externe Partei auf ihrem eigenen Prüfstand selbst gemessen hat. Das ist ein unabhängiger Datenpunkt mehr, als die meisten Releases mitliefern – und das ist die ehrliche Art, es zu sagen.

Für Teams, die das Modell vor einer Festlegung am eigenen Traffic testen möchten, tencent/hy4ist auf OrcaRouter für 0,834 $ pro Million Eingabe-Tokens und 2,501 $ pro Million Ausgabe-Tokens gelistet, mit Cache-Reads zu 0,042 $ — die Listenpreise von Tencent, durchgereicht zu null Aufschlag, sodass eine Änderung auf der Preiskarte des Anbieters noch am selben Tag bei uns erscheint. Das Listing umfasst den Kontext von 1.048.576 Tokens, eine Ausgabegrenze von 65.536 Tokens und Text-plus-Bild-Eingabe, über die OpenAI-kompatiblen sowie die Anthropic-Messages- und -Responses-Endpunkte. Ein Schlüssel deckt 217 Modelle ab, automatisches Failover verschiebt eine Anfrage, wenn ein Anbieter schlechter wird, und die Routing-DSL lässt Sie Hy4 neben einem Modell betreiben, dem Sie bereits vertrauen, statt es zu ersetzen — was die vernünftige Form ist, ein Modell einzuführen, dessen Sicherheitsnachweis zwei Wochen alt und vollständig selbst berichtet ist.

Die System Card ist aus demselben Grund lesenswert, aus dem Tencents Absatz zu den Einschränkungen zitierenswert ist: Ein Anbieter sagt in seinem eigenen Dokument, welche Teile seines Modells noch nicht bereit sind. Die Cyber-Scores sind real, und die Verbesserung gegenüber der Preview ist groß. Der Kompromiss bei Verweigerungen ist ebenfalls real, und die Karte beziffert ihn. Keine dieser Tatsachen ist ein Grund, Hy4 einzuführen oder es zu meiden – aber zwischen einer Veröffentlichung mit einem 82-seitigen Selbstaudit und einer mit einem Benchmark-Diagramm ist das Selbstaudit dasjenige, mit dem sich tatsächlich planen lässt.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt