Generierte Titelkarte mit der Aufschrift „Tencent Hy4 vs. Kimi K3.1 Pro“ mit zwei Statistikspalten: Hy4 bei Intelligenzindex 34,6, 770B Gesamt- und 49B aktive Parameter, 0,834 $/2,501 $ pro Million Token; Kimi K3.1 Pro bei 46,5, 2,8T gesamt und 104B aktiv, 2,00 $/10,00 $; und einer Fußzeile mit der Aufschrift „Index gemäß Artificial Analysis v5.0.1, Stand 20. November 2026; die Gewichte beider Modelle sind öffentlich verfügbar.“
Guides & Insights

Hy4 vs. Kimi K3.1 Pro: Beide herunterladbar, eines selbst hostbar

Autor

Alistair Wren

Veröffentlicht am

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

Kimi K3.1 Pro erreicht 46,5 Punkte auf dem Artificial Analysis Intelligence Index. Tencent Hy4 erreicht 34,6. Das ist eine Lücke von 12 Punkten und der größte Rückstand, den Hy4 diese Woche in einem direkten Vergleich aufweist – größer als der gegen Qwen4-Max, mehr als zehnmal so groß wie der gegen Grok 4.7. In der Rangliste ist Kimi K3.1 Pro das beste aufgeführte Modell mit offenen Gewichten, Erster von 32 in seiner Klasse.

Dann schaut man sich an, was die beiden auf die Waage bringen. Kimi K3.1 Pro ist ein Modell mit 2,78 Billionen Parametern und 104 Milliarden aktiven Parametern pro Token. Tencent Hy4 kommt auf insgesamt 774 Milliarden mit 49 Milliarden aktiven. Beide wurden als herunterladbare Gewichte veröffentlicht – Kimis am 2. November 2026, Hy4 am 18. November, mit drei Wochen Abstand. Nur eines von beiden passt auf eine Maschine, wie ein normales Unternehmen sie besitzt, und allein diese Tatsache ordnet den gesamten Vergleich neu. Das ist keine Geschichte darüber, welches Modell klüger ist. Es ist eine Geschichte darüber, welches Modell man tatsächlich betreiben kann – und was das klügere einen pro abgeschlossener Aufgabe kostet, wenn man es stattdessen mietet.

Der einzige Maßstab, der darüber entscheidet

Minimaler einsatzfähiger Footprint bei der vom Anbieter selbst empfohlenen Präzision:

• {{1}}Tencent{{/1}} Hy4 — 774 Milliarden Parameter in BF16, veröffentlicht als 245 Shards von etwa 12,9 GB und 6,4 GB, etwa 1,45 TB vor jeglicher Quantisierung. Die eigene Serving-Rezeptur von {{2}}Tencent{{/2}} nutzt Tensor-Parallelität von 8 auf GPUs im Umfang eines einzelnen Knotens mit dem FP8-Build, was etwa 786 GB an Gewichten entspricht.

• Kimi K3.1 Pro — 2,78 Billionen Parameter, 2,72 TB U8-quantisierter Gewichte im Repository im Auslieferungszustand, wobei die BF16-Tensoren weitere 57 GB belegen. Es gibt keine Single-Node-Konfiguration, in der dieses Modell ein Wochenendprojekt wäre.

Beide Anbieter liefern die Software, die Serving praktikabel macht, und beide sind darin ungewöhnlich gut. Tencent veröffentlicht einen vLLM-Image-Tag (vllm/vllm-openai:hy4) und ein SGLang-Image (lmsysorg/sglang:hy4), wobei die Flags für Tensor-Parallelität und spekulative Dekodierung ausgeschrieben sind; Kimis Repository enthält eine compressed-tensors-MXFP4-Konfiguration und einen 4-Bit-Pfad, der die Gewichtsdatei auf die oben genannte Zahl von 2,72 TB reduziert. Keines der beiden ist eine Geschichte für kleine Modelle. Der Unterschied ist, dass ein 8-GPU-Knoten eine Anschaffung ist, die die meisten Engineering-Organisationen genehmigen können, und ein Deployment mit 2,8 Billionen Parametern eine Rechenzentrumsentscheidung.

Wenn Self-Hosting der Grund war, weshalb Sie sich für Open Weights interessierten, dann ist dieser Satz das gesamte Argument, und er hängt nicht von einem Benchmark ab.

Generated two-column scoreboard comparing Tencent Hy4 and Kimi K3.1 Pro across six dimensions: Intelligence Index 34.6 versus 46.5, total parameters 770B versus 2.8T, active parameters 49B versus 104B, price $0.834/$2.501 versus $2.00/$10.00 per million tokens, Terminal-Bench 4.0 37.4% versus 67.2%, and cost per index task $1.03 versus $3.68, with a footer reading 'Index figures per Artificial Analysis v5.0.1; parameter counts from vendor model cards.'

Wo die zwölf Punkte zu Hause sind

Ein Indexabstand von 12 Punkten klingt gleichmäßig. Ist er aber nicht – Hy4 behauptet sich bei mehreren Bewertungen und wird bei einer vernichtet.

Agentisches Coding, Terminal-Bench 4.0 — Kimi K3.1 Pro 67,2 %, Tencent Hy4 37,4 %. Eine Lücke von 30 Punkten und der größte Einzelbeitrag zur Indexdifferenz.

• Agentische Wissenschaft in einem Terminal, Terminal-Bench-Science — K​imi 34,3 %, Hy4 12,9 %.

• Softwareentwicklung in echten Repositories, FrontierCode-AA 2.0 — Hy4 31,4 %, K​imi 25,5 %. Hy4 ist hier das bessere Modell, um sechs Punkte, und es ist die einzige Bewertung, bei der die Arbeit eines Terminal-Agenten mit echten Repositories für T​encent spricht.

• Anspruchsvolles Schlussfolgern, HLE-Diamond — Kimi 37,3 %, Hy4 32,7 %. Näher beieinander, als die Schlagzeile vermuten lässt.

• Physik, CritPt v2 schwierige Teilmenge — K​imi 49,5 %, Hy4 39,0 %.

• SaaS-Workflow-Ausführung, AutomationBench-AA — Kimi 73,3 %, Hy4 65,6 %.

• Agentische Wissensarbeit, AA-Briefcase Elo — Kimi 1.673,6, Hy4 1.445,9. Eine 228-Elo-Differenz mit nicht überlappenden Intervallen.

Das FrontierCode-Ergebnis ist eines, bei dem man innehalten sollte, denn es widerspricht der naheliegenden Lesart der anderen sechs. In einem Benchmark zum Ändern echter Open-Source-Repositories führt Hy4. In einem Benchmark einer sauberen Terminalumgebung führt K​imi mit 30 Punkten Vorsprung. Die Model Card von T​encent erklärt, warum das so sein könnte: Hy4 wurde speziell auf T​encents eigene Game- und Frontend-Pipelines trainiert — Unreal, Unity, Godot, UI-State-Management — und meldet einen Zuwachs von 19,1 % in seiner internen GameDev-Suite gegenüber Hy4 preview. Das ist ein Modell, das für das Bauen von Dingen optimiert wurde und in einem Test bewertet wird, in dem sie repariert werden. Nimmt man beide Zeilen, lautet die ehrliche Schlussfolgerung, dass die Coding-Geschichte von der Arbeitslast abhängt und nicht, dass ein Modell besser programmiert.

Screenshot of the Artificial Analysis page for Tencent Hy4, captured 20 November 2026, showing its Intelligence, Performance, Cost and Verbosity rank tiles, 93 tokens per second output, 14.0 minutes per task, a 118.9-second time to first token and a 1M-token context window, with the header still labelling the model proprietary.

Ein 3,6-mal niedrigerer Preis pro abgeschlossener Aufgabe

Hier wird der Vergleich zur Arithmetik statt zur Argumentation. Artificial Analysis gibt für beide Modelle gemessene Kosten pro Aufgabe des Intelligence Index an, in die Tokenpreise, Reasoning-Länge und Cache-Verhalten einfließen:

• T​encent Hy4 — 1,03 $ pro Aufgabe, bei 0,834 $ Eingabe und 2,501 $ Ausgabe pro Million Token, 95 % Cache-Rabatt bei 0,042 $.

• Kimi K3.1 Pro — 3,68 $ pro Aufgabe, bei 2,00 $ Eingabe und 10,00 $ Ausgabe pro Million Tokens, 90 % Cache-Rabatt bei 0,20 $.

Die 12-Punkte-Lücke im Index kostet also pro Aufgabe 3,6-mal so viel. Pro Indexpunkt liegt K​imi bei etwa dem 4,4-Fachen des Preises. Das ist kein Skandal – ein Modell, das bei schwieriger agentischer Arbeit wirklich besser ist, soll mehr kosten –, aber es stellt die Entscheidung in einen neuen Rahmen. Wenn Ihre Arbeitslast 67 % auf Terminal-Bench benötigt, gibt es keinen Ersatz, und Sie sollten zahlen. Wenn Ihre Arbeitslast 37 % benötigt, dann ist das Zahlen des Dreieinhalbfachen für die übrigen 30 Punkte Geld, das für Fähigkeiten ausgegeben wird, die Sie nicht abrufen werden.

Es gibt einen Kosteneffekt zweiter Ordnung, den die Kennzahl pro Aufgabe verbirgt. K​imi benötigt 39,7 Minuten pro Index-Aufgabe gegenüber 14,0 bei Hy4 und liefert sein erstes Antwort-Token nach 162,8 Sekunden gegenüber 115,9. Bei 30 Ausgabe-Tokens pro Sekunde gegenüber 93 bei Hy4 ist das langsamste Modell in diesem Vergleich – um den Faktor drei – zugleich das teuerste. In einer Agentenschleife mit Hunderten von Schritten verstärken sich Latenz und Kosten gegenseitig, statt sich gegeneinander aufzuwiegen.

Zwei Lizenzen mit zwei unterschiedlichen Stolperfallen

Beide Modelle sind Open-Weight in dem Sinne, dass man sie herunterladen und nutzen kann. Keines von beiden ist Apache 2.0, und der Unterschied zwischen ihren kommerziellen Klauseln ist nicht akademisch:

• Tencent Hy4 — die Tencent Hy License 1.0, abgeleitet von Apache 2.0. Abschnitt 10 verlangt eine separate schriftliche Vereinbarung, bevor das Modell als Dienst angeboten wird, wenn Ihr weltweiter Bruttoumsatz in einem beliebigen 12-Monats-Zeitraum 50 Mio. USD übersteigt oder wenn das Produkt, das es enthält, 100 Millionen monatlich aktive Nutzer übersteigt. Die interne Nutzung ist ausgenommen.

• Kimi K3.1 Pro — die Kimi K3.1-Pro-Lizenz. Dieselbe Art der Einschränkung, jedoch mit einer Umsatzschwelle von 20 Millionen US-Dollar statt 50 Millionen US-Dollar.

Beide nehmen Endnutzerprodukte aus, bei denen das Modell in bestimmte Funktionen eingebettet ist, statt als allgemein zugänglicher Modellzugriff bereitgestellt zu werden. Beide erlauben die bloße Weiterleitung an einen Drittanbieter-Modelldienst. Einfach gesagt: Ein kleines Produktteam, das eine Funktion auf einem der beiden Modelle aufbaut, ist in Ordnung. Ein Unternehmen, das ein Inferenzgeschäft auf einem der beiden betreibt, muss einen Anruf machen – und Kimis Anruf kostet weniger als die Hälfte des Umsatzes.

Der Vollständigkeit halber ist die vorherige Generation der Ausreißer: Die Hy4-Vorschau, die am 28. August 2026 erschien, war Apache 2.0 ohne jegliche kommerzielle Schwelle. Wer auf der Lizenz der Vorschau aufgebaut hat und jetzt zu Hy4 wechselt, wechselt zu anderen Bedingungen.

Beide laufen lassen, ohne sich schon zu entscheiden

Der Grund, warum dieser Vergleich nicht auf dem Papier entschieden werden muss, ist, dass beide Modelle über einen einzigen Endpunkt verfügbar sindwobei der eigene Tarif des Anbieters durchgereicht wird: tencent/hy4 zu 0,834 $ und 2,501 $ pro Million Tokens, kimi/kimi-k3.1-pro zu 2,00 $ und 10,00 $ mit Cache-Lesevorgängen zu 0,20 $. Das sind die oben genannten Zahlen, ohne Aufschlag, und eine Preisänderung des Anbieters schlägt hier noch am selben Tag durch statt erst bei einer Verlängerung.

Bei einem Paar, das bei Leistungsfähigkeit und Kosten so weit auseinanderliegt, ist das nützliche Muster kein Split – sondern eine Obergrenze. Leite über die Routing-DSL Anfragen an kimi/kimi-k3.1-pro weiter, lege tencent/hy4 als automatisches Failover-Ziel fest und beobachte, wie oft das Failover ausgelöst wird. Wenn es selten ausgelöst wird, zahlst du für K​imis Leistungsfähigkeit – und bekommst sie. Wenn es ständig ausgelöst wird, weil K​imi eine hohe Latenz hat, hast du gerade etwas entdeckt, das dir eine Benchmark-Tabelle nicht sagen kann – zu Hy4-Preisen statt zu K​imis Preisen. Modellfusion ist die andere Option: Ein Panel aus beiden würde es dem Reasoning des stärkeren Modells erlauben, bei den Evaluierungen, bei denen sie konvergieren, das günstigere Token-Budget des schwächeren Modells zu tragen.

Screenshot of the OrcaRouter model page for Kimi K3.1 Pro, captured 20 November 2026, showing the kimi/kimi-k3.1-pro endpoint with a 1,048,576-token context window, 943,718-token maximum output, text, image and video input, reasoning effort from none to max, a 143-second median time to first token and $2.00/$10.00 per million tokens.

Was würde diese Antwort ändern?

Drei Dinge, nach absteigender Wahrscheinlichkeit. Erstens ein Hy4-Fine-Tuning: Die Gewichte sind seit zwei Tagen öffentlich, und die 30-Punkte-Lücke bei Terminal-Bench ist genau die Art von Vorsprung, die ein gezieltes Fine-Tuning auf den eigenen Terminal-Traces eines Unternehmens aufzehrt. Zweitens eine unabhängige Bewertung von Kimi K3.1 Pro mit höherem Reasoning-Aufwand als dem Standardmaximum, das der Index verwendet — die Ausgabengrenze von 943.718 Token im Modellsteckbrief wurde von niemandem, der Ergebnisse veröffentlicht, ausgeschöpft. Drittens ein Geschwistermodell der Hy4-Flash-Klasse, das das agentische Training zu einem Viertel des Preises erbt, was das Kostenargument gegen Kimi noch schwerer zu entkräften machen würde.

Bis eines davon erscheint, ist die Aufteilung sauber. Kimi K3.1 Pro ist das bessere Modell und das teurere, um einen Faktor, der Bestand hat, egal ob man pro Token, pro Aufgabe oder pro Indexpunkt misst. Tencent Hy4 ist dasjenige, das man auf eigener Hardware betreiben kann, mit einer Lizenzschwelle, die doppelt so großzügig ist, und einem Preis, der nur ein Drittel so hoch ist. Keines von beidem ist ein Grund, das andere zu bereuen.

In diesem Artikel verglichen2

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert