
Hy4 flash Vision: 74.8 MMMU-Pro, y por qué 52.0 sigue en pie
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 675 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 385 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
El 20 de noviembre de 2026, un pull request abierto para SGLang propuso soporte de visión-lenguaje para Hunyuan-4-Flash — el nombre que usa el framework para Hy4 flash, el modelo de 220 000 millones de parámetros que Tencent puso en su API el 16 de noviembre y publicó los pesos un día después. Enterrado en la descripción del PR, bajo un encabezado titulado «Accuracy / Tests», está el primer número de MMMU-Pro que alguien ha publicado para una versión instruct del modelo: 74,78 %, promediado sobre tres ejecuciones en los primeros 300 ejemplos. La propia ficha del modelo de Tencent reporta 52,0 en MMMU-Pro para Hy4 flash. Las dos cifras están a 22,8 puntos de distancia y no deberían restarse entre sí, porque no describen lo mismo. Averiguar qué describe cada una es la mayor parte de lo que un lector necesita antes de decidir si Tencent Hy4 sigue siendo el modelo al que recurrir cuando hay una imagen de por medio.
Qué contiene realmente la pull request
La PR es una de las tres que dividen un cambio ómnibus anterior, y está explícitamente apilada sobre la del modelo de texto. A 21 de noviembre, está abierta, sin fusionar, contiene un solo commit en ocho archivos (+1,883 / −13), y las tres ranuras de CI indican "Skipped — add the run-ci label". No se ha completado ninguna revisión de code owner. El soporte de texto sobre el que se construye también sigue abierto. Por lo tanto, nada de esto se ha incluido en una compilación de SGLang publicada; la entrada del cookbook para Hy4 flash todavía describe únicamente el servicio de texto y afirma sin rodeos que el soporte «aún no está en una wheel de SGLang publicada».
Lo que hace el diff es conectar el vision tower con la ruta de serving de extremo a extremo. Las piezas que importan:
El ViT y su proyector se fragmentan mediante paralelismo tensorial de atención, por lo que la torre de imágenes no es un cuello de botella de un solo rango en un nodo con múltiples GPU.
• La codificación de posición multimodal es MRoPE entrelazada —posiciones (t, h, w) por ranura—, transportada tanto a las capas de atención como al rope de IndexPool que las capas dispersas usan para seleccionar contexto, que es la parte que fallaría silenciosamente si solo se convirtiera la ruta densa.
• Se enseña al hashing de Engram a restaurar los IDs de token de imagen y video que se encuentran bajo valores de relleno y a omitir su hash, de modo que las tablas de memoria de n-gramas no consuman tokens multimedia como si fueran texto.
• Un flag language_model_only permite que el mismo motor sirva al modelo de texto sin necesidad de levantar en absoluto la ruta multimodal.
Ese último detalle es el resumen honesto de la situación: el código está escrito para que la visión sea opcional, porque en la mayoría de los despliegues de un modelo de 12B activos lo será.

Por qué 74,8 no es un salto de 22 puntos
Tres cosas separan la cifra de PR de la de la tarjeta, y cada una mueve el número en la dirección halagadora.
El primero es el checkpoint. La ficha de Tencent informa puntuaciones multimodales solo para los modelos base, y lo dice con todas las letras: "Los resultados multimodales solo se reportan para Hy4 flash Base y Hy4 Base." Hy4 flash Base obtiene 52,0 en MMMU-Pro (Standard, 10 opciones, 4-shot); el Hy4 Base más grande obtiene 59,6. Los checkpoints instruct —los que cualquiera realmente despliega— no tienen ninguna puntuación multimodal publicada. El PR evalúa el modelo instruct, así que está llenando una laguna real en lugar de superar una cifra contra la que se le comparó.
La segunda es la elicitación. El PR se ejecuta con temperature 0.9 y top-p 1.0, con reasoning_effort=high y un presupuesto de finalización de 32.768 tokens. La evaluación base de Tencent es de 4-shot, sin cadena de pensamiento. En una tarea de opción múltiple con diez opciones, un modelo instruct al que se le permite razonar antes de responder superará a un modelo base de 4-shot casi por construcción; esa diferencia es el post-entrenamiento, no una mejora de visión. Considera 74,8 como "el modelo instruct, preguntado correctamente" y 52,0 como "el modelo base, preguntado de la manera estándar". Son dos mediciones diferentes de dos artefactos diferentes.
El tercero es el subconjunto. La PR evalúa los primeros 300 ejemplos, no el conjunto completo, y no dice cómo se seleccionaron esos 300. Con 300 elementos y una proporción cercana a 0,75, solo el error estándar de muestreo es de unos 2,5 puntos, así que un intervalo del 95 % sobre esa única cifra es de aproximadamente ±5 puntos antes de cualquier efecto del orden de las preguntas. Las tres ejecuciones de la propia PR dieron 74,33, 75,33 y 74,67 —una dispersión de un punto, que es más estrecha que el error de muestreo, y conviene saberlo: la varianza entre ejecuciones sobre un subconjunto fijo subestima cuánto se movería el número con otras 300 preguntas distintas. Una segunda configuración en la misma PR, la pila completa con el código de decodificación especulativa pero sin especulación, promedia 74,00 en el mismo subconjunto y muestra una dispersión de 5,3 puntos entre sus tres ejecuciones. Ninguna de las dos cifras es incorrecta. Ninguna es un resultado de benchmark en el sentido que necesita una decisión de adquisición.
Lo que el PR sí establece, y esta parte es sólida, es que el pipeline está conectado correctamente en lugar de simplemente compilar. GSM8K en 200 elementos obtiene un 97,00 % con la torre de visión cargada — dentro de un punto de lo que reportó la rama solo de texto, así que la ruta multimodal no está degradando la cabeza de lenguaje. Se respondieron correctamente indicaciones de imágenes sintéticas que abarcaban formas y colores, OCR, un gráfico de barras y un recuento de líneas. Esa es una prueba de humo que pasó, y es la afirmación correcta que se debe hacer sobre un PR: el código funciona. La cifra de precisión es un efecto secundario de ejecutarlo.
![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)
Los tokens de video que no significan video
El título del PR dice entrada de imagen y video, el diff incluye video_start_token_id, video_end_token_id y video_token_id, y uno de los procesadores modificados gestiona el muestreo de fotogramas de video. Sería fácil clasificar Hy4 flash como un modelo de video sobre esa base. No lo hagas. El mismo diff contiene una guarda explícita —«HYV4 vision does not support video token compression»— con los indicadores de compresión espacial y temporal establecidos en false. La ficha del proveedor nunca afirma que sea de video: dice que el modelo «acepta de forma nativa entradas de texto e imagen, genera texto». Y la receta de vLLM que ya sirve el modelo establece --limit-mm-per-prompt '{"image":1,"video":0}', una imagen y ningún video por prompt.
Así que las constantes de video son la infraestructura de una ruta que está cerrada por ambos extremos: el framework reconoce los IDs de token para no bloquearse con ellos y desactiva la compresión que necesitaría una implementación real de video. Quien lea «entrada de imagen y video» en un resumen de PR y planee un pipeline de video en torno a un modelo de pesos abiertos de 220B está leyendo una hoja de ruta, no una capacidad.
Lo que realmente puedes ejecutar hoy
El panorama varía según el entorno de ejecución, que es la conclusión práctica.
• vLLM — ya sirve la ruta de visión. La receta publicada nombra la clase HYV4FlashVLForConditionalGeneration y permite una imagen por prompt de forma predeterminada. Esta es la ruta que existe actualmente.
• SGLang — el servicio de texto existe mediante la imagen lmsysorg/sglang:hy4-flash, y la página del cookbook correspondiente no menciona visión, imagen ni multimodal en ningún sitio. La visión es la PR abierta de arriba; estará disponible cuando se fusione el stack y se publique un wheel, y no antes.
• La API propia de Tencent — la entrada de imágenes formaba parte de la descripción del lanzamiento, y nuestro propio catálogo incluye tencent/hy4-flash como texto+imagen→texto con un contexto de 1.048.576 tokens, 65.536 tokens de salida y $0,0175 por millón de entrada frente a $0,07025 por millón de salida. Son valores de catálogo consultados hoy, no una nueva cotización de la tarjeta en RMB de la semana del lanzamiento, y no coinciden entre sí — las tarifas de China continental equivalen a aproximadamente cuatro veces el precio de entrada. No enviamos una llamada con imagen para verificar la parte de visión para este artículo, y la discrepancia entre los dos marcos de servicio es una buena razón para probarlo por tu cuenta antes de depender de ello.

La razón para probar en lugar de suponer es que un modelo puede anunciarse como multimodal, ser multimodal en sus pesos y aun así ser solo de texto en el endpoint que uno acabe llamando. Ese es exactamente el estado en el que ha estado Hy4 flash durante cinco días: el codificador de visión se envió con los checkpoints, y los stacks de servicio han ido poníendose al día una PR a la vez.
Dónde deja esto la elección
Si hoy necesitas comprensión de imágenes de la línea Hunyuan y necesitas que sea una cuestión resuelta en lugar de un proyecto de integración, la respuesta sigue siendo Tencent Hy4. Quedó disponible de forma general el 4 de noviembre con visión y uso de computadora como capacidades destacadas, y su comportamiento documentado incluye leer gráficos y diagramas detallados en lugar de la configuración de una sola imagen por prompt que usa por defecto la receta flash. Además, cuesta varias veces más: $0.834 de entrada y $2.501 de salida por millón en el mismo catálogo. Hy4 flash a $0.0175 es un modelo a precio de commodity con una vía de visión que es real pero recién integrada.
La regla de decisión que sigue no es nada glamorosa. Envía ahora el trabajo de texto y documentos a Hy4 flash. Envía el trabajo de imágenes a Tencent Hy4 hasta que Tencent publique puntuaciones multimodales del modelo instruct o se fusione el stack de SGLang y se pueda probar una wheel publicada; lo que ocurra primero, y ninguna de las dos cosas ha sucedido a fecha del 21 de noviembre. No hay motivo para elegir una y abandonar la otra: ambas están en una sola clave aquí, los precios de lista del proveedor se aplican con un 0 % de margen, y una regla de enrutamiento puede enviar las solicitudes con imágenes al modelo insignia mientras el texto va al modelo económico sin un segundo contrato ni un cambio de código. La conmutación por error automática cubre el caso en que la ruta de visión más reciente resulte ser la que falla con imágenes reales.
Qué ver a continuación
Tres cosas cambiarían este artículo, y cada una se puede comprobar.
La fusión de la pila. El PR de visión está sobre un PR de texto que a su vez no está fusionado; ambos necesitan revisión y la CI no se ha ejecutado en ninguno. Hasta que se publique un wheel, ningún usuario de SGLang podrá servir imágenes Hy4 flash, independientemente de lo que diga el diff.
Tencent publica cifras multimodales del modelo instruct. La tabla multimodal de la ficha solo cubre los checkpoints base, y esa es una omisión inusual para un lanzamiento que se presentó con multimodalidad. Una fila de MMMU-Pro con el conjunto completo para Hy4 flash instruct, ejecutada por Tencent o por un evaluador independiente, sustituiría cada estimación de este artículo por una medición.
Artificial Analysis añade el modelo. No hay ninguna entrada de Hy4 flash en la clasificación a 21 de noviembre —la URL del modelo devuelve un error 404—, así que no hay ningún índice de terceros, ni puntuación de velocidad o normalizada por precio con la que contrastar nada de esto. La cobertura del modelo en la semana de lanzamiento se basó en la propia suite WorkIndex de Tencent y en una prueba ciega interna de 85 personas; ninguna de las dos aborda la visión.
Hasta que uno de esos se concrete, el 74,8 pertenece a una frase con sus calificadores adjuntos: un checkpoint instruct, 300 elementos, alto esfuerzo de razonamiento, tres ejecuciones, una revisión puntual de un autor del framework sobre un PR que no ha sido revisado. Es el mejor número que existe para el lado de visión de Hy4 flash. Eso es un listón más bajo de lo que parece, y la lectura honesta es que la visión del modelo ahora está demostrablemente implementada y sigue en gran medida sin medir.
Comparados en este artículo1
Detectado en este artículo
