Una tarjeta destacada generada titulada «Hy4 flash vs Qwen3.8-Flash», con un recuadro izquierdo que indica Tencent, 16 de noviembre de 2026, $0.070 de entrada y $0.281 de salida por millón, 220B en total con 11.3B activos, un contexto de 1.048.576 tokens, entrada de texto e imagen con salida de texto, y aún sin puntuación independiente; y un recuadro derecho que indica Alibaba, en QwenCloud desde el 26 de agosto de 2026, $0.15 de entrada y $0.47 de salida por millón, 125B MoE con aproximadamente 6B activos, un contexto de 1M y una salida máxima de 131K, entrada de texto, imagen y vídeo con salida de texto, y un Índice de inteligencia de 28.6 para la versión de pesos abiertos. Un pie de página indica que los precios de Hy4 flash son tarifas de lista de Tencent, los precios de Qwen3.8-Flash son de lista de QwenCloud, y la cifra del índice es Artificial Analysis v5.0.1 para Qwen3.8-Flash-Next.
Guides & Insights

Hy4 flash vs Qwen3.8-Flash: el doble de parámetros activos, la mitad de precio por token

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

El modelo más barato aquí es el más grande. Hy4 flash activa 11.300 millones de parámetros de texto en cada token y tiene un precio de lista de $0,070 por millón de tokens de entrada. Qwen3.8-Flash activa aproximadamente 6000 millones y tiene un precio de lista de $0,15. Casi el doble de cómputo activo por token, menos de la mitad del precio de entrada — y ninguno de esos dos números es el que decide a qué modelo deberías llamar realmente.

Hy4 flash tiene dos días. Tencent lo puso en su propia API el 16 de noviembre de 2026, publicó los pesos al día siguiente y lanzó tres repositorios para él: el checkpoint instruct, una compilación FP8 y un modelo base. Es una mezcla de expertos de 220 mil millones de parámetros con 12 mil millones activos, un contexto de 1.048.576 tokens, entrada de imágenes y salida de texto, bajo la Licencia Tencent Hy. Qwen3.8-Flash está en QwenCloud desde que Alibaba lo abrió junto con los pesos de Qwen3.8-Flash-Next el 26 de agosto de 2026: un cuerpo de expertos de 125 mil millones de parámetros que activa alrededor de 6 mil millones, más una tabla de embeddings n-gram de 51 mil millones de parámetros, que acepta texto, imagen y vídeo y devuelve texto, con un contexto de 1M y una salida máxima de 131K.

Así que la forma de esta comparación es inusual. Un modelo es el nivel barato mejor documentado del mercado y el otro es el menos documentado. Uno tiene una fila de benchmark independiente y el otro tiene un 404. Y las dos tarjetas de precios están denominadas en monedas distintas, se venden en mercados diferentes y están cubiertas por distintas cantidades de letra pequeña. Lo interesante no es el 2.1x de la línea de entrada — sino qué pasa con esa brecha cuando dejas de poner precio a los tokens y empiezas a poner precio al trabajo terminado.

La inversión en la tarjeta de tarifas, antes que nada.

La tarjeta de precios de Tencent en China continental para Hy4 flash indica ¥0,5 por millón de entrada, ¥2 por millón de salida y ¥0,02 por millón de entrada en caché. Tencent cotiza las mismas tres líneas en dólares como $0,070, $0,281 y $0,003. La tarjeta de QwenCloud para Qwen3.8-Flash indica $0,15 de entrada, $0,47 de salida, $0,016 por una lectura de caché y $0,20 por millón por crear explícitamente una caché de cinco minutos.

• Entrada — $0.070 frente a $0.15. Hy4 flash es 2.1 veces más barato.

• Salida — $0.281 frente a $0.47. Hy4 flash es 1,7 veces más barato.

• Entrada en caché: $0,003 frente a $0,016. Hy4 flash es 5,3 veces más barato en la línea de coste que domina en cualquier agente que reenvíe un prompt fijo.

• Combinado a una proporción de 3:1 entre entrada y salida — aproximadamente $0.123 por millón frente a $0.230.

• Combinado a 1:3, con predominio de la salida: aproximadamente $0.228 frente a $0.390.

Esa es una brecha real, y más pequeña de lo que implica la ratio del titular, porque la columna de salida es donde ambos modelos realmente gastan dinero en trabajo agéntico, y la brecha de salida es solo de 1,7 veces. También es menor que la brecha que cualquiera de estos modelos muestra frente a un modelo insignia occidental, que es la compañía que cada uno de ellos mantiene en este nivel.

La advertencia honesta sobre las cinco líneas: no son el mismo tipo de precio. El de Tencent es una tarifa de lista en RMB de China continental que Tencent ha convertido para lectores en inglés, y Tencent ya ha aplicado descuentos promocionales a este modelo en su primera semana. El de QwenCloud es una tarifa de lista en USD en un endpoint global. Un equipo que compre en dólares desde fuera de China continental debería tratar las cifras de Hy4 flash como el suelo de lo que hay disponible, en lugar de como la cantidad que se le facturará, y debería volver a leer la ficha antes de modelar nada a partir de ella.

Ejecuta ese volumen de todos modos, porque la forma se mantiene. Diez millones de tokens de entrada y dos millones de tokens de salida al día cuestan $1.26 en Hy4 flash y $2.44 en Qwen3.8-Flash — $461 frente a $891 al año, una diferencia de unos $430 con un tamaño de carga de trabajo que un equipo pequeño puede generar realmente. Inclina la mezcla hacia la caché, como hace cualquier agente multiturno, y la brecha se amplía: dos millones de entrada nueva, ocho millones de lecturas de caché y dos millones de salida suman $0.73 al día frente a $1.37, porque la proporción de lecturas de caché es de 5.3x en lugar de 2.1x.

A generated two-column scoreboard for Hy4 flash and Qwen3.8-Flash across six shared dimensions: input price $0.070 against $0.15, output price $0.281 against $0.47, cached input $0.003 against $0.016, active parameters 11.3B of 220B against roughly 6B of 125B, video input no against yes, and independent score none against 28.6. A footer notes the prices are Tencent and QwenCloud list rates and the 28.6 is Artificial Analysis Intelligence Index v5.0.1 for Qwen3.8-Flash-Next.

Ambos proveedores dedicaron casi un tercio de los parámetros a la misma idea

Esta es la parte de la comparación que ninguno de los anuncios de lanzamiento de los proveedores pone junto a la del otro, y es la razón por la que los dos modelos tienen precios que difieren en un factor de dos en lugar de un factor de diez.

Hy4 flash incorpora 63,5 mil millones de parámetros Engram —representaciones aprendidas de bigramas y trigramas, recuperadas mediante búsquedas hash multicabezal e incorporadas al backbone en las capas 1, 11, 21 y 31—. Eso supone el 28,9% de los 220 mil millones de parámetros del modelo, que residen en una tabla de búsqueda en lugar de en expertos. Qwen3.8-Flash incorpora una tabla de embeddings de n-gramas de 51 mil millones de parámetros indexada por el token actual y varios anteriores, de un total de aproximadamente 180 mil millones de parámetros en disco: el 28,3%.

Dos laboratorios, dos generaciones, la misma conclusión: la forma más barata de añadir capacidad a un modelo disperso es dejar de pagar cómputo por token por ella. Ambas tablas pueden residir en la memoria del host y precargarse de forma asíncrona, por lo que ninguna ocupa permanentemente la memoria de la GPU. Ninguna añade una multiplicación matricial a la pasada hacia adelante. Ambas son, en efecto, una apuesta a que una gran fracción de lo que un modelo de lenguaje necesita saber es predecible localmente a partir de los últimos pocos tokens, y a que el cuerpo de expertos disperso debería reservarse para lo que no lo es.

Las pilas de atención también riman. Hy4 flash entrelaza la atención dispersa de IndexPool con ventanas deslizantes de 512 tokens en una proporción de 1:3 en 42 capas, y Tencent informa que la caché KV resultante es 1/24 de la de Hy3 y 1/6 de la de Hy4. Qwen3.8-Flash usa Gated DeltaNet con Qwen Sparse Attention, comprimiendo el historial en estados de tamaño fijo en tres de cada cuatro capas y enrutando el resto a través de un indexador a nivel de bloque. Ambas son respuestas a la misma pregunta —cómo servir una ventana de un millón de tokens sin pagar por una caché KV de un millón de tokens— y ambas respuestas acaban en alguna variante de «no prestar atención a todo».

La diferencia está en lo que aportan los parámetros activos adicionales. Hy4 flash ejecuta 11,3 mil millones de parámetros de texto frente a los 6 mil millones de Qwen3.8-Flash, en 41 capas MoE con 16 de 512 expertos enrutados más un experto compartido, en un espacio latente de 1.536 dimensiones. Eso es casi el doble de cómputo por token, en un modelo que cobra menos de la mitad por token. Sea lo que sea lo demás cierto, Tencent no recupera ese coste del cliente: lo recupera de la pila de servicio: pesos de 4 bits, megakernels y DFly2, un modelo borrador de 0,85 mil millones de parámetros que reutiliza las selecciones dispersas de KV e índices del modelo objetivo, de modo que cada token de borrador atiende como máximo a unas 2.000 claves independientemente de la longitud del contexto. Tencent sitúa la decodificación por encima de 150 tokens por segundo con esos tres elementos en conjunto.

Qué se consigue realmente con 29,5 minutos por tarea

Los precios por token son la unidad equivocada para ambos modelos, y los datos independientes lo concretan en uno de los lados de la comparación.

Artificial Analysis puntúa Qwen3.8-Flash-Next —el artefacto de pesos abiertos, no el SKU alojado— con 28.6 en Intelligence Index v5.0.1, a $0.569 por tarea, durante 29.5 minutos por tarea, a 83.6 tokens de salida por segundo, con 2.5 segundos hasta el primer token y 68.3 segundos hasta el primer token de respuesta.

Esos cinco números se multiplican y dan algo más útil que cualquiera de ellos por separado. A 83,6 tokens por segundo durante 1.768 segundos, una tarea produce aproximadamente 148.000 tokens de salida. A 0,47 dólares por millón, eso supone unos siete centavos de salida. Los otros cincuenta centavos de los 0,569 dólares son de entrada, lo que a 0,15 dólares por millón implica al menos 3,3 millones de tokens de entrada en toda la tarea —más si parte se sirvió desde caché a la tarifa más barata. Una entrada de 3,3 millones de tokens frente a un contexto de 1 M no es un solo prompt. Es un bucle: leer, actuar, volver a leer, veinte o treinta turnos de profundidad, con el contexto reconstruido o conservado cada vez.

Esa es la carga de trabajo para la que están diseñados ambos modelos, y es la razón por la que las decisiones de diseño de Hy4 flash se leen como se leen. El pipeline de postentrenamiento de Tencent redujo la salida media de extremo a extremo en un 50% mediante aprendizaje por refuerzo, y su evaluación ciega interna informa una mediana de finalización de tareas de 6,7 minutos a RMB 0,26 por tarea —unos $0,037 a los tipos de cambio vigentes—. Su suite interna WorkIndex sitúa a Hy4 flash en 42,1 frente a 39,7 de Hy4 preview, con un coste medio por tarea que Tencent declara como una decimotercera parte de Hy4 preview, una vigésima parte de Hy4 y una octava parte de DeepSeek-V4.1-Flash-1017 con precios de hora punta.

No dividas esas cifras entre las de Artificial Analysis. Una mediana de 6,7 minutos en 259 tareas de WorkBuddy entre 85 usuarios internos no es una mediana de 29,5 minutos en el Intelligence Index, y una cifra en RMB por tarea procedente del propio harness de un proveedor no es una cifra en dólares por tarea procedente de uno independiente. La comparación que respaldan es orientativa y merece decirse con claridad: el coste medido por tarea de Qwen3.8-Flash está dominado por cuántos tokens consume y cuánto tarda, no por cuánto cobra por token. Un modelo que escribe la mitad de texto y termina en una quinta parte del tiempo puede ser 1,7 veces más barato por token de salida y un orden de magnitud más barato por trabajo terminado. Si Hy4 flash es realmente ese modelo es justo lo que nadie ha medido todavía.

El marcador tiene una sola fila, y no es para el modelo que llamarías.

Dos revelaciones, ambas de las cuales cambian el peso que pueden tener las cifras anteriores.

Primero: Hy4 flash no tiene página en Artificial Analysis. No se trata de una puntuación baja ni de una entrada sin clasificar: https://artificialanalysis.ai/models/hy4-flash devolvió 404 el 18 de noviembre de 2026, tres días después de que se abriera la API y un día después de que llegaran los pesos. No existe ninguna medición independiente de este modelo en absoluto. La tabla de benchmarks publicada por Tencent cubre los checkpoints base preentrenados, Hy4 flash Base frente a Hy4 Base y los modelos base de DeepSeek, lo que dice algo sobre el preentrenamiento y nada sobre el modelo de instrucciones o el modo de razonamiento que realmente invocarías. La única evidencia sobre el modelo de instrucciones es la de la propia Tencent: WorkIndex, la prueba ciega y una ratio de coste por tarea.

Segundo: el 28,6 y los 0,569 $ pertenecen a Qwen3.8-Flash-Next, el checkpoint descargable. El Qwen3.8-Flash alojado en QwenCloud es una compilación de servicio ajustada por separado; Alibaba lo vende como el miembro de producción de la línea y los dos no son intercambiables. Artificial Analysis también registra Qwen3.8-Flash-Next con un contexto de 256.000 tokens —la ventana nativa del checkpoint antes de la extensión YaRN—, mientras que QwenCloud sirve el modelo alojado a 1M con una entrada máxima de 991K. Si estás calculando el precio del modelo alojado, dependes de la ficha de QwenCloud y de las propias evaluaciones de Alibaba para todo excepto la puntuación de inteligencia, que es la del checkpoint.

Así que la asimetría es marcada de una forma que es fácil de enunciar y difícil de resolver: un modelo tiene una puntuación independiente que pertenece a un artefacto diferente, y el otro no tiene ninguna puntuación independiente. Cualquier artículo que te dé un ganador en capacidad aquí se lo está inventando. Lo que se puede decir es más limitado y aun así útil. Qwen3.8-Flash, con 28,6, se sitúa por debajo de Tencent Hy4, el buque insignia de 770 mil millones de parámetros de la misma familia, con 34,6, y por debajo de Claude Haiku 5.5, con 36,5, en la misma versión del índice: una puntuación sólida de gama media, que es lo que debería producir un modelo flash pequeño. Hy4 flash, en la suite interna propia de Tencent, obtiene una puntuación superior a Hy4 preview y muy inferior a Hy4, que es la misma posición relativa medida con un instrumento diferente.

El video es la única fila que se decide por sí sola.

Todo lo anterior es discutible. Esto no.

• Entrada de Hy4 flash — texto e imágenes, mediante un codificador derivado de SigLIP2-So400m sobre un proyector MLP. La salida es texto.

• Entrada de Qwen3.8-Flash: texto, imagen y video. La salida es texto.

Si tu pipeline ingiere una grabación de pantalla, una captura de llamada o un archivo de video, Hy4 flash no puede aceptarlo y Qwen3.8-Flash sí. Los pesos abiertos no ayudan, un adaptador no ayuda, y ninguna ventaja de precio, por grande que sea, cierra esa brecha. Ambos admiten un millón de tokens de contexto, ambos manejan documentos y capturas de pantalla, y en ese terreno común la comparación sigue abierta; en video está cerrada.

Las cargas de trabajo que la propia Tencent recomienda para Hy4 flash son coherentes con ese límite —búsqueda profunda, procesamiento de documentos, creación de diapositivas, demos de frontend sencillas, uso del ordenador— y su propia guía deriva la ingeniería de software de horizonte largo a Hy4. Eso es un proveedor que reconoce un techo, lo cual es más informativo que la mayoría de los textos de lanzamiento y merece tomarse al pie de la letra.

Ambos se pueden descargar, y las descargas no son equivalentes.

A screenshot of the Hugging Face model card for tencent/Hy4-flash, showing the Image-Text-to-Text pipeline tag, the Tencent Hy License, a 220B parameter model size in BF16 with F32 tensor type, mixture-of-experts, multimodal, instruct and conversational tags, 96 likes, and a table of contents covering model introduction, capability, cost efficiency, blind evaluation, benchmark results, the DFly2 speculative draft model and quantisation.

Hy4 flash se lanzó como pesos abiertos el 17 de noviembre: tencent/Hy4-flash, tencent/Hy4-flash-FP8 y tencent/Hy4-flash-base. Un listado de archivos del 18 de noviembre sitúa el checkpoint BF16 en 440,5 GB repartidos en 148 fragmentos y la versión FP8 en 287,1 GB. Qwen3.8-Flash-Next es pública desde el 24 de agosto y ocupa 360,0 GB repartidos en 131 fragmentos.

• Receta de servicio — Tencent publica imágenes fijadas, vllm/vllm-openai:hy4-flash y lmsysorg/sglang:hy4-flash, con los flags tensor-parallel-8 y speculative-decoding escritos de forma explícita. Qwen3.8-Flash-Next ha tenido soporte de SGLang, vLLM y Transformers desde la semana de su lanzamiento.

• Transformers — Hy4 flash requiere una instalación desde una ref de pull request, refs/pull/50903/head, porque el soporte aún no está en main. Qwen3.8-Flash-Next se carga desde main.

• Cuantización: Tencent distribuye una compilación oficial en FP8 y un GGUF de AngelSlim; el ecosistema de Qwen ha tenido cuatro meses para producir sus propias cuantizaciones comunitarias.

• Señal del ecosistema — Qwen3.8-Flash-Next registró 2,983,542 descargas el mes pasado y 7,276 me gusta el 18 de noviembre. Hy4 flash, publicado el día anterior, mostró 96 me gusta y un recuento de descargas de cero.

• Hardware — los 440 GB de pesos en BF16 no caben en ocho tarjetas de 80 GB, por lo que la versión en FP8 de 287 GB distribuida en ocho H100 es el despliegue realista en un solo nodo, y esa es exactamente la configuración TP=8 que especifica la propia receta de Tencent.

Las imágenes fijadas y una instalación desde una referencia de PR no son descalificadoras; significan que estás ejecutando las compilaciones que Tencent probó en lugar de compilaciones ya publicadas, lo cual supone una diferencia en quién es dueño del próximo error. La ventaja de Qwen aquí es enteramente función de cuatro meses de tiempo transcurrido, y se erosionará. Hoy es real, y es la segunda brecha más grande en esta comparación después de la fila de benchmark ausente.

Ambas licencias tienen una cláusula de modelo como servicio, y son cláusulas diferentes.

Ambos modelos son gratuitos para descargar y ninguno es libre de revender sin condiciones, pero los desencadenantes no tienen la misma forma y la diferencia importa si alojas modelos para otras personas.

• Licencia Tencent Hy v1.0 — una derivada de Apache 2.0. La sección 10.2 exige una licencia por escrito independiente si usted opera un negocio de modelo como servicio y sus ingresos brutos mundiales superan los 50 millones de dólares estadounidenses en cualquier período de doce meses, o si su producto supera los 100 millones de usuarios activos mensuales. La sección 10.3 exime el uso interno.

• Licencia Comunitaria Qwen 1.0: exige una licencia separada para cualquier negocio de Modelo como Servicio o de Asistente de Trabajo con IA, independientemente de su tamaño, con el uso interno exento. Además, exige por separado que el nombre del modelo se muestre de forma destacada si superas los 100 millones de usuarios activos mensuales o los 20 millones de US$ en ingresos mensuales.

La excepción de Qwen que vale la pena leer dos veces — la licencia excluye explícitamente «el mero reenvío de solicitudes a modelos alojados por otros terceros» de su definición de Modelo como Servicio. La licencia de Tencent no tiene ninguna frase equivalente.

Ninguna de las dos conlleva una restricción territorial, lo que no puede decirse de varias licencias chinas de pesos abiertos. Si estás creando una herramienta interna, ambas son gratuitas a cualquier escala. Si estás creando un producto que revende inferencia, el umbral de Tencent es más sencillo y la salvedad de retransmisión de Qwen es más permisiva para un tipo concreto de intermediario, y cuál de las dos te vincula depende de en cuál de esos dos negocios estés.

¿Qué es invocable hoy, con una sola tecla?

A screenshot of the OrcaRouter model page for qwen/qwen3.8-flash, showing the Qwen3.8 Flash heading, a 1M-token context and 131K maximum output, text, image and video input with text output, vision, tools, JSON and reasoning capability tags attributed to Qwen with a 26 August 2026 date, zero data retention availability, a 10.00-second p50 time to first token, and the start of the model description as a multimodal reasoning model from Alibaba.

Qwen3.8-Flash está en el catálogo de OrcaRouter como qwen/qwen3.8-flash, a $0.15 por millón de tokens de entrada y $0.47 por millón de tokens de salida, con una lectura de caché de $0.0184 — las tarifas publicadas por QwenCloud para prompts y completaciones trasladadas con un 0% de margen, por lo que una rebaja del proveedor en este modelo te llega el mismo día en que ocurre, en lugar de en la próxima sincronización del catálogo.

Hy4 flash aún no está en el catálogo. Lo que hay para esta familia es tencent/hy4-preview a $0.834 y $2.501 por millón con una lectura de caché de $0.042 — el modelo del que se destiló Hy4 flash, y la base de referencia correcta para ejecutar contra la propia API de Tencent mientras esperas a que llegue la ruta de flash. Decir lo contrario sería atribuirnos una ruta que no tenemos.

Lo que esa asimetría te ofrece es una forma barata de resolver el debate por tu cuenta. Ejecuta tus veinte tareas más representativas en qwen/qwen3.8-flash con la clave que ya tienes, y en Hy4 flash con la de Tencent. Registra los tokens de entrada, los tokens de salida, los aciertos de caché, el tiempo de reloj y si la salida fue utilizable. La ratio por tarea que obtengas es la única versión de la afirmación de Tencent sobre la treceava parte que se aplica a tu tráfico, y te cuesta una tarde en lugar de una migración.

Cuando la ruta flash llegue a estar disponible, el patrón útil es una regla de enrutamiento en lugar de un conmutador: coloca la capa de ingestión de video en la ruta de Qwen porque es la única de las dos que acepta video, y la capa de texto y documentos en el modelo que favorezcan tus propios números. El DSL de enrutamiento expresa esa división en un único endpoint, la conmutación por error automática hace que la degradación de una ruta no probada de dos días de antigüedad no se lleve consigo el pipeline, y la misma clave llega a más de 200 modelos sin un segundo contrato.

La decisión, expresada en tres casos

Si necesitas entrada de vídeo, la comparación termina aquí. Qwen3.8-Flash la admite, Hy4 flash no, y ningún argumento de precio sobrevive a la falta de una modalidad.

Si necesitas un modelo con una puntuación independiente antes de que toque una ruta de cara al cliente, ya tienes tu respuesta por esa misma razón. 28,6 en Intelligence Index v5.0.1 es una cifra modesta —por debajo del 34,6 del buque insignia de Tencent y del 36,5 de Claude Haiku 5.5—, pero está medida, es pública y reproducible, y Hy4 flash no tiene nada parecido. Eso probablemente cambiará; es lo más valioso que cualquiera podría publicar sobre este modelo.

Si tu carga de trabajo son textos y documentos de gran volumen, sensible a la latencia, y puedes ejecutar tu propia evaluación, Hy4 flash merece la pena dedicarle la tarde. Casi el doble de parámetros activos por menos de la mitad del precio de entrada no es un intercambio habitual; la línea de entrada en caché a $0.003 hace que, para agentes de larga ejecución, volver a enviar el prompt cueste casi nada, y los pesos significan que el precio es una opción en lugar de la única. Entra sabiendo que eres la primera persona en medirlo, que su tabla de benchmarks publicada describe un checkpoint diferente del que vas a invocar y que 440 GB de pesos BF16 no cabrán en un solo nodo sin la versión FP8.

La cifra a la que hay que prestar atención no es otra publicación de lanzamiento. Es una fila de Artificial Analysis para Hy4 flash, porque convierte el ratio interno de un proveedor en una cifra que se puede comparar directamente con los $0,569 por tarea durante 29,5 minutos de Qwen3.8-Flash-Next. Si Hy4 flash queda claramente por debajo de eso en coste por tarea mientras se mantiene a pocos puntos de índice, la diferencia de precio lo es todo y este nivel se reorganiza en torno a ella. Si sale barato porque hace menos trabajo por tarea, entonces es un modelo para documentos y diapositivas con una tarifa inusualmente buena, y la propia guía de despliegue de Tencent ya lo dice.

Comparados en este artículo3

Detectado en este artículo