Tencent HY4 Preview es de código abierto: 770B MoE, contexto de 1M y un precio que está por debajo de la vanguardia

Tencent HY4 Preview, publicado y liberado como código abierto el 28 de agosto de 2026, es el primer modelo insignia de pesos abiertos genuinamente competitivo de un laboratorio chino en meses, y su cifra más sorprendente es el precio. Tencent lo fija en 6 yuanes (~US$0,85) por millón de tokens de entrada y 18 yuanes (~US$2,50) por millón de tokens de salida — aproximadamente una décima parte de lo que un modelo frontera cerrado de primer nivel cobra por la salida — mientras publica un modelo de mezcla de expertos de 770 mil millones de parámetros, de los cuales 49 mil millones están activos por token, con una ventana de contexto que supera el millón de tokens. Es el sucesor del Hy3 de la familia Hunyuan (295B en total, contexto de 256K) y cuadruplica ese contexto mientras más que duplica la capacidad activa. Los pesos se pueden descargar hoy desde Hugging Face, GitHub, ModelScope y GitCode, y el mismo modelo ya está operativo en los propios productos de Tencent: WorkBuddy, CodeBuddy en versiones nacionales e internacionales, el asistente Yuanbao y la aplicación de espacio de trabajo ima. Para cualquiera que haya visto cómo los modelos de pesos abiertos se quedan cortos frente a la frontera en el trabajo de ingeniería de software, este es el lanzamiento que finalmente hace que la brecha sea discutible — y las salvedades son tan importantes como las cifras.

El posicionamiento es deliberado. Tencent presenta Tencent HY4 Preview como un modelo de productividad para cuatro ámbitos: ingeniería de software, ofimática y análisis de datos, desarrollo de juegos e investigación científica. El énfasis en la ingeniería es lo que lo distingue de la multitud de modelos generalistas: las notas de la versión destacan la comprensión de tareas de largo alcance, la planificación y la depuración, no la calidad del chat. Ese enfoque se refleja tanto en la lista de integraciones como en la tabla de benchmarks: CodeBuddy integra el modelo en su IDE, WorkBuddy lo integra en flujos de trabajo ofimáticos (Tencent lo demuestra procesando 72 documentos financieros de una sola vez), y los desarrolladores de juegos obtienen hooks de MCP para Unreal Engine 5 y Unity que convierten una sola frase en una demo jugable.

Lo que realmente se envió

La hoja de especificaciones merece la pena leerse línea por línea, porque cada línea cambia lo que se le permite hacer a un modelo de peso abierto.

• Arquitectura — Mixture-of-Experts con 770B de parámetros totales y 49B activos por token, una relación de dispersión de aproximadamente 16:1 que mantiene el costo de inferencia en un rango que un equipo pequeño realmente puede permitirse.

• Ventana de contexto: más de 1 millón de tokens, cuatro veces los 256K de Hy3. Las tareas de ingeniería de largo plazo — un repositorio completo en la ventana, una refactorización de múltiples archivos, un lote grande de documentos — se convierten en problemas de una sola solicitud.

• Pesos — publicación abierta de estilo MIT en Hugging Face, GitHub, ModelScope y GitCode. Este es un modelo descargable y auto-alojable, no una demostración alojada.

• API — disponible en TokenHub de Tencent Cloud, el endpoint alojado del propio proveedor, con un precio de 6 yuanes por millón de tokens de entrada, 18 yuanes por millón de tokens de salida y 0,3 yuanes por millón de tokens para aciertos de caché.

• Integración de productos — WorkBuddy, CodeBuddy (nacional e internacional), Yuanbao e ima, lo que significa que los mismos pesos que Tencent distribuye en sus propias aplicaciones son los que puedes descargar y ejecutar.

Tencent también reporta una cifra de ingeniería de inferencia que rara vez aparece en una nota de lanzamiento: una mejora del 31,8% en el rendimiento de extremo a extremo gracias a la fusión de operadores y la optimización de la comunicación. Lo que hace que esto sea más que una nota al pie de una hoja de especificaciones es que Tencent dice que Tencent HY4 Preview encontró los cuellos de botella por sí mismo — el modelo analizó su propia pila de inferencia, y las optimizaciones se reportan estables en distintas longitudes de contexto y niveles de concurrencia. Ese es el tipo de detalle que separa un modelo que un laboratorio envía como artefacto de investigación de un modelo del que una empresa espera que reciba tráfico de producción. En una vista previa que ha sido pública durante solo unos días, es también exactamente el tipo de afirmación que nadie fuera de Tencent ha verificado todavía.

Las puntuaciones que merecen citarse

Cada benchmark que Tencent publicó para Tencent HY4 Preview es reportado por el proveedor — ejecutado en el propio entorno de evaluación de Tencent, no reproducido por ningún laboratorio independiente, y el modelo ha sido público durante solo unos días. Léelos como el techo que Tencent cree haber alcanzado, no como un hecho establecido.

La cifra principal es Terminal Bench 2.1, una prueba de qué tan bien un modelo maneja una terminal real mientras programa. Tencent reporta que Tencent HY4 Preview obtiene 85.4, lo que según la compañía empata con Claude Opus 5 y supera a DeepSeek V4 Pro, y supera a su propio predecesor Hy3 por 14.6 puntos. Ese número único está haciendo mucho trabajo pesado: es la afirmación que coloca a un modelo de pesos abiertos a la par de los modelos cerrados de frontera más caros en una prueba difícil de codificación agéntica, y es la afirmación que más necesita confirmación independiente.

El resto de la tabla interna: DeepSWE, un benchmark de ingeniería de software, salta de 28.0 en Hy3 a 64.3, lo que Tencent describe como "reduciendo gradualmente la brecha" con los modelos de primer nivel. En Toolathlon-Verified, una prueba de llamada de herramientas, obtiene 74.1, lo que Tencent afirma que supera a Qwen 3.8 Max y GPT-5.6 Sol y se acerca a Kimi K3 y Claude Opus 5. En APEX-Agents pass@1 se sitúa en 37.1, muy cerca del 37.2 de Kimi K3. Y en una prueba interna ciega separada, 163 expertos puntuaron 203 tareas de ingeniería con 2.99 sobre 4.00, superando por poco el 2.92 de GLM-5.3 y el 2.94 de Kimi K3.

Dos patrones destacan. Primero, cada cifra sólida corresponde a trabajo de ingeniería agéntica — manejo de terminal, llamada a herramientas, tareas a escala de repositorio — y ninguna a conocimiento genérico o razonamiento, lo cual es consistente con el posicionamiento de productividad, no una coincidencia. Segundo, Tencent tiene cuidado al describir DeepSWE y los demás como reduciendo, no cerrando, brechas. La única afirmación de paridad limpia y comercializable es el empate en Terminal Bench 2.1, y es la afirmación que más vale la pena probar con tu propia carga de trabajo.

Lo que realmente incluye el precio

El precio es donde el lanzamiento deja de ser interesante y empieza a ser disruptivo. Al precio de lista de Tencent, un millón de tokens de entrada cuesta aproximadamente lo que una sola llamada API de gama media en algunas plataformas. La cifra de 18 yuanes por millón de tokens de salida (~US$2,50) se sitúa muy por debajo de los 25 dólares por millón de tokens de salida de un modelo de frontera cerrado de primer nivel, y la tasa de acierto de caché de 0,3 yuanes hace que los bucles agénticos largos —donde el mismo prompt del sistema y los prefijos de conversación se reenvían constantemente— sean inusualmente baratos de ejecutar.

Este es también el único lugar donde la capa de enrutamiento cambia el cálculo. OrcaRouter aún no enruta Tencent HY4 Preview — {{1}}Tencent no ha abierto este modelo a plataformas de inferencia de terceros{{/1}}, por lo que se ejecuta en el endpoint TokenHub propio de Tencent Cloud y en despliegues autoalojados de los pesos abiertos, y no afirmamos servir lo que no servimos. Pero la disciplina que hace que un recorte de precio importe es la misma sobre la que opera el resto del catálogo: {{2}}OrcaRouter transmite los precios de lista de los proveedores sin margen adicional{{/2}}, de modo que cuando un proveedor como Tencent fija el precio de un token en {{3}}6 yuanes{{/3}}, la cifra que pagas de nuestro lado es {{3}}6 yuanes{{/3}}, no una versión revendida y con sobreprecio de ese precio, y el día en que un proveedor cambia un precio, el cambio se hace efectivo de nuestro lado ese mismo día. Una API para {{4}}200+ modelos{{/4}}, {{5}}conmutación automática entre proveedores cuando uno falla{{/5}} y {{6}}un DSL de enrutamiento para componer modelos{{/6}} — ese es el mecanismo que transportará Tencent HY4 Preview en el momento en que se pueda enrutar, junto con los otros modelos abiertos y cerrados que ya están en el catálogo.

Las partes que no caben en una ficha técnica

Dos afirmaciones en el material de lanzamiento merecen atención por separado porque tratan sobre cómo se construyó el modelo, no sobre qué puntuó.

El primero es el bucle de auto-mejora. Tencent afirma que Tencent HY4 Preview participó en su propia investigación y desarrollo: se utilizó para optimizar los métodos de entrenamiento, la estrategia de datos, los sistemas de evaluación y los operadores subyacentes que lo produjeron. La ganancia de rendimiento del 31,8 % es el resultado público más concreto de ese bucle: Tencent lo atribuye a los cuellos de botella que el modelo identificó en su propia pila de servicio. Ese es un ciclo inicial de auto-mejora recursiva: un modelo que ayuda a diseñar la siguiente versión de sí mismo. No es inusual que un laboratorio fronterizo informe partes de esto, pero un modelo chino de pesos abiertos que describa públicamente el bucle como una capacidad ya implementada es un cambio de nivel en cómo estas versiones hablan de sí mismas.

El segundo es el resultado de matemáticas. Tencent informa de que el modelo mejoró el límite inferior de volumen conocido del problema de Blaschke–Lebesgue — una cuestión abierta de larga data en geometría convexa sobre el cuerpo de ancho constante de volumen mínimo — de 0.380799 a 0.41104, lo que lo sitúa a aproximadamente un 2 % del límite de la conjetura del tetraedro de Meissner. Tencent también informa de una aceleración de 2.0x en una simulación de bicapa de fosfolípidos de 32,512 átomos, reduciéndola a 54.9 milisegundos por paso, en la categoría de investigación científica. Estos son el tipo de resultados que normalmente le valen a un modelo su propio artículo; aquí son viñetas de lanzamiento y, como el resto del material de lanzamiento, son el propio relato de Tencent.

¿Qué falta, honestamente?

Tencent enumera las limitaciones conocidas sin rodeos, y son importantes para cualquiera que decida qué construir sobre este modelo. No hay entrada de visión ni multimodal: Tencent HY4 Preview es un modelo de texto, y punto, así que cualquier cosa relacionada con imágenes o vídeo pertenece a un modelo distinto. Tencent también señala que el modelo muestra un comportamiento de arranque lento en tareas complejas —un largo periodo de reflexión antes de la primera salida— y una tendencia a autoverificarse en exceso, quemando tokens en comprobar dos veces el trabajo que ya ha hecho. Esa combinación es exactamente lo contrario de lo que se necesita para un chat sensible a la latencia, y exactamente tolerable para trabajo de ingeniería por lotes sin conexión, lo que te dice dónde espera Tencent que lo ejecutes.

Y la ausencia más importante es la verificación. Todavía no hay puntuaciones independientes para Tencent HY4 Preview en ningún sitio — ni en una tabla de clasificación pública, ni de un laboratorio de evaluación externo, ni siquiera una entrada en Artificial Analysis. El modelo es demasiado nuevo para eso. La prueba a ciegas de expertos internos es una señal útil sobre cómo los propios revisores de Tencent lo ven frente a GLM-5.3 y Kimi K3, pero son los revisores de Tencent con tareas de Tencent. Todo lo que está más allá de la ficha técnica es una afirmación pendiente de verificación.

¿Quién debería levantar las pesas hoy?

La respuesta honesta es que este lanzamiento se separa claramente en dos audiencias. Si ejecutas cargas de trabajo de ingeniería en tu propia infraestructura y la economía de las API cerradas es lo que te ha estado frenando, Tencent HY4 Preview merece una prueba seria de fin de semana ahora mismo: los pesos están abiertos, la ventana de contexto es a escala de repositorio, y el precio de lista hace que un bucle de agente largo sea asequible de una manera que un modelo de 25 dólares por millón de salidas nunca lo será. Si ejecutas chat de producción sensible a la latencia, o cualquier cosa multimodal, o cualquier cosa en la que no puedas permitirte un modelo cuya única evidencia son los propios benchmarks del proveedor, espera — el ritmo de iteración de dos meses que Tencent ha mantenido desde febrero sugiere que un lanzamiento completo de Hy4 no está lejos, y la vista previa es explícitamente una iteración temprana con defectos conocidos.

El camino medio práctico es un patrón de enrutamiento: ejecuta el modelo probado en tu ruta crítica y el nuevo a su lado, usando Tencent HY4 Preview en las tareas donde su perfil de costos gana y revirtiendo automáticamente cuando no es así. Ese es el patrón para el que existe un enrutador: el mismo OrcaRouter que lleva Claude Opus 5, DeepSeek V4 Pro y Gemini 3.1 Pro a los precios de lista de sus proveedores llevará este modelo el día en que Tencent lo abra. Hasta entonces, los pesos están en GitHub, la API está en Tencent Cloud, y la afirmación de que un modelo de pesos abiertos alcanzó el nivel superior de codificación agéntica por fin tiene un número específico asociado. El número es de Tencent. La prueba es tuya.