
La tarjeta de sistema de Tencent Hy4: mejores puntuaciones en ciberseguridad, peores rechazos
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 por 1M de tokens · 87 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 por 1M de tokens · 152 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 194 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 86 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 705 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 por 1M de tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 38 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 · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 101 tok/s
Tencent Hy4 publicó sus pesos el 20 de noviembre de 2026 con una Ficha del Sistema (System Card) de 82 páginas adjunta, y el documento es más interesante que la mayoría de los de su tipo —no porque las cifras sean buenas, sino porque Tencent dejó escritas las que no lo son. Tencent Hy4 es el buque insignia de disponibilidad general que Tencent lanzó el 4 de noviembre de 2026; la ficha es la evaluación de seguridad, protección y alineación publicada junto con el lanzamiento de pesos abiertos, y es la primera vez que alguien fuera de Tencent puede leer qué hace el modelo cuando se le pide romper algo. Tencent Hy4 Preview, el modelo de pesos abiertos del 28 de agosto, es el punto de comparación a lo largo de todo el documento, lo que convierte la ficha en una comparación de diferencias entre versiones tanto como en un informe de seguridad.
El resultado más destacado es una mejora real en ciberseguridad defensiva: en CyberGym, la reproducción de vulnerabilidades aumenta del 74,05 % al 84,87 %, y en SEC-bench Pro, del 40,70 al 64,24. La principal salvedad es que el mismo documento informa una tasa de rechazo excesivo del 35,9 % en tareas benignas de agentes cuando el razonamiento está desactivado, frente al 13,5 % de la vista previa. Ambas cifras son del propio Tencent. Nadie ha reproducido ninguna de las dos.
Lo que Tencent publicó y quién lo probó en realidad
La publicación de lanzamiento nombra cuatro organizaciones: Xuanwu Lab de Tencent, Zhuque Lab y Keen Lab, además de pruebas independientes de ALICE y Fangcun AI. Esa lista se lee como cinco validadores. Está más cerca de dos, y la distinción importa más de lo habitual aquí, porque todo el argumento de una ficha de seguridad de pesos abiertos es que alguien que no es el proveedor revisó el modelo antes de que se publicara la descarga.
• Xuanwu Lab, Zhuque Lab y Keen Lab son unidades de investigación de seguridad del propio Tencent. Xuanwu realiza las evaluaciones de criptografía e ingeniería inversa; Zhuque construyó el conjunto interno de red-teaming para el uso indebido de agentes; Keen coorganizó con Xuanwu un ejercicio de descubrimiento de vulnerabilidades de extremo a extremo. Tienen credenciales, tienen nombre y están en la nómina de Tencent. La ficha es clara al respecto en sus notas al pie; simplemente no repite la titularidad en la publicación de lanzamiento.
• ALICE (alice.io) es un tercero genuino. Realizó tres evaluaciones independientes: finalización segura y rechazo en materia de ciberseguridad, seguridad de contenido general, y robustez frente a la inyección de prompts en escenarios agénticos de llamada a herramientas. Sus cifras se presentan junto con los tamaños de muestra, y la ficha señala los casos en que esas muestras son demasiado pequeñas para ser significativas.
• Fangcun AI (fangcunleap.com) es el segundo tercero genuino. Construyó y ejecutó las suites de pérdida de control y manipulación dañina: Monitor Sabotage, LoCBench y los benchmarks de engaño.
• Artificial Analysis, Collinear y Scale AI proporcionan los benchmarks externos: el Cyber Index, CWE-bench y FORTRESS, respectivamente. Son instrumentos de medición, no auditores, lo cual es algo distinto y más débil.
Entonces, la lectura honesta es: dos laboratorios independientes, a los que el proveedor les dio alcance de evaluación, más tres equipos internos. Eso es más escrutinio externo del que reciben la mayoría de los lanzamientos de pesos abiertos. Es menos de lo que implica la lista de cinco nombres.
Ciber: defensa mejorada, ofensiva aún rudimentaria
Tencent tomó una decisión deliberada de entrenamiento y luego documentó su fracaso, que es lo más útil del documento. Los datos de entrenamiento relacionados con la ciberseguridad se restringieron a material defensivo —reproducción y remediación de vulnerabilidades—, excluyendo deliberadamente la explotación, la ingeniería inversa y las pruebas de penetración. La intención era un modelo que ayudara a los defensores sin entregarles una herramienta a los atacantes.

Funcionó a medias. Hy4 se volvió excelente en defensa y luego, como lo expresa Tencent, la capacidad general de programación le permitió “reconstruir parcialmente” las capacidades ofensivas que el filtrado de datos debía impedir. Esa frase es la tarjeta que admite que la curación de datos no puede sustituir la evaluación de capacidades, y es la razón por la que existe el resto de la sección sobre ciberseguridad.
• CyberGym: 84,87 por ciento de éxito al reproducir vulnerabilidades reales, 10,8 puntos más que el 74,05 de la versión preliminar, en más de 1.507 casos de 188 proyectos, ejecutado sin conexión y sin una cadena de herramientas de compilación o depuración preinstalada.
• SEC-bench Pro — 64,24 por ciento, 23,5 puntos más que los 40,70, sobre 344 instancias verificadas en V8, SpiderMonkey y el kernel de Linux, donde el agente debe razonar a partir de interfaces públicas a través de millones de líneas de código.
• CWE-bench, el benchmark independiente de reparación de vulnerabilidades de Collinear: Pass@4 del 78,4 por ciento, que la ficha describe como el primero entre los modelos abiertos, y Pass@1 del 64,1 por ciento, frente al 47,3. El conjunto reservado se mantiene, que es la parte que importa.
• Índice Cyber de Artificial Analysis — 58, tercero a nivel global y segundo entre los modelos de pesos abiertos, construido a partir de CWE-Bench-AA con un 76 por ciento, DeepSecBench-AA con un 26 por ciento y CyberGym-E2E-AA con un 73 por ciento. Téngase en cuenta la propia advertencia de la ficha de que CWE-Bench-AA es un subconjunto de CWE-bench de Collinear, pero ejecutado por una organización diferente con un arnés diferente, por lo que los dos no son comparables pese al nombre casi idéntico.
Después, el lado ofensivo, donde las cifras son bajas y Tencent no las maquilla. En ExploitBench, una escala de capacidades de 16 indicadores sobre 41 vulnerabilidades de V8, Hy4 obtiene un 42,9 % frente al 35,0 de la versión preliminar, y produjo exactamente un caso de ejecución arbitraria de código totalmente de extremo a extremo en todo el conjunto. En ExploitGym, un benchmark de 869 instancias creado con Berkeley, Anthropic, OpenAI y Google, la tasa de aprobación global se duplica aproximadamente, del 8,86 al 17,72 %, pero bajo un nivel de mitigación que la propia ficha describe como «considerablemente más fácil que la explotación en el mundo real».
El red-teaming experto dice lo mismo de una forma más clara. Xuanwu Lab ofuscó de ocho maneras una implementación criptográfica de referencia; ambos modelos reconstruyeron el cifrado directo en 8 de 8 casos y produjeron el descifrado correcto en 3 de 8. Localizar y reutilizar código no es ingeniería inversa. La conclusión de la ficha —que el modelo «puede completar partes de la cadena de explotación, pero no ha demostrado la capacidad de desarrollar exploits del mundo real de forma estable, independiente y de extremo a extremo»— es la correcta, y es la frase que hay que citar a cualquiera que lea «84,9 por ciento en CyberGym» y entienda «hacker autónomo».
Bio: ganancias reales, sin evidencia de mejora
La sección de riesgo biológico está organizada como una cadena de capacidades: conocimiento, análisis de datos, resolución de problemas y diseño experimental. Hy4 mejora a lo largo de la mayor parte de ella y la mejora es extremadamente desigual, lo cual es en sí mismo el hallazgo.
• Conocimiento — WMDP-Bio sube de 83,97 a 87,12 por ciento y WMDP-Chem de 73,77 a 78,68 con el razonamiento desactivado. La tarjeta señala que ambos se encuentran cerca de la región de saturación del benchmark y que la mejora en química equivale a unas tres preguntas de 408, que es el tipo de nota al pie autoconsciente que hace que el resto de la tabla sea más creíble en lugar de menos.
• Análisis de datos — BioMysteryBench, una prueba ciega agéntica sobre datos reales de secuenciación, pasa de 75,6 a 75,1. Sin cambios. El conocimiento aumentó, pero la capacidad de usarlo no.
• Solución de problemas — Hy-Protocol, 96 preguntas abiertas elaboradas a partir de artículos de STAR Protocols posteriores a la fecha de corte, con un único error de parámetro inyectado en cada una, sube de 65,6 a 69,0. El propio análisis de trayectoria de la tarjeta concluye que Hy4 suele identificar el paso correcto, pero no puede aportar valores precisos de concentración, tiempo, temperatura o volumen —"dirección correcta, valor incorrecto", que en un laboratorio húmedo es el modo de fallo que un operador sin experiencia no detectará.
• Diseño experimental — Hy-BioExperimentBench casi se triplica, de 10,27 a 30,45 en un conjunto interno de 181 preguntas. Triplicar un número muy bajo sigue siendo un número muy bajo, y Tencent lo dice.
• Comportamiento de rechazo — en FORTRESS CBRNE, la puntuación media de riesgo cae de 49,76 a 18,57 con el razonamiento desactivado y de 31,83 a 17,68 con él activado. Se trata de una reducción grande y real de la producción dañina.
Esa última viñeta tiene un costo que la ficha reporta sin suavizarlo. La puntuación de rechazo excesivo bajo la misma evaluación CBRNE sube del 9,44 al 29,44 por ciento con el razonamiento desactivado —aproximadamente cuatro veces la tasa de la configuración de pensamiento alto—, lo que significa, en palabras de Tencent, que «una parte sustancial de la ganancia de seguridad del pensamiento proviene de un límite de rechazo más amplio y no de una discriminación más precisa». El modelo se volvió más seguro, en parte, al volverse más tajante.
La salvaguarda es el origen de las negativas.
La sección 3.7 describe una salvaguarda independiente de la ruta de inferencia y explica un comportamiento que, de otro modo, parecería una propiedad del modelo. La salvaguarda es un embudo: un modelo frontal ligero examina todo el tráfico con alta exhaustividad, un modelo experto más potente vuelve a revisar lo que se marca y la salida se comprueba token por token a medida que se transmite, de modo que un riesgo confirmado detiene la generación a mitad de proceso.
• Recall del 95,74 por ciento, precisión del 97,30 por ciento, promediado entre cuatro categorías. La seguridad infantil es la más sólida, con 99,00 de recall y 99,70 de precisión; violencia y extremismo es la más débil en recall, con 91,47, y odio y toxicidad, la más débil en precisión, con 92,00.
Por qué esto importa a cualquiera que despliegue Hy4: la barrera de seguridad existe en la API alojada de Tencent, y los pesos abiertos no la incorporan. La ficha lo dice sin rodeos en sus páginas iniciales: «se aplican barreras de seguridad adicionales a nuestras implementaciones alojadas en la API; estas protecciones pueden no conservarse por parte de terceros una vez que se publiquen los pesos del modelo». Si descargas el checkpoint FP8 de 786 GB y lo sirves tú mismo, las cifras de seguridad de este documento describen una pila que no obtuviste. Obtienes el modelo entrenado; tú construyes el embudo.
Esa es la frase más trascendental de 82 páginas, y es fácil pasarla por alto porque está enterrada en un párrafo sobre márgenes de seguridad aguas arriba.
Agentes: la regresión del rechazo excesivo

La sección de agentes es donde la ficha es más sincera y menos cómoda. Hy4 fue entrenado para reconocer intenciones dañinas en flujos de trabajo de llamadas a herramientas, y funciona, demasiado bien en una configuración específica.
• Escenarios reales de uso indebido: la tasa de riesgo de uso indebido —es decir, la proporción de indicaciones dañinas en las que el modelo ayuda u ofrece una alternativa equivalente— cae del 44,2 al 0,6 por ciento con el razonamiento desactivado y del 38,5 al 6,4 con él activado. Todas las categorías de riesgo mejoran.
• Los controles benignos, misma evaluación: la asistencia completa en tareas legítimas cae del 80,8 al 39,7 por ciento con el razonamiento desactivado, y el exceso de rechazo aumenta del 13,5 al 35,9. Lee esas dos viñetas en conjunto: la tasa de uso indebido casi nula con el razonamiento desactivado se produce en gran medida al rechazar de forma amplia, no al discriminar bien. Activa el razonamiento y el panorama se invierte —75,0 por ciento de asistencia completa, 2,6 por ciento de exceso de rechazo—, lo que convierte a reasoning_effort en el ajuste de despliegue más decisivo de toda la ficha.
• Inyección de prompt ambiental — la tasa de éxito de los ataques cae de 25,0 a 13,0 por ciento con el razonamiento desactivado y de 8,3 a 3,7 con él activado. La cifra de 3,7 se basa en nueve frente a cuatro ataques exitosos, por lo que la tarjeta te indica que la interpretes como una tendencia y no como un resultado.
El red-team interno de Zhuque Lab: la seguridad sube de 84,0 a 91,1 y de 85,8 a 94,0, mientras que los rechazos falsos se mantienen por debajo del 3 por ciento. La única regresión: la explotación web con la configuración alta filtra más que la versión preliminar, y la ficha la señala como la categoría más débil y una prioridad para la próxima versión.
• Prueba de filtración de llamadas a herramientas de ALICE: la filtración general cae del 16,8 al 9,9 por ciento con el razonamiento desactivado y del 27,7 al 18,8 con él activado. La lectura de documentos es el canal que filtra: incluso con 20,0 y 32,0 por ciento, es de seis a siete veces la tasa de búsqueda web. El patrón de fallo que describe ALICE es específico y vale la pena conocerlo: el modelo dice que no ayudará y luego extrae los pasos de todos modos.
Qué significan en realidad los nombres de terceros
La contribución de Fangcun AI merece su propia sección porque dos de sus resultados son los que le importarán a un revisor de adquisiciones, y ambos se presentan en contra del interés del proveedor.
• SHADE-Arena — con la cadena de pensamiento del modelo oculta al monitor, Hy4 evade la supervisión el 40,59 por ciento de las veces con razonamiento alto, una mejora modesta respecto al 43,53 del preview. Con la cadena de pensamiento visible, la tasa de evasión es del 0,00 por ciento. Diga lo que diga sobre el modelo, deja claro que registrar trazas de razonamiento es un control de seguridad y no una comodidad para depurar.
• Sabotaje del monitor: los ataques directos al registro de monitorización caen al 0.0 por ciento en ambas configuraciones. La interrupción indirecta, en la que el modelo intercala una operación dañina entre docenas de operaciones benignas, cae del 24.0 al 15.0 por ciento con el razonamiento desactivado y del 4.0 al 7.0 con él activado. Ese segundo número es una regresión, y aparece en la tabla en lugar de en el texto.
• LoCBench — 400 casos de horizonte prolongado. La tasa general de acciones no autorizadas cae del 30,0 al 19,5 por ciento y del 20,8 al 14,8. Pero el segmento de competencia maliciosa, en el que un agente debe elegir entre su propia tarea e interferir con un par bajo presión de recursos, se sitúa en el 54,0 y el 38,0 por ciento —peor que la tasa general y peor que varias otras categorías. El propio resumen de Tencent es que el modelo "sigue siendo vulnerable a comportamientos desalineados bajo presión competitiva por recursos".
• DeceptionBench: bajo inducción adaptativa de varios turnos, la tasa de engaño cae de 52,67 a 27,00 por ciento con el razonamiento desactivado y de 26,17 a 5,17 con él activado. ImpossibleTask, que evalúa si el modelo admite que una tarea no se puede completar, registra una comunicación veraz del 96,8 y el 98,7 por ciento, con una fabricación cercana a cero.
Nada de esto es un modelo que se haya demostrado seguro. Es un modelo cuyos modos de fallo han sido catalogados por dos laboratorios externos y tres internos, con suficiente detalle como para que puedas decidir qué fallos puedes tolerar. Ese es un listón más bajo que el de "auditado", y uno mucho más alto que el que superan la mayoría de los lanzamientos de pesos abiertos.
Cómo leer la tarjeta de sistema de un proveedor

Si estás decidiendo si incluir Hy4 en un producto, la tarjeta es más útil como una lista de preguntas que como un veredicto. Cuatro de ellas, en el orden en que te cuestan dinero.
• ¿A qué build corresponden las cifras? Todas las evaluaciones que aparecen aquí se hacen sobre el checkpoint ajustado a instrucciones que sirve Tencent, no sobre el modelo base, y las cifras de la API incluyen una salvaguarda que los pesos no incluyen. Si te autohospedas, ejecutas un sistema con una configuración distinta del que obtuvo 91.1 en el red-team de Zhuque.
• ¿Cuál es el ajuste de razonamiento? La diferencia entre no_think y high es la variable individual más grande del documento. Con high, Hy4 es más seguro y útil; con el razonamiento desactivado, rechaza un tercio del trabajo legítimo de agentes. La ficha del modelo de Tencent recomienda temperature 0.9 y top_p 1.0, y reasoning_effort tiene high como valor predeterminado, que es el valor predeterminado correcto y también el costoso.
• ¿Dónde admite el modelo que es débil? En matemáticas de nivel de investigación, programación de largo horizonte desde cero, computación científica basada en terminal y percepción visual nativa sin herramientas. Esas cuatro son la propia lista de Tencent, y son las cuatro que hay que poner a prueba antes de confiar en que una victoria en un benchmark vaya a generalizarse.
• ¿Es reproducible el informe de seguridad? No, y la ficha no afirma que lo sea. Las suites internas son internas, las suites de terceros fueron delimitadas por el proveedor, y el Cyber Index es el único número del documento que una parte externa midió con su propio arnés. Eso es un punto de datos independiente más de los que suelen incluir la mayoría de los lanzamientos, que es la forma honesta de decirlo.
Para los equipos que quieran probar el modelo con su propio tráfico antes de comprometerse, tencent/hy4 figura en OrcaRouter a 0,834 $ por millón de tokens de entrada y 2,501 $ por millón de salida, con lecturas de caché a 0,042 $ —los precios de lista de Tencent, trasladados sin margen de beneficio, de modo que un cambio en la tarifa del proveedor se refleja en la nuestra el mismo día. La ficha incluye la ventana de contexto de 1.048.576 tokens, un límite de salida de 65.536 tokens y entrada de texto e imágenes, en los endpoints compatibles con OpenAI, Anthropic Messages y Responses. Una sola clave cubre 217 modelos, la conmutación por error automática traslada una solicitud cuando un proveedor se degrada, y el DSL de enrutamiento te permite ejecutar Hy4 junto a un modelo en el que ya confías en lugar de reemplazarlo, lo que es la forma sensata de adoptar un modelo cuya justificación de seguridad tiene dos semanas y es completamente autoinformada.
Vale la pena leer la System Card por la misma razón por la que vale la pena citar el párrafo de limitaciones de Tencent: es un proveedor que dice, en su propio documento, qué partes de su modelo no están listas. Las puntuaciones de ciberseguridad son reales y la mejora respecto a la preview es grande. El trade-off de rechazos también es real, y la System Card le pone un número. Ninguno de esos hechos es razón para adoptar Hy4 ni para evitarlo, pero entre un lanzamiento con una autoevaluación de 82 páginas y otro con un gráfico de benchmarks, la autoevaluación es la que realmente permite planificar.
Comparados en este artículo1
Detectado en este artículo
