GPT-6.1 Sol contre Tencent Hy4 Preview : payer 10 $ par token de sortie face à un modèle ouvert à 2,50 $

Mettez les deux grilles tarifaires côte à côte et l'écart n'est pas subtil. Tencent Hy4 Previewaffiche 0,834 $ par million de jetons en entrée, 2,501 $ par million de jetons en sortie et 0,042 $ par million de jetons en entrée mis en cache sur son point de terminaison international. GPT-6.1 Solaffiche respectivement 2,00 $, 10,00 $ et 0,10 $. Cela représente un écart de 4× sur les jetons de sortie et de 2,4× sur les jetons d'entrée, et comme les deux modèles sont facturés au jeton, la question que soulève cet écart n'est pas de savoir lequel est le moins cher — Hy4 Preview est moins cher sur chaque ligne — mais si le plus cher accomplit suffisamment plus de travail par appel pour le justifier. Aucun des deux fournisseurs n'a publié de chiffre qui répond directement à cette question, et cet article porte en grande partie sur les raisons pour lesquelles les chiffres évidents des deux côtés ne sont pas la réponse.

Tencent a publié et rendu open source Hy4 Preview le 2026-08-28 ; OpenAI a publié GPT-6.1 Sol sur l’API le 2026-09-29. Tous deux sont des modèles agentiques prenant en charge le texte, dotés de fenêtres de contexte d’un million de tokens, tous deux sont accessibles aujourd’hui, et tous deux figurent dans notre catalogue — ce qui fait de cette comparaison un cas rare dans cette série où l’arithmétique par token peut être effectuée sur deux lignes actives plutôt que sur un communiqué de presse. Les chiffres ci-dessous proviennent des documents de publication et de la documentation du modèle de Tencent, des pages de modèle et de tarification d’OpenAI, de nos propres enregistrements de catalogue et des évaluations publiées comme indiqué, consultés le 2026-10-12. Chaque chiffre provenant d’une exécution propre au fournisseur est signalé comme tel.

Ce qu'est réellement chaque modèle

Commencez par l’architecture, car les deux modèles résolvent le même problème de serving avec la même technique.

• Paramètres — Hy4 Preview est un mélange d’experts de 770B avec 49B actifs par token sur 78 couches, utilisant 256 experts routés plus 1 expert partagé. GPT-6.1 Sol est un modèle propriétaire d’OpenAI positionné un cran en dessous de GPT-6 Astra dans la même génération ; OpenAI ne publie pas le nombre de paramètres.

• Contexte et sortie — les deux documentent environ un million de tokens de contexte d’entrée. Notre fiche catalogue pour Hy4 Preview comporte 1 048 576 tokens de contexte avec une complétion maximale de 64 000 tokens ; la documentation de Tencent elle-même décrit une fenêtre de contexte dépassant 1 M de tokens avec un maximum de 960 000 tokens en entrée. GPT-6.1 Sol documente 1 050 000 tokens de contexte avec un maximum de 128 000 tokens en sortie — soit le double du plafond de complétion de Hy4, la spécification qui coince lorsqu’on veut obtenir un long artefact structuré à partir d’un seul appel.

• Modalité — les deux sont uniquement textuels en entrée, avec l’utilisation d’outils et la sortie structurée que l’on attend d’un modèle agentique actuel. Aucun des deux n’est un modèle de vision.

• Contrôles du raisonnement — Hy4 Preview expose les niveaux élevé, faible et aucun, « élevé » étant la valeur par défaut ; une température de 0,9 et un top_p de 1,0 sont les paramètres d’échantillonnage recommandés. GPT-6.1 Sol expose faible, moyen (par défaut), élevé, très élevé et max, sans aucune position désactivée — le raisonnement est toujours activé, et les paramètres d’échantillonnage tels que temperature et top_p sont purement et simplement rejetés.

• Poids — Hy4 Preview est open source sous Apache 2.0 et téléchargeable dès aujourd’hui. GPT-6.1 Sol est fermé, uniquement via API, et ne sera jamais auto-hébergé.

Cette dernière ligne est ce qui sépare ces deux modèles plus que n’importe quel benchmark. Un modèle Apache 2.0 de 770B/49B est une possession ; un modèle d’API propriétaire est un abonnement. Tout le reste sur cette page porte sur lequel de ces deux éléments votre charge de travail nécessite.

Les lignes de prix, calculs effectués

Les deux grilles tarifaires sont publiées et toutes deux sont répercutées par nos soins sans marge, de sorte que cette section est vérifiable plutôt que simplement déclarée.

• Sortie — GPT-6.1 Sol à 10,00 $ par million contre Hy4 Preview à 2,501 $ par million. Pour chaque million de tokens de sortie émis par une charge de travail, la différence est de 7,50 $, et la sortie est le compteur sur lequel un modèle de raisonnement dépense le plus.

• Entrée — 2,00 $ par million contre 0,834 $. Un écart de 2,4× sur la ligne qui domine tout pipeline à contexte long, car une invite à l’échelle d’un dépôt ou d’un ensemble de documents renvoie un large préfixe à chaque tour.

• Entrée mise en cache — 0,10 $ par million contre 0,042 $. Les deux fournisseurs appliquent une forte remise sur les préfixes relus, et le tarif de cache de Hy4 est inférieur à la moitié de celui de GPT-6.1 Sol.

• Écritures de cache — GPT-6.1 Sol facture 2,50 $ par million pour écrire un préfixe mis en cache. Les tarifs internationaux publiés de Hy4 Preview ne comportent pas de ligne distincte pour l’écriture de cache, ce qui signifie que la première écriture est facturée comme une entrée ordinaire plutôt que comme une prestation premium.

Exécutez une configuration ordinaire pour l’un ou l’autre modèle : 500 000 jetons d’entrée, dont 460 000 constituent un préfixe mis en cache, et 20 000 jetons de sortie, en un seul appel.

• Sur GPT-6.1 Sol — 460 000 jetons en cache à 0,10 $/M coûtent 0,046 $, 40 000 nouveaux jetons d'entrée à 2,00 $/M coûtent 0,080 $, et 20 000 jetons de sortie à 10,00 $/M coûtent 0,200 $. Total 0,326 $.

• Sur Hy4 Preview — 460 000 jetons en cache à 0,042 $/M coûtent 0,019 $, 40 000 jetons d'entrée frais à 0,834 $/M coûtent 0,033 $, et 20 000 jetons de sortie à 2,501 $/M coûtent 0,050 $. Total 0,102 $.

L'appel à Hy4 représente un peu moins d'un tiers de l'appel à GPT-6.1 Sol sur cette configuration. Maintenant, la réserve qui rend la comparaison honnête : il s'agit d'une comparaison de deux grilles tarifaires appliquées à un nombre de tokens identique, or les nombres de tokens ne sont pas identiques d'un modèle à l'autre. Un modèle qui raisonne plus longtemps avant de répondre émettra davantage de tokens de sortie pour une même tâche, et GPT-6.1 Sol est documenté comme produisant 10 à 30 % de tokens de sortie en plus que son prédécesseur GPT-6 Sol sur des travaux comparables. Si le réglage par défaut de Hy4 Preview, à savoir un raisonnement « high », le rend tout aussi bavard, l'écart réel se réduit ; si c'est le modèle d'OpenAI qui est le plus bavard des deux, l'écart se creuse au-delà du facteur 3,2 que montre l'arithmétique. Les grilles tarifaires vous indiquent le prix d'un token. Elles ne vous disent pas combien de tokens coûte une tâche, et seule l'exécution de votre propre charge de travail permet de trancher.

Où les benchmarks sont utiles et où ils ne le sont pas

C'est la section où la qualité des preuves des deux modèles diverge, et cette divergence est précisément l'essentiel.

L'évaluation phare de Tencent pour Hy4 Preview est un test de préférence en aveugle en comparaison directe, et le résultat est de 2,99 pour Hy4 Preview contre 2,92 pour GLM 5.3 et 2,94 pour Kimi K3. Lisez bien ceci : il s'agit de l'évaluation de Tencent elle-même, c'est un score de préférence et non un score d'exactitude, la marge de victoire est de sept centièmes de point sur une échelle d'environ trois points, et l'ensemble de comparaison est constitué de deux autres modèles ouverts. C'est une preuve que Hy4 Preview est compétitif avec le niveau actuel des modèles à poids ouverts. Ce n'est pas une preuve qu'il est compétitif avec un modèle propriétaire de pointe, et aucune suite figurant dans les documents de publication ne fait une telle affirmation.

Tencent rapporte aussi une amélioration de 31,8 % du débit grâce au travail d’auto-optimisation du modèle lui-même, et l’architecture inclut une couche native de prédiction multi-jeton pour le décodage spéculatif. Ce sont là deux affirmations d’efficacité de service de la part du fournisseur, que personne d’autre n’a reproduites, et toutes deux sont plausibles pour un MoE 770B/49B construit avec cette couche — mais elles décrivent la vitesse à laquelle le modèle répond, pas sa qualité.

GPT-6.1 Sol dispose de la position probante la plus solide, et il vaut la peine de préciser pourquoi. Sa ligne indépendante dans l'Intelligence Index, à effort de raisonnement maximal, est de 52, avec un coût d'exécution mesuré de 0,72 $ par tâche et une vitesse de sortie d'environ 65 à 67 tokens par seconde — un tiers l'a exécuté, l'a noté et a rapporté ce qu'a coûté l'exécution. Son score Terminal-Bench 4.0 d'Artificial Analysis est de 56,06, contre 43,94 pour son prédécesseur GPT-6 Sol, ce qui situe le bond générationnel sur les tâches agentiques basées sur le shell à environ douze points. En regard, les évaluations phares d'Open​AI lui-même pour le modèle — y compris un résultat Terminal-Bench Science citant 5,47 $ par tâche à effort maximal contre 23,21 $ pour Claude Opus 5.5 — sont des exécutions du fournisseur avec les lignes de base du fournisseur, et personne ne les a reproduites.

Le résumé honnête des données est donc déséquilibré et va dans un seul sens : GPT-6.1 Sol dispose d’une mesure tierce à la fois de la qualité et du coût par tâche, et Hy4 Preview dispose d’un score de préférence du fournisseur par rapport à d’autres modèles ouverts. Cela ne signifie pas que Hy4 Preview est pire que ne le suggère le score de préférence. Cela signifie que personne en dehors de Tencent ne l’a mesuré, ce qui est une affirmation différente, et une raison de le tester sur vos propres tâches plutôt que de faire confiance aux chiffres de l’un ou l’autre camp.

La question de l’auto-hébergement, avec de vrais chiffres

Les poids ouverts de Hy4 Preview sont la raison de le prendre au sérieux au-delà du prix de l'API, et aussi la raison pour laquelle ce n'est pas pour autant une victoire évidente.

Les chiffres pratiques, tels que publiés : une quantification Q4_K_M du modèle atteint environ 435 Gio, une quantification 1 bit environ 213 Gio, et le modèle complet non quantifié nécessite de l'ordre de 1,5 To de VRAM. Le chiffre de 213 Gio en 1 bit est le seul des trois qu'un seul nœud à grande mémoire peut contenir, et c'est aussi celui qui vous coûtera le plus en qualité. Le chiffre de 435 Gio en Q4_K_M nécessite une infrastructure multi-GPU que la plupart des équipes n'ont pas en réserve.

Ce que cela signifie en pratique : l'auto-hébergement de Hy4 Preview est une option réaliste pour les organisations qui exploitent déjà ce type de matériel, et un projet d'investissement pour toutes les autres. Si vous faites partie du premier groupe, le prix de l'API ci-dessus ne vous concerne pas — vous échangez une facture à l'usage contre une facture fixe, et Apache 2.0 n'impose aucun coût de licence supplémentaire. Si vous faites partie du second groupe, le tarif de l'API est le seul chiffre qui compte, et les tarifs de 0,834 $ / 2,501 $ / 0,042 $ sont la raison même de s'intéresser à ce modèle.

Une mise en garde de la part des utilisateurs, et il s'agit d'une mise en garde liée au coût plutôt qu'à la capacité : les aspérités documentées de Hy4 Preview sont le raisonnement excessif et la vérification excessive — dépenser plus de tokens que nécessaire pour une tâche, vérifier un travail déjà correct. Sur une API facturée à l'usage, ce comportement apparaît sur la ligne de sortie à 2,501 $ par million ; sur du matériel auto-hébergé, il se manifeste sous forme de latence. Dans les deux cas, la température recommandée de 0,9 et le réglage de raisonnement par défaut « high » sont des choix de configuration qu'il vaut la peine d'ajuster avant de juger le modèle sur le coût.

Quelle carte devriez-vous avoir en main ?

Les deux modèles ne sont pas des substituts pour le même acheteur, et la division est nette.

Choisissez GPT-6.1 Sol si la charge de travail coûte cher en cas d’erreur et reste bon marché par rapport au coût d’un échec — longues boucles de codage agentique, utilisation de l’ordinateur, travail professionnel à forte intensité documentaire où une tâche qui échoue coûte plus cher que les tokens qui l’ont produite. Il dispose de mesures indépendantes, d’un contexte plus large, d’un plafond de sortie doublé et d’une date de coupure des connaissances au 2026-04-30. Prévoyez que l’essentiel du coût se joue sur son compteur de sortie, et concevez en fonction du seuil de 272 000 tokens d’entrée au-delà duquel OpenAI applique un nouveau tarif à l’ensemble de la requête. Il figure dans notre catalogue aux tarifs publics d’OpenAI, avec 0 % de marge : https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

Choisissez Hy4 Preview si la charge de travail est volumineuse, sensible aux coûts et tolérante à un modèle que personne en dehors de son créateur n'a évalué — extraction en masse, classification, résumé, agents d'appel d'outils lorsque la tâche est bien spécifiée et que l'échec est peu coûteux à réessayer. À 0,834 $ / 2,501 $ / 0,042 $, il coûte un tiers du prix pour un même nombre de tokens, il est open source sous Apache 2.0 si vous souhaitez un jour cesser de le louer, et il figure dans notre catalogue aux tarifs publics de Tencent, sans marge ajoutée : https://www.orcarouter.ai/models/tencent/hy4-preview. La même règle de 0 % de marge s'applique aux deux lignes, ce qui signifie qu'une baisse de prix d'un fournisseur apparaît dans le catalogue le jour même où elle apparaît sur la page du fournisseur, et non après qu'un revendeur l'a remarquée.

La configuration que la plupart des équipes voudront réellement, c'est les deux : le modèle bon marché qui absorbe le volume et le modèle coûteux qui prend en charge les cas les plus difficiles — et c'est exactement ce qu'un point de terminaison unique avec basculement automatique sur plus de 200 modèles permet de rendre peu coûteux, car un modèle non éprouvé comme Hy4 Preview est bien plus facile à essayer lorsqu'il se trouve derrière la même clé qu'un modèle auquel vous faites déjà confiance, avec une route qui bascule automatiquement plutôt qu'une seconde intégration à maintenir.