Une carte de titre générée indiquant « Hy4 flash est à poids ouverts », avec trois tuiles de dépôt intitulées « Hy4 flash », « Hy4 flash-FP8 » et « Hy4 flash-Base », un bandeau de caractéristiques indiquant « 220B au total / 12B actifs / contexte 1M / image en entrée, texte en sortie », et un pied de page indiquant « Poids publiés le 17 novembre 2026 sous la Tencent Hy License v1.0. »
Guides & Insights

Hy4 flash est désormais en Open Weight : lisez la section 10 avant de le télécharger

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

La Tencent Hy License, Version 1.0, est une licence dérivée d’Apache 2.0 comportant une section supplémentaire, et c’est cette section qui justifie de lire attentivement cette version plutôt que de simplement récupérer le checkpoint. La section 10.2 stipule que si vous exploitez une activité de modèle en tant que service et que votre chiffre d’affaires brut mondial dépasse 50 millions de dollars US sur toute période de douze mois — ou si votre produit dépasse 100 millions d’utilisateurs actifs mensuels —, vous devez obtenir une licence écrite distincte auprès de Tencent avant d’utiliser les poids, ou de continuer à les utiliser. La section 10.3 exempte l’usage interne. C’est à la section 2 de l’octroi Apache que se trouvent les droits libres de redevances, et la section 10.2 commence par les mots « Nonobstant les sections 2 et 3 ». Ainsi, le téléchargement est gratuit et le déploiement ne l’est pas sans condition, et la frontière entre les deux se situe à la question de savoir si des tiers peuvent accéder au modèle via votre infrastructure.

Voilà le cadre de ce que Tencent a publié le 17 novembre 2026 à 03:44 UTC, lorsque trois dépôts sont apparus sur Hugging Face à moins de quatre-vingt-dix secondes d'intervalle : Hy4 flash, le modèle de chat ajusté aux instructions ; Hy4 flash-FP8, le même modèle en FP8 ; et Hy4 flash-Base, le checkpoint pré-entraîné sans aucun post-entraînement. Le modèle ajusté aux instructions compte 220 milliards de paramètres au total, dont 64 milliards dans des tables Engram, 12 milliards actifs par jeton, nativement multimodal en entrée, et configuré pour un contexte de 1 048 576 jetons. Il s'agit du même modèle que Tencent a mis sur son API deux jours plus tôt, le 16 novembre, à la différence près que vous pouvez désormais l'exécuter sur du matériel qui vous appartient.

Que contiennent réellement les trois dépôts ?

La séparation est plus nette que dans la plupart des versions à poids ouverts, car les trois points de contrôle sont véritablement des entités distinctes et non trois noms de fichiers pour un seul et même artefact.

• Hy4 flash — le modèle instruct, avec gabarit de chat et modes de raisonnement inclus. Prend en charge reasoning_effort avec high (valeur par défaut, réflexion activée) et no_think (réponses directes). Tencent recommande une température de 0,9 et top_p de 1,0.

• Hy4 flash-FP8 — les mêmes poids quantifiés pour le service en production. C’est celui que ciblent les recettes officielles vLLM et SGLang, et celui dont Tencent affirme qu’il dépasse 150 tokens par seconde sur un nœud tensor-parallel-8.

• Hy4 flash-Base — pré-entraîné uniquement. La fiche précise explicitement que ce modèle « est un modèle de base pré-entraîné, et non un modèle de chat ajusté aux instructions », ce qui compte car chaque tableau de benchmarks de la publication est un tableau base contre base. Les chiffres du modèle instruct sont les valeurs WorkIndex et de tests en aveugle du fournisseur, et non ceux d'une suite d'évaluation publique.

Deux détails dans les métadonnées valent plus qu’ils n’en ont l’air. Le premier est que les dépôts sont signalés comme image-text-to-text au niveau du pipeline, de sorte que l’encodeur visuel est livré avec les poids plutôt que greffé en aval. Le second est une divergence de chiffres : les documents de lancement de Tencent du 16 novembre décrivaient le modèle comme totalisant 224B, et le tableau de la fiche du modèle totalise 220,3B — 155,5B de backbone, 63,5B pour Engram, 0,43B pour ViT, 0,85B pour le drafteur DFly2. Aucun des deux chiffres n’est faux dans son contexte ; le chiffre de 224B semble compter le drafteur DFly2 et arrondir différemment, tandis que le tableau de la fiche exclut Engram, ViT et DFly2 de sa propre ligne backbone de 155,5B, puis les rajoute. Quand un fournisseur livre deux totaux pour un même modèle, c’est la fiche qu’il faut citer.

A generated reference card headed 'What the three repositories actually contain', listing the three checkpoints with a one-line description each and a separate outlined panel headed 'Tencent Hy License v1.0, section 10.2' noting the separate written licence above US$50M annual gross revenue or above 100M monthly active users as a service.

L’architecture est un argument de coût déguisé en architecture.

Très peu de choses dans cette conception ont du sens si on la lit comme un pari sur les capacités. Si on la lit comme un moyen de réduire le cache KV et l’étape de décodage, tout a du sens.

• Attention — attention creuse IndexPool entrelacée avec une attention à fenêtre glissante de 512 tokens selon un ratio de 1:3, reposant sur une formulation d’attention latente multi-têtes (MLA). Les couches creuses sélectionnent jusqu’à 2 048 tokens via une sélection au niveau des groupes ; on compte 12 couches creuses et 30 couches SWA dans le backbone à 42 couches.

• Routage — 512 experts routés plus un expert partagé par couche MoE, 16 experts routés activés par token, opérant dans un espace LatentMoE de dimension 1 536 plutôt que sur la largeur complète des experts.

• Engram — représentations apprises de bigrammes et de trigrammes, récupérées par des recherches par hachage multi-têtes aux couches 1, 11, 21 et 31 du backbone. Ce sont les 63,5 B que la fiche compte séparément du backbone.

• Drafter — DFly2, un modèle de décodage spéculatif à 5 couches et 0,85 milliard de paramètres qui réutilise le cache KV épars et la sélection d’indexeur du modèle cible au lieu de conserver les siens. Tencent affirme que le coût de draft est constant, d’environ 2 048 clés par jeton de draft, quelle que soit la longueur du contexte, et que la mémoire KV supplémentaire est nulle.

• Chiffre clé d’efficacité — cache KV à 1/24 de celui de Hy3 et à 1/6 de celui de Hy4, annoncé par le fournisseur et non mesuré indépendamment.

• Post-entraînement — {{1}}auto-distillation à partir de Hy4 plus apprentissage par renforcement, ce qui, selon Tencent, réduit de 50 % le nombre moyen de tokens de sortie de bout en bout{{/1}}. {{2}}Les sorties plus courtes sont à l’origine d’une large part des économies de coûts, et c’est l’aspect le moins visible dans n’importe quelle grille tarifaire par token.{{/2}}

Pris dans leur ensemble, il s’agit d’un modèle conçu pour qu’un contexte de 1 M de tokens ne coûte pas ce qu’un contexte de 1 M de tokens coûte normalement à servir. La longueur du contexte est l’argument marketing ; la fraction de cache KV est l’affirmation d’ingénierie qui la sous-tend.

Screenshot of the Hugging Face model card for tencent/Hy4-flash, showing the three-model release line, the Model Links table and the quickstart snippet.

Ce que Tencent a mesuré, et ce qu’il n’a pas mesuré

Chaque chiffre de cette section est celui de Tencent, produit sur le banc de test de Tencent, et aucun n'a été reproduit en dehors de l'entreprise. Artificial Analysis n'a pas de page pour Hy4 flash — l'URL du modèle renvoie une erreur 404 au 18 novembre — il n'existe donc aucun score tiers à mettre en regard de l'un de ces chiffres.

Le tableau des modèles de base compare Hy4 flash-Base à Hy4 Base, Hy3 preview Base, DeepSeek-V4-flash-Base et DeepSeek-V4-Pro-Base, tous sur un même pipeline. C'est le tableau le plus honnête de cette publication, précisément parce qu'il perd des lignes : MMLU-Pro affiche 71,1 pour Hy4 flash-Base, contre 73,9 pour Hy4 Base et 73,4 pour DeepSeek-V4-Pro-Base ; SimpleQA affiche 37,5, contre 57,2 et 52,1. Là où il l'emporte, il l'emporte largement sur les lignes en chinois et multilingues — C-Eval 92,0, CMMLU 91,6, AGIEval Chinese 90,6, Belebele 93,8, INCLUDE 82,8 — ce à quoi l'on peut s'attendre d'un modèle conçu avant tout pour les propres produits de Tencent.

Lisez les mentions en petits caractères sur la fiche avant de lire les scores. Tencent indique qu’une exposition intensive à des données d’instruction synthétiques durant le mid-training laisse parfois le modèle incapable de suivre « le format de réponse attendu dans les évaluations few-shot, ce qui peut fausser les scores » — un fournisseur qui signale que certaines de ses propres lignes peuvent mesurer la conformité au format plutôt que la capacité. Considérez chaque chiffre ci-dessous comme une borne supérieure jusqu’à ce que votre propre harnais d’évaluation le confirme.

Le modèle instruct ne dispose d’aucun tableau de référence public. À la place, il a WorkIndex, une suite interne de huit familles de tâches — création de diapositives, modification de diapositives, co-rédaction humain-IA de diapositives, co-rédaction Markdown, modification de documents, réparation de feuilles de calcul, traitement audio/vidéo et compréhension visuelle. Hy4 flash y obtient 42,1, contre 39,7 pour Hy4 preview et 51,4 pour Hy4 lui-même, à un coût moyen par tâche que l’entreprise estime à 1/13 de celui de Hy4 preview, 1/20 de celui de Hy4 et 1/8 de celui de DeepSeek-V4.1-Flash-1017 aux tarifs de pointe. Et il existe une évaluation à l’aveugle menée auprès de 85 utilisateurs internes de WorkBuddy sur 259 tâches dans 27 catégories, où Hy4 flash obtient 2,79 sur 4 pour la satisfaction, contre 2,81 pour Claude Haiku 5.5, avec une médiane de 6,7 minutes et 0,26 RMB par tâche.

Ce sont de vraies mesures d’une population réelle. Ce sont aussi les mesures d’employés de Tencent effectuant un travail à la Tencent, notées selon une grille d’évaluation rédigée par Tencent, et l’écart de 0,02 point avec le score de satisfaction d’un concurrent se situe très largement à l’intérieur de toute marge de bruit plausible. Considérez le classement WorkIndex comme un signal directionnel provenant du fournisseur, et rien de plus.

C'est sur la licence que cette version sera réellement jugée.

Les poids ouverts ne sont pas open source, et la licence Tencent Hy rend la distinction inhabituellement concrète. Quatre clauses déterminent ce qu’une équipe donnée peut faire :

• Autorisation de base — les permissions d’Apache 2.0, y compris l’utilisation commerciale, la modification et la redistribution, s’appliquent aux poids, aux paramètres, à la configuration, au code d’inférence et à la documentation.

• Le déclencheur MaaS — une licence écrite distincte est requise si vous fournissez à des tiers un accès distant à l’inférence ou au fine-tuning et dépassez 50 millions de dollars US de chiffre d’affaires brut mondial sur toute période de douze mois. Les revenus tirés du modèle comptent, tout comme les revenus qui n’ont aucun rapport avec lui : la clause stipule « que ces revenus soient ou non tirés de l’Œuvre ».

• Le déclencheur lié à l’échelle — la même exigence s’applique avant d’utiliser les poids dans tout produit comptant plus de 100 millions d’utilisateurs actifs mensuels au cours d’un mois calendaire, quel que soit le niveau de revenus.

• Deux exceptions — les produits destinés aux utilisateurs finaux dont l’accès aux modèles est limité à des fonctionnalités spécifiques plutôt qu’à la formulation d’invites à usage général ne relèvent pas de la définition du MaaS, et « le simple relais de requêtes vers un service de modèles tiers exploité de manière indépendante » est également exclu. L’utilisation exclusivement interne est exemptée d’office.

Comparez cela avec la licence du checkpoint ERNIE 5.5 Flash Base, qui exclut entièrement l’UE, le Royaume-Uni et la Corée du Sud en tant que territoires. Tencent n’exclut aucun territoire. Il taxe plutôt l’échelle. Pour une start-up qui construit un produit par-dessus les poids, c’est un document nettement plus favorable qu’une interdiction territoriale. Pour un fournisseur d’inférence de taille moyenne, c’est un appel à [email protected] avant de livrer.

Pour le servir : trois chemins réels, tous épinglés.

Le volet déploiement est plus complet que ne l’était celui de l’API à la semaine de lancement, et il est également plus fragile qu’un produit pris en charge, de la façon spécifique dont l’est toujours la prise en charge précoce d’un framework.

• vLLM — l'image officielle vllm/vllm-openai:hy4-flash, tensor-parallel 8, le checkpoint FP8, --attention-backend FLASHMLA_SPARSE, le décodage spéculatif DFly à 5 tokens, ainsi que les parseurs hy_v4 d'appel d'outils et de raisonnement.

• SGLang — lmsysorg/sglang:hy4-flash, multi-architecture sur x86 et Arm, tensor-parallel 8, --speculative-algorithm DFLY avec une taille de bloc de 6.

• Transformers — pas encore dans une version publiée. La carte vous indique d’installer depuis une référence de pull request (refs/pull/50903/head) jusqu’à ce que la fusion soit intégrée, ce qui est le signal le plus clair possible de la nouveauté de cette fonctionnalité.

• Quantification — une compilation GGUF issue de la boîte à outils AngelSlim est accessible via un lien pour des tests de bout en bout, et un guide de fine-tuning est fourni dans le dépôt.

Des images épinglées et une référence de PR signifient que le modèle fonctionne aujourd'hui sur les builds exacts testés par Tencent et pourrait ne pas fonctionner sur la prochaine version mineure de l'un ou l'autre framework. Cela vaut la peine de le savoir avant de le placer derrière un point de terminaison de production, et c'est pourquoi les recettes de framework importent davantage que le tableau de benchmarks pour quiconque déploie réellement.

Ce que les poids ouverts font au prix de l’API

Le prix catalogue de Tencent en Chine continentale pour Hy4 flash est de 0,5 ¥ par million de jetons d’entrée, 2 ¥ par million de jetons de sortie et 0,02 ¥ par accès au cache — soit environ 0,070 $, 0,281 $ et 0,003 $ aux taux actuels. Ce sont les tarifs affichés par le fournisseur, pas une mesure.

Ce n’est pas ce prix-là qui change lorsque les poids sont publiés. Ce qui change, c’est le plancher en dessous. Un modèle que vous pouvez télécharger a un second prix, celui du coût des GPU sur lesquels vous l’exécutez, et toute l’architecture décrite ci-dessus constitue un argument selon lequel ce second prix est exceptionnellement bas pour un modèle à contexte de 1 M. Les propres ratios de coût par tâche de Tencent, de 1/8 à 1/20, sont cet argument exprimé en arithmétique de fournisseur.

OrcaRouter achemine plus de 200 modèles derrière une seule API avec le prix catalogue du fournisseur répercuté à 0 % de marge, de sorte qu'un changement de prix d'un fournisseur est effectif de notre côté le jour même plutôt qu'à la prochaine reconstruction du catalogue. Hy4 flash lui-même n'est pas encore sur ce catalogue — ce qui s'y trouve, c'est tencent/hy4-preview, le modèle enseignant 770B/49B à partir duquel celui-ci a été distillé, à 0,834 $ en entrée et 2,501 $ en sortie par million, avec un tarif de lecture du cache de 0,042 $. Si vous voulez évaluer la famille avant de vous engager dans un déploiement FP8 auto-hébergé, l'aperçu est le modèle que vous pouvez appeler dès aujourd'hui ; les poids sont ce vers quoi vous migrez lorsque les chiffres tiennent. Le basculement automatique est l'autre moitié de cette approche, car un checkpoint vieux de deux jours tournant sur un build Transformers issu d'une réf de PR est exactement le type de dépendance derrière laquelle vous voulez une seconde route.

Screenshot of the tencent/hy4-preview model page, showing the per-million-token input, output and cache-read prices the routed preview model is listed at.

Quoi regarder

Trois choses détermineront si cette sortie aura de l’importance dans six mois, et aucune d’entre elles n’est le tableau des benchmarks.

Premièrement, le 404. Hy4 flash n’a pas de score indépendant. Tant qu’Artificial Analysis ou un équivalent ne l’aura pas évalué, toutes les affirmations sur ses capacités dans cet article sont celles de Tencent, et la position honnête est que le modèle est non mesuré plutôt que bien mesuré. Deuxièmement, la fusion des frameworks : lorsque le support Transformers quitte la pull request 50903 et que les images vLLM et SGLang cessent d’être épinglées, le modèle cesse d’être un artefact de recherche et devient une infrastructure. Troisièmement, les interprétations de la licence — la première entreprise à exploiter une activité MaaS de 60 millions de dollars sur ces poids dira à tout le monde comment la section 10.2 est réellement interprétée.

Tencent a conclu son annonce par la phrase « restez à l'écoute pour Hy4, qui arrive juste après », une promesse que le modèle à 51,4 sur WorkIndex des tableaux de coûts bénéficiera du même traitement. Si c'est le cas, la question intéressante cesse d'être de savoir si Tencent peut commercialiser un modèle flash ouvert et bon marché pour devenir de savoir s'il peut en commercialiser un coûteux qui rivalise sur les capacités plutôt que sur le prix.

Comparés dans cet article2

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement