Tencent HY4 Preview est open-source : 770B MoE, contexte de 1M et un prix qui défie les modèles de pointe

Tencent HY4 Preview, publié et open-sourcé le 28 août 2026, est le premier fleuron open-weight véritablement compétitif d'un laboratoire chinois depuis des mois, et son chiffre le plus surprenant est le prix. Tencent le propose à 6 yuans (~0,85 $US) par million de jetons d'entrée et 18 yuans (~2,50 $US) par million de jetons de sortie, soit environ un dixième de ce qu'un modèle fermé de pointe facture pour la sortie, tout en publiant un modèle de mélange d'experts de 770 milliards de paramètres, dont 49 milliards sont actifs par jeton, avec une fenêtre de contexte qui dépasse le million de jetons. Il succède au Hy3 de la famille Hunyuan (295B au total, contexte de 256K) et quadruple ce contexte tout en faisant plus que doubler la capacité active. Les poids sont téléchargeables dès aujourd'hui depuis Hugging Face, GitHub, ModelScope et GitCode, et le même modèle est déjà en service dans les propres produits de Tencent : WorkBuddy, CodeBuddy dans les versions nationale et internationale, l'assistant Yuanbao et l'application d'espace de travail ima. Pour quiconque a observé les modèles open-weight échouer à atteindre la pointe en génie logiciel, c'est la sortie qui rend enfin l'écart discutable — et les réserves sont aussi importantes que les chiffres. Dix jours plus tard, les deux réserves les plus susceptibles de pénaliser les utilisateurs en production étaient déjà la cible de la première mise à niveau de Tencent pour la version d'aperçu en direct : le 7 septembre, elle a déployé une optimisation, désormais disponible pour tous, qui selon elle réduit les tours de raisonnement du modèle et la consommation de jetons par tâche sur les travaux complexes.

Le positionnement est délibéré. Tencent présente Tencent HY4 Preview comme un modèle de productivité pour quatre domaines : le génie logiciel, la bureautique et l'analyse de données, le développement de jeux et la recherche scientifique. L'accent mis sur l'ingénierie est ce qui le distingue de la masse des modèles généralistes — les notes de version mettent en avant la compréhension des tâches à long horizon, la planification et le débogage, et non la qualité conversationnelle. Cette orientation se reflète autant dans la liste des intégrations que dans le tableau des benchmarks : CodeBuddy accueille le modèle dans son IDE, WorkBuddy l'intègre dans les flux de travail bureautiques (Tencent le montre en train d'absorber 72 documents financiers en une seule passe), et les développeurs de jeux disposent de hooks MCP vers Unreal Engine 5 et Unity qui transforment une simple phrase en démo jouable.

Ce qui a réellement été livré

La fiche technique vaut la peine d'être lue ligne par ligne, car chaque ligne change ce qu'un modèle à poids ouverts est autorisé à faire.

Architecture — Mixture-of-Experts avec 770B de paramètres au total et 49B actifs par jeton, un ratio de parcimonie d'environ 16:1 qui maintient le coût d'inférence dans une fourchette qu'une petite équipe peut réellement se permettre.

• Fenêtre de contexte — plus d'un million de tokens, quatre fois les 256K de Hy3. Les tâches d'ingénierie à long horizon — un dépôt complet dans la fenêtre, une refactorisation multi-fichiers, un lot de documents volumineux — deviennent des problèmes à une seule requête.

• Poids — sortie open source sous licence Apache 2.0 sur Hugging Face, GitHub, ModelScope et GitCode. Il s'agit d'un modèle téléchargeable et auto-hébergeable, et non d'une simple démo hébergée.

• API — disponible sur le TokenHub de Tencent Cloud, le point de terminaison hébergé du fournisseur, au prix de 6 yuans par million de jetons d'entrée, 18 yuans par million de jetons de sortie et 0,3 yuan par million de jetons pour les succès de cache.

• Intégration produit — WorkBuddy, CodeBuddy (domestique et international), Yuanbao et ima, ce qui signifie que les mêmes poids que Tencent déploie dans ses propres applications sont ceux que vous pouvez récupérer et exécuter.

Tencent rapporte également un chiffre d'ingénierie d'inférence qui figure rarement dans une note de lancement : une amélioration de 31,8 % du débit de bout en bout grâce à la fusion d'opérateurs et à l'optimisation de la communication. Ce qui le rend plus qu'une note de bas de page sur une fiche technique, c'est que Tencent affirme que Tencent HY4 Preview a trouvé les goulots d'étranglement lui-même — le modèle a analysé sa propre pile d'inférence, et les optimisations sont annoncées comme stables quelle que soit la longueur du contexte ou le niveau de concurrence. C'est le genre de détail qui distingue un modèle qu'un laboratoire livre comme artefact de recherche d'un modèle sur lequel une entreprise s'attend à voir arriver du trafic de production. Sur une préversion publique depuis moins de deux semaines, c'est aussi exactement le genre d'affirmation que personne en dehors de Tencent n'a encore vérifiée.

Les scores dignes d'être cités

Tous les benchmarks que Tencent a publiés pour Tencent HY4 Preview sont rapportés par le fournisseur — exécutés sur la propre configuration d'évaluation de Tencent, non reproduits par un laboratoire indépendant, et le modèle est public depuis moins de deux semaines. Considérez-les comme le plafond que Tencent pense avoir atteint, et non comme un fait établi.

Le chiffre principal est Terminal Bench 2.1, un test qui évalue la capacité d'un modèle à piloter un vrai terminal en codant. Tencent annonce un score de 85,4 pour Tencent HY4 Preview, qui selon lui fait jeu égal avec Claude Opus 5 et dépasse DeepSeek V4 Pro, et qui devance son prédécesseur Hy3 de 14,6 points. Ce seul chiffre pèse lourd — c'est l'affirmation qui place un modèle à poids ouverts au même niveau que les modèles propriétaires fermés les plus chers sur un test exigeant de codage agentique — et c'est l'affirmation qui a le plus besoin d'une confirmation indépendante.

Le reste du tableau interne : {{1}}DeepSWE, un benchmark de génie logiciel, passe de 28,0 sur Hy3 à 64,3, ce que Tencent décrit comme « une réduction progressive de l'écart » avec les modèles de premier rang.{{/1}} {{2}}Sur Toolathlon-Verified, un test d'appel d'outils, il obtient 74,1, un score que Tencent affirme supérieur à Qwen 3.8 Max et GPT-5.6 Sol, et proche de Kimi K3 et Claude Opus 5.{{/2}} {{3}}Sur APEX-Agents pass@1, il atteint 37,1, soit un cheveu derrière les 37,2 de Kimi K3.{{/3}} {{4}}Et dans un test aveugle interne distinct, 163 experts ont noté 203 tâches d'ingénierie à 2,99 sur 4,00{{/4}}, devançant légèrement {{5}}les 2,92 de GLM-5.3 et les 2,94 de Kimi K3.{{/5}}

Deux tendances ressortent. Premièrement, chaque chiffre solide concerne le travail d'ingénierie agentique — pilotage de terminal, appel d'outils, tâches à l'échelle du dépôt — et aucun ne concerne la connaissance générique ou le raisonnement, ce qui est cohérent avec le positionnement de productivité plutôt qu'une coïncidence. Deuxièmement, Tencent prend soin de décrire DeepSWE et les autres comme réduisant, et non comblant, les écarts. La seule affirmation de parité propre et commercialisable est l'égalité sur Terminal Bench 2.1, et c'est l'affirmation qui mérite le plus d'être testée avec votre propre charge de travail.

Ce que le prix comprend réellement

C'est au niveau de la tarification que la version cesse d'être intéressante pour devenir disruptive. Au prix catalogue de Tencent, un million de jetons d'entrée coûte à peu près ce que coûte un seul appel API de niveau intermédiaire sur certaines plateformes. Le chiffre de 18 yuans par million de jetons de sortie (~2,50 $US) se situe bien en dessous du prix de 25 $ par million de jetons de sortie d'un modèle frontière fermé de premier plan, et le taux de succès du cache à 0,3 yuan rend les longues boucles agentiques — où le même prompt système et les préfixes de conversation sont renvoyés en permanence — exceptionnellement peu coûteuses à exécuter. La mise à niveau du 7 septembre modifie le volet effectif de ce calcul : puisque Tencent facture par jeton, réduire le nombre de tours de raisonnement ainsi que les jetons d'entrée et de sortie consommés par chaque tâche diminue le coût d'une tâche terminée, même si le prix catalogue par jeton n'a pas bougé. Les propres benchmarks et vérifications human-eval de Tencent constituent la preuve de l'ampleur de cette économie ; il faut donc les considérer comme des données déclarées par le fournisseur en attendant une mesure indépendante.

C'est aussi l'unique endroit où la couche de routage change la donne. OrcaRouter ne route pas encore Tencent HY4 Preview, donc les moyens pratiques de l'appeler aujourd'hui sont le endpoint TokenHub de Tencent Cloud lui-même, les produits Tencent qui intègrent le modèle, et les déploiements auto-hébergés des poids ouverts — et comme ces poids sont sous licence Apache 2.0, des plateformes tierces peuvent mettre en place leurs propres copies à tout moment, ce qui vaut la peine d'être retenu quand on compare les prix entre fournisseurs. Nous ne prétendons pas servir ce que nous ne servons pas. Mais la discipline qui rend une baisse de prix significative est la même que celle qui régit le reste du catalogue : OrcaRouter transmet les prix catalogue des fournisseurs sans aucune marge, donc quand un vendeur comme Tencent tarife un token à 6 yuans, le nombre que vous payez de notre côté est de 6 yuans, pas une version revendue et majorée, et le jour où un fournisseur change un prix, le changement est en vigueur de notre côté le même jour. Une API pour plus de 200 modèles, un basculement automatique entre fournisseurs quand l'un d'eux rencontre un problème, et un DSL de routage pour composer des modèles — c'est le mécanisme qui acheminera Tencent HY4 Preview dès qu'il deviendra routable, aux côtés des autres modèles ouverts et fermés déjà présents dans le catalogue.

Les éléments qui ne tiennent pas sur une fiche technique

Deux affirmations dans les supports de lancement méritent une attention particulière, car elles portent sur la manière dont le modèle a été construit, et non sur ce qu'il a obtenu comme score.

Le premier est la boucle d’auto-amélioration. Tencent affirme que Tencent HY4 Preview a participé à sa propre recherche et à son propre développement — il a été utilisé pour optimiser les méthodes d’entraînement, la stratégie de données, les systèmes d’évaluation et les opérateurs sous-jacents qui l’ont produit. Le gain de débit de 31,8 % est le résultat public le plus concret de cette boucle : Tencent l’attribue aux goulots d’étranglement que le modèle a identifiés dans sa propre pile de service. C’est un premier cycle d’auto-amélioration récursive : un modèle qui aide à concevoir la version suivante de lui-même. Il n’est pas inhabituel qu’un laboratoire de pointe fasse état de certains éléments de ce processus, mais un modèle chinois à poids ouverts décrivant publiquement cette boucle comme une capacité livrée constitue un saut qualitatif dans la manière dont ces versions parlent d’elles-mêmes.

Le deuxième est le résultat en mathématiques. Tencent rapporte que le modèle a amélioré la borne inférieure connue du volume du problème de Blaschke–Lebesgue — une question ouverte de longue date en géométrie convexe portant sur le corps de largeur constante de volume minimal — la faisant passer de 0,380799 à 0,41104, soit un écart d'environ 2 % par rapport à la borne de la conjecture du tétraèdre de Meissner. Tencent fait également état, dans le volet recherche scientifique, d'une accélération de 2,0× sur une simulation de bicouche phospholipidique de 32 512 atomes, avec un temps par pas ramené à 54,9 millisecondes. C'est le genre de résultats qui vaut d'ordinaire à un modèle son propre article ; ici, ils ne sont que des arguments de lancement et, comme le reste de l'annonce de lancement, ils n'engagent que Tencent.

Qu'est-ce qui manque, honnêtement

Tencent énonce clairement les limites connues, et elles comptent pour quiconque décide de quoi construire sur ce modèle. Il n'y a ni vision ni entrée multimodale — Tencent HY4 Preview est un modèle de texte, point final, donc tout ce qui touche à l'image ou à la vidéo relève d'un autre modèle. Les deux autres comportements signalés par Tencent au lancement — une réflexion longue à démarrage lent sur les tâches complexes et une tendance à trop s'auto-vérifier, consommant des jetons pour revérifier un travail déjà effectué — étaient les plus susceptibles d'apparaître en production, et ce sont exactement ceux que visait la mise à niveau du 7 septembre. L'équipe Tencent Hunyuan et WorkBuddy a indiqué que la version d'aperçu en direct avait été optimisée et entièrement déployée, avec moins de cycles de raisonnement et une consommation de jetons d'entrée et de sortie réduite sur les tâches complexes, pour une qualité de tâche équivalente, vérifiée par un double passage de métriques de référence et d'évaluation humaine. C'est la version du fournisseur — « Vous l'avez signalé », commence l'annonce — et personne en dehors de Tencent n'a encore reproduit la mesure. Elle s'applique également à la version que Tencent sert : l'instantané des poids ouverts sur Hugging Face est inchangé depuis le 28 août, donc une copie auto-hébergée des poids présente encore le comportement de raisonnement plus long d'origine jusqu'à ce que Tencent actualise la version.

Et l'absence la plus importante est la vérification indépendante de ces nouvelles affirmations. Il n'y a toujours aucune exécution en laboratoire tierce sur Tencent HY4 Preview et aucune entrée dans l'Artificial Analysis Intelligence Index, donc le tableau de référence du lancement et l'ampleur des économies de tokens du 7 septembre reposent tous deux sur les propres évaluations de Tencent. Le seul signal tiers public du modèle jusqu'à présent est voté par la foule plutôt que mesuré en laboratoire : les documents de lancement de Tencent citent des débuts autour de la cinquième place au global, et troisième parmi les modèles à poids ouverts, sur le WebDev Arena de LMArena, un classement de préférences humaines qui classe la qualité des sorties plutôt que l'efficacité des tokens. Le test aveugle interne d'experts est un signal utile sur la façon dont les propres évaluateurs de Tencent voient le modèle face à GLM-5.3 et Kimi K3, mais ce sont les évaluateurs de Tencent sur les tâches de Tencent. Tout ce qui se trouve au-dessus de la fiche technique est une affirmation en attente de vérification.

Qui devrait soulever les poids aujourd'hui ?

La réponse honnête est que cette version s'adresse clairement à deux publics distincts, et la mise à niveau du 7 septembre constitue un compromis sur la plus grosse objection. Si vous faites tourner des charges de travail d'ingénierie sur votre propre infrastructure et que c'est le modèle économique des API fermées qui vous a retenus jusqu'ici, Tencent HY4 Preview vaut la peine d'être testé sérieusement pendant un week-end : les poids sont ouverts, la fenêtre de contexte est à l'échelle d'un dépôt de code, et le prix catalogue rend une longue boucle agentique abordable comme ne le sera jamais un modèle à 25 $ par million de jetons de sortie. Si vous utilisez la version hébergée — via WorkBuddy, Yuanbao ou l'API TokenHub — vous bénéficiez également de l'optimisation du 7 septembre de Tencent, à savoir moins de tours de raisonnement et une consommation de jetons plus faible par tâche, selon Tencent. Si vous auto-hébergez l'instantané actuel à poids ouverts, attendez-vous au comportement d'origine, avec un raisonnement plus long, jusqu'à ce que Tencent publie une version mise à jour. Et si vous exécutez un chat de production sensible à la latence, ou tout ce qui est multimodal, ou tout domaine où vous ne pouvez pas vous permettre un modèle dont les performances annoncées reposent uniquement sur les benchmarks et les évaluations humaines de son propre fournisseur, la prudence reste de mise — l'optimisation est réelle selon Tencent, mais elle n'a pas été mesurée de manière indépendante.

La voie médiane pratique est un schéma de routage : exécutez le modèle éprouvé sur votre chemin critique et le nouveau à côté, en faisant appel à Tencent HY4 Preview pour les tâches où son profil de coût est gagnant et en revenant automatiquement en arrière lorsque ce n'est pas le cas. C'est le schéma pour lequel un routeur existe — le même OrcaRouter qui transporte Claude Opus 5, DeepSeek V4 Pro et Gemini 3.1 Pro aux prix catalogue de leurs fournisseurs est l'endroit où vous appelleriez Tencent HY4 Preview dès qu'il atteint le catalogue. D'ici là, les poids sont sur GitHub, la version hébergée optimisée est sur Tencent Cloud, et l'affirmation selon laquelle un modèle open-weight a atteint le plus haut niveau du codage agentique a enfin un chiffre précis qui lui est associé. Le chiffre vient de Tencent. Le test vous appartient.