
Hy4 flash Vision: 74.8 MMMU-Pro, dan Mengapa 52.0 Masih Tetap Berlaku
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 184 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 675 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 385 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Pada 20 November 2026, sebuah pull request terbuka terhadap SGLang mengusulkan dukungan vision-language untuk Hunyuan-4-Flash — nama yang digunakan framework tersebut untuk Hy4 flash, model 220 miliar parameter yang Tencent sediakan di API-nya pada 16 November dan dirilis sebagai bobot sehari kemudian. Terkubur dalam deskripsi PR, di bawah judul bernama "Accuracy / Tests", adalah angka MMMU-Pro pertama yang dipublikasikan siapa pun untuk build instruct dari model tersebut: 74,78%, dirata-ratakan dari tiga run pada 300 contoh pertama. Kartu model Tencent sendiri melaporkan 52,0 pada MMMU-Pro untuk Hy4 flash. Kedua angka itu terpaut 22,8 poin dan tidak semestinya dikurangkan satu sama lain, karena keduanya tidak menjelaskan hal yang sama. Mencari tahu apa yang sebenarnya dijelaskan masing-masing adalah sebagian besar dari yang dibutuhkan pembaca sebelum memutuskan apakah Tencent Hy4 tetap menjadi model yang perlu dipanggil ketika ada gambar yang terlibat.
Apa isi sebenarnya dari pull request
PR ini adalah salah satu dari tiga PR yang memecah perubahan omnibus sebelumnya, dan secara eksplisit ditumpuk di atas PR model teks. Per 21 November, PR ini masih terbuka, belum digabungkan, membawa satu commit pada delapan file (+1,883 / −13), dan ketiga slot CI bertuliskan "Skipped — add the run-ci label". Belum ada tinjauan code-owner yang diselesaikan. Dukungan teks yang menjadi dasarnya juga masih terbuka. Jadi belum ada apa pun di sini yang telah dikirim dalam build SGLang yang dirilis; entri cookbook untuk Hy4 flash masih hanya menjelaskan penyajian teks dan menyatakan terus terang bahwa dukungan tersebut "belum ada dalam wheel SGLang yang dirilis".
Apa yang dilakukan diff ini adalah menyambungkan vision tower ke jalur serving secara menyeluruh dari ujung ke ujung. Bagian-bagian yang penting:
• ViT dan proyektornya di-shard ke seluruh paralelisme tensor attention, sehingga image tower tidak menjadi bottleneck satu-rank pada node multi-GPU.
Pengodean posisi multimodal adalah MRoPE berselang-seling — posisi per-slot (t, h, w) — yang dibawa ke lapisan attention dan rope IndexPool yang digunakan lapisan sparse untuk memilih konteks, yaitu bagian yang akan rusak diam-diam jika hanya jalur dense yang dikonversi.
• Hashing Engram dilatih untuk memulihkan ID token gambar dan video yang berada di bawah nilai padding dan melewati hashing token tersebut, sehingga tabel memori n-gram tidak mengonsumsi token media seolah-olah itu teks.
• Flag language_model_only memungkinkan mesin yang sama melayani model teks tanpa perlu menyiapkan jalur multimodal sama sekali.
Detail terakhir itu adalah ringkasan jujur tentang posisi ini: kodenya ditulis agar visi bersifat opsional, karena untuk sebagian besar penerapan model aktif 12B, visi memang akan bersifat demikian.

74.8 is a level (likely 74.8%), not a change. A “22-point jump” means an increase of 22 **percentage points**, e.g. from 52.8% to 74.8%. If 74.8% is being compared with 61.3%, that is roughly a 22% **relative increase**, not a 22-point jump. So 74.8 itself isn’t a 22-point jump; it would be the endpoint of one.
Tiga hal membedakan angka PR dari angka di kartu, dan masing-masing menggeser angka itu ke arah yang menguntungkan.
Yang pertama adalah checkpoint. Kartu Tencent melaporkan skor multimodal untuk model dasar saja, dan mengatakannya secara eksplisit: "Hasil multimodal hanya dilaporkan untuk Hy4 flash Base dan Hy4 Base." Hy4 flash Base memperoleh 52,0 pada MMMU-Pro (Standard, 10 opsi, 4-shot); Hy4 Base yang lebih besar memperoleh 59,6. Checkpoint instruct — yang benar-benar digunakan orang — tidak memiliki skor multimodal yang dipublikasikan sama sekali. PR tersebut mengukur model instruct, jadi PR ini mengisi celah yang nyata, bukan mengalahkan angka yang menjadi pembandingnya.
Yang kedua adalah elisitasi. PR berjalan pada temperature 0.9 dan top-p 1.0 dengan reasoning_effort=high serta anggaran completion 32,768 token. Evaluasi base Tencent adalah 4-shot, tanpa chain of thought. Pada tugas pilihan ganda sepuluh opsi, model instruct yang diizinkan bernalar sebelum menjawab hampir secara otomatis akan mengalahkan model base 4-shot; selisih itu adalah post-training, bukan peningkatan visi. Anggap 74.8 sebagai "model instruct, yang diminta dengan benar" dan 52.0 sebagai "model base, yang diminta dengan cara standar". Keduanya adalah dua pengukuran berbeda dari dua artefak berbeda.
Yang ketiga adalah subset. PR mengevaluasi 300 contoh pertama, bukan seluruh set, dan tidak menyebutkan bagaimana 300 contoh itu diambil. Pada 300 item dan proporsi mendekati 0,75, galat baku pengambilan sampel saja sekitar 2,5 poin, sehingga interval 95% pada angka tunggal itu kira-kira ±5 poin sebelum ada efek urutan pertanyaan. Tiga run PR itu sendiri menghasilkan 74,33, 75,33, dan 74,67 — sebuah rentang satu poin, yang lebih sempit daripada galat pengambilan sampel, dan itu perlu diketahui: varians antar-run pada subset tetap meremehkan seberapa besar angka itu akan berubah pada 300 pertanyaan yang berbeda. Konfigurasi kedua dalam PR yang sama, tumpukan penuh dengan kode speculative-decoding tetapi tanpa spekulasi, rata-rata 74,00 pada subset yang sama dan menunjukkan rentang 5,3 poin di antara tiga run-nya. Tidak ada angka yang salah. Tidak ada pula yang merupakan hasil benchmark dalam pengertian yang dibutuhkan keputusan pengadaan.
Yang benar-benar dibuktikan oleh PR ini, dan bagian ini sudah solid, adalah bahwa pipeline-nya terhubung dengan benar, bukan sekadar berhasil dikompilasi. GSM8K pada 200 item mencetak skor 97,00% dengan vision tower dimuat — selisih kurang dari satu poin dari yang dilaporkan cabang text-only, sehingga jalur multimodal tidak menurunkan kinerja language head. Prompt gambar sintetis yang mencakup bentuk dan warna, OCR, diagram batang, dan penghitungan garis dijawab dengan benar. Itu adalah smoke test yang lulus, dan itulah klaim yang tepat untuk dibuat tentang sebuah PR: kodenya berfungsi. Angka akurasinya hanyalah efek samping dari menjalankannya.
![A screenshot of the SGLang pull request 51937 page on GitHub, showing the title '[Feat] models: Hunyuan-4-Flash vision-language support', a single commit from branch hy4f/4-vl into hy4f/3-text-model, eight files changed, and an Accuracy / Tests section listing three MMMU-Pro runs at 74.33, 75.33 and 74.67 percent on the first 300 examples plus GSM8K at 97.00 percent.](https://cms.orcarouter.ai/api/media/file/3-4342.png)
Token video yang tidak berarti video
Judul PR menyebut input gambar dan video, diff memuat video_start_token_id, video_end_token_id, dan video_token_id, dan salah satu prosesor yang dimodifikasi menangani pengambilan sampel frame video. Mudah untuk mengategorikan Hy4 flash sebagai model video berdasarkan itu. Jangan. Diff yang sama memuat pengaman eksplisit — "HYV4 vision does not support video token compression" — dengan flag kompresi spasial dan temporal sama-sama disetel ke false. Kartu vendor tidak pernah mengklaim video: disebutkan bahwa model "natively accepts text and image inputs, generates text". Dan resep vLLM yang sudah melayani model tersebut menyetel --limit-mm-per-prompt '{"image":1,"video":0}', satu gambar dan tanpa video per prompt.
Jadi, konstanta video itu hanyalah infrastruktur dasar untuk jalur yang tertutup di kedua ujungnya: framework mengenali id token tersebut agar tidak tersendat karenanya, dan menonaktifkan kompresi yang dibutuhkan oleh implementasi video sungguhan. Siapa pun yang membaca "input gambar dan video" dalam ringkasan PR dan merencanakan pipeline video di sekitar model open-weight 220B sedang membaca peta jalan, bukan kemampuan.
Apa yang benar-benar bisa Anda jalankan hari ini
Gambaran tersebut berbeda-beda tergantung runtime, itulah inti praktisnya.
• vLLM — sudah melayani jalur visi. Resep yang dipublikasikan menyebut kelas HYV4FlashVLForConditionalGeneration dan secara default mengizinkan satu gambar per prompt. Ini adalah rute yang tersedia saat ini.
• SGLang — penyajian teks tersedia melalui image lmsysorg/sglang:hy4-flash, dan halaman cookbook untuknya tidak menyebutkan vision, image, atau multimodal di bagian mana pun. Vision adalah PR terbuka di atas; fitur ini baru tersedia ketika stack digabungkan dan wheel dirilis, dan tidak sebelum itu.
• API Tencent sendiri — input gambar adalah bagian dari deskripsi peluncuran, dan katalog kami sendiri mencantumkan tencent/hy4-flash sebagai text+image→text dengan konteks 1,048,576 token, 65,536 token output, dan $0.0175 per juta input versus $0.07025 per juta output. Itu adalah nilai katalog yang dibaca hari ini, bukan kutipan ulang dari kartu RMB pada minggu peluncuran, dan keduanya tidak cocok — tarif Tiongkok daratan setara dengan sekitar empat kali harga input. Kami tidak mengirim panggilan gambar untuk memverifikasi komponen visi untuk artikel ini, dan ketidaksesuaian antara dua kerangka penyajian adalah alasan bagus untuk mengujinya sendiri sebelum Anda mengandalkannya.

Alasan untuk menguji alih-alih mengasumsikan adalah bahwa sebuah model dapat diiklankan sebagai multimodal, bersifat multimodal dalam bobotnya, namun tetap hanya-teks pada endpoint yang kebetulan Anda panggil. Itulah tepatnya keadaan Hy4 flash selama lima hari: encoder visi dikirimkan bersama checkpoint, dan stack serving terus menyusul satu PR dalam satu waktu.
Di mana ini meninggalkan pilihan
Jika Anda membutuhkan pemahaman gambar dari lini Hunyuan hari ini dan membutuhkannya sebagai pertanyaan yang sudah pasti, bukan proyek integrasi, jawabannya tetap Tencent Hy4. Model ini tersedia secara umum pada 4 November dengan visi dan penggunaan komputer sebagai kemampuan utama, dan perilaku terdokumentasinya mencakup membaca bagan dan diagram terperinci alih-alih pengaturan satu gambar per prompt yang menjadi default resep flash. Harganya juga beberapa kali lipat: $0.834 untuk input dan $2.501 untuk output per juta pada katalog yang sama. Hy4 flash dengan harga $0.0175 adalah model berharga komoditas dengan jalur visi yang nyata tetapi baru saja disiapkan.
Aturan keputusan berikut ini tidak menarik. Arahkan pekerjaan teks dan dokumen ke Hy4 flash sekarang. Arahkan pekerjaan gambar ke Tencent Hy4 hingga Tencent menerbitkan skor multimodal model instruct atau stack SGLang digabungkan dan wheel rilis dapat diuji — mana pun yang lebih dulu, dan keduanya belum terjadi per 21 November. Tidak ada alasan untuk memilih satu dan meninggalkan yang lain: keduanya ada pada satu kunci di sini, harga daftar penyedia diteruskan dengan markup 0%, dan aturan perutean dapat mengirim permintaan bergambar ke model unggulan sementara teks dialihkan ke model murah tanpa kontrak kedua atau perubahan kode. Failover otomatis mencakup kasus ketika jalur visi yang lebih baru ternyata menjadi jalur yang rusak saat menghadapi gambar nyata.
Tontonan Berikutnya
Tiga hal akan mengubah tulisan ini, dan masing-masing dapat diperiksa.
Penggabungan stack. PR vision berada di atas PR teks yang belum di-merge; keduanya perlu di-review, dan CI belum berjalan pada salah satunya. Sampai wheel dirilis, tidak ada pengguna SGLang yang dapat menyajikan image Hy4 flash, terlepas dari apa yang dikatakan diff tersebut.
Tencent menerbitkan angka multimodal untuk model instruct. Tabel multimodal pada kartu tersebut hanya mencakup checkpoint dasar, dan itu merupakan kelalaian yang tidak biasa untuk peluncuran yang mengedepankan multimodalitas. Baris MMMU-Pro set lengkap untuk Hy4 flash instruct, yang dijalankan oleh Tencent atau oleh evaluator independen, akan menggantikan setiap estimasi dalam artikel ini dengan sebuah pengukuran.
Artificial Analysis menambahkan model tersebut. Tidak ada entri Hy4 flash di papan peringkat per 21 November — URL model tersebut mengembalikan 404 — jadi tidak ada indeks pihak ketiga, skor kecepatan, atau skor yang dinormalisasi harga untuk memeriksa semua ini. Liputan minggu peluncuran model tersebut mengandalkan rangkaian WorkIndex milik Tencent sendiri dan uji buta internal yang melibatkan 85 orang; keduanya tidak mencakup visi.
Sampai salah satu dari itu terwujud, 74.8 hanya layak dimasukkan ke dalam kalimat dengan kualifikasinya tetap disertakan: checkpoint instruct, 300 item, upaya penalaran tinggi, tiga kali eksekusi, dan pemeriksaan sekilas oleh seorang penulis framework pada PR yang belum ditinjau. Itu adalah angka terbaik yang ada untuk sisi visi Hy4 flash. Itu standar yang lebih rendah daripada terdengarnya, dan pembacaan yang jujur adalah bahwa kemampuan visi model kini terbukti telah diimplementasikan dan masih sebagian besar belum terukur.
Dibandingkan dalam artikel ini1
Terdeteksi dari artikel ini
