Kartu hero yang dihasilkan berjudul 'Hy4 flash vs Qwen3.8-Flash', dengan petak kiri bertuliskan Tencent, 16 November 2026, $0.070 masuk dan $0.281 keluar per juta, total 220B dengan 11.3B aktif, konteks 1,048,576 token, input teks dan gambar dengan output teks, serta belum ada skor independen; dan petak kanan bertuliskan Alibaba, di QwenCloud sejak 26 Agustus 2026, $0.15 masuk dan $0.47 keluar per juta, MoE 125B dengan sekitar 6B aktif, konteks 1M dan output maksimum 131K, input teks, gambar, dan video dengan output teks, serta Intelligence Index sebesar 28.6 untuk build open-weights. Footer bertuliskan bahwa harga Hy4 flash adalah tarif list Tencent, harga Qwen3.8-Flash adalah tarif list QwenCloud, dan angka indeksnya adalah Artificial Analysis v5.0.1 untuk Qwen3.8-Flash-Next.
Guides & Insights

Hy4 flash vs Qwen3.8-Flash: Parameter Aktif Dua Kali Lipat, Harga per Token Setengahnya

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Model yang lebih murah di sini justru yang lebih besar. Hy4 flash mengaktifkan 11,3 miliar parameter teks pada setiap token dan tercatat $0.070 per juta token input. Qwen3.8-Flash mengaktifkan sekitar 6 miliar dan tercatat $0.15. Hampir dua kali lipat komputasi aktif per token, namun kurang dari setengah harga input — dan tidak satu pun dari kedua angka itu yang menentukan model mana yang sebenarnya harus Anda panggil.

Hy4 flash baru berusia dua hari. Tencent menempatkannya di API miliknya sendiri pada 16 November 2026, menerbitkan bobotnya keesokan harinya, dan merilis tiga repositori untuknya: checkpoint instruct, build FP8, dan model dasar. Ini adalah campuran pakar berparameter 220 miliar dengan 12 miliar aktif, konteks 1.048.576 token, input gambar dan output teks, di bawah Lisensi Tencent Hy. Qwen3.8-Flash telah ada di QwenCloud sejak Alibaba membukanya bersama bobot Qwen3.8-Flash-Next pada 26 Agustus 2026: badan pakar berparameter 125 miliar yang mengaktifkan sekitar 6 miliar, ditambah tabel penyematan n-gram berparameter 51 miliar, menerima teks, gambar, dan video lalu mengembalikan teks, pada konteks 1M dan output maksimum 131K.

Jadi bentuk perbandingan ini tidak biasa. Satu model adalah tier murah yang paling terdokumentasi di pasar dan yang lainnya paling sedikit terdokumentasi. Satu memiliki baris benchmark independen dan yang lainnya memiliki 404. Dan kedua kartu harga menggunakan mata uang yang berbeda, dijual ke pasar yang berbeda, dan dilindungi oleh berbagai jumlah syarat dan ketentuan kecil. Bagian yang menarik bukanlah 2,1x pada baris input — melainkan apa yang terjadi pada selisih itu begitu Anda berhenti menetapkan harga token dan mulai menetapkan harga pekerjaan yang sudah jadi.

Inversi pada kartu tarif, sebelum apa pun.

Kartu harga Tencent untuk Tiongkok daratan bagi Hy4 flash mencantumkan ¥0,5 per juta token input, ¥2 per juta token output, dan ¥0,02 per juta token input yang di-cache. Tencent mencantumkan tiga baris yang sama dalam dolar sebagai $0,070, $0,281, dan $0,003. Kartu QwenCloud untuk Qwen3.8-Flash mencantumkan $0,15 untuk input, $0,47 untuk output, $0,016 untuk pembacaan cache, dan $0,20 per juta untuk pembuatan cache lima menit secara eksplisit.

• Input — $0.070 dibanding $0.15. Hy4 flash 2,1x lebih murah.

• Output — $0.281 dibanding $0.47. Hy4 flash 1,7x lebih murah.

• Input cache — $0,003 versus $0,016. Hy4 flash 5,3x lebih murah pada pos biaya yang mendominasi setiap agen yang mengirim ulang prompt tetap.

• Campuran pada rasio 3:1 input terhadap output — sekitar $0.123 per juta dibandingkan $0.230.

• Diblended pada rasio 1:3, dominan output — sekitar $0,228 dibandingkan $0,390.

Itu adalah kesenjangan yang nyata dan lebih kecil daripada yang disiratkan oleh rasio utama, karena kolom output adalah tempat kedua model benar-benar membelanjakan uang untuk pekerjaan agentik dan kesenjangan outputnya hanya 1,7x. Kesenjangan itu juga lebih kecil daripada kesenjangan yang ditunjukkan masing-masing model ini terhadap model unggulan Barat, yang merupakan perusahaan yang masing-masing dari mereka pertahankan di tier ini.

Catatan jujur pada kelima baris: ini bukan jenis harga yang sama. Harga Tencent adalah tarif daftar RMB Tiongkok daratan yang telah dikonversi Tencent untuk pembaca berbahasa Inggris, dan Tencent sudah menjalankan diskon promosi untuk model ini pada minggu pertamanya. Harga QwenCloud adalah tarif daftar USD pada endpoint global. Tim yang membeli dalam dolar dari luar Tiongkok daratan harus memperlakukan angka Hy4 flash sebagai batas bawah dari apa yang tersedia, bukan angka yang akan ditagihkan kepada mereka, dan harus membaca ulang kartu harga tersebut sebelum memodelkan apa pun berdasarkan angka itu.

Tetap jalankan volume itu, karena polanya tetap berlaku. Sepuluh juta token input dan dua juta token output per hari biayanya $1,26 di Hy4 flash dan $2,44 di Qwen3.8-Flash — $461 versus $891 selama setahun, selisih sekitar $430 pada ukuran beban kerja yang benar-benar dapat dihasilkan tim kecil. Geser komposisinya ke arah cache, seperti yang dilakukan agen multi-turn mana pun, dan selisihnya melebar: dua juta input baru, delapan juta pembacaan cache, dan dua juta output menjadi $0,73 per hari versus $1,37, karena rasio pembacaan cache adalah 5,3x, bukan 2,1x.

A generated two-column scoreboard for Hy4 flash and Qwen3.8-Flash across six shared dimensions: input price $0.070 against $0.15, output price $0.281 against $0.47, cached input $0.003 against $0.016, active parameters 11.3B of 220B against roughly 6B of 125B, video input no against yes, and independent score none against 28.6. A footer notes the prices are Tencent and QwenCloud list rates and the 28.6 is Artificial Analysis Intelligence Index v5.0.1 for Qwen3.8-Flash-Next.

Kedua vendor menghabiskan hampir sepertiga parameter untuk ide yang sama.

Inilah bagian dari perbandingan yang tidak ditempatkan oleh tulisan peluncuran vendor mana pun di samping milik vendor lain, dan inilah alasan harga kedua model hanya berselisih dalam faktor dua, bukan faktor sepuluh.

Hy4 flash membawa 63,5 miliar parameter Engram — representasi bigram dan trigram yang dipelajari, diambil melalui pencarian hash multi-head, lalu dipasang ke backbone pada lapisan 1, 11, 21, dan 31. Itu berarti 28,9% dari 220 miliar parameter model berada di tabel pencarian, bukan di expert. Qwen3.8-Flash membawa tabel embedding n-gram dengan 51 miliar parameter yang dikunci berdasarkan token saat ini ditambah beberapa token sebelumnya, dari sekitar 180 miliar parameter di disk — 28,3%.

Dua laboratorium, dua generasi, kesimpulan yang sama: cara termurah untuk menambahkan kemampuan ke model sparse adalah berhenti membayar komputasi per token untuknya. Kedua tabel dapat berada di memori host dan di-prefetch secara asinkron, sehingga keduanya tidak menempati memori GPU secara permanen. Keduanya tidak menambahkan perkalian matriks ke forward pass. Keduanya, pada dasarnya, adalah taruhan bahwa sebagian besar dari apa yang perlu diketahui model bahasa dapat diprediksi secara lokal dari beberapa token terakhir, dan bahwa bagian pakar sparse harus dicadangkan untuk hal-hal yang tidak demikian.

Tumpukan attention-nya juga senada. Hy4 flash menyelang-selingkan IndexPool sparse attention dengan jendela geser 512 token pada rasio 1:3 di 42 lapisan, dan Tencent melaporkan KV cache yang dihasilkan sebesar 1/24 dari Hy3 dan 1/6 dari Hy4. Qwen3.8-Flash menggunakan Gated DeltaNet dengan Qwen Sparse Attention, memadatkan riwayat ke dalam state berukuran tetap di tiga dari setiap empat lapisan dan merutekan sisanya melalui pengindeks tingkat blok. Keduanya adalah jawaban atas pertanyaan yang sama — bagaimana Anda menyajikan jendela sejuta token tanpa membayar KV cache sejuta token — dan kedua jawaban itu bermuara pada beberapa ragam "jangan attend ke semuanya."

Perbedaannya terletak pada apa yang diperoleh dari parameter aktif tambahan. Hy4 flash menjalankan 11,3 miliar parameter teks dibandingkan 6 miliar milik Qwen3.8-Flash, pada 41 lapisan MoE dengan 16 dari 512 pakar yang dirutekan plus satu pakar bersama, dalam ruang laten berdimensi 1.536. Itu berarti hampir dua kali komputasi per token, pada model yang menagih kurang dari setengah per token. Apa pun yang juga benar, Tencent tidak menutup biaya itu dari pelanggan — melainkan dari tumpukan penyajian: bobot 4-bit, megakernel, dan DFly2, sebuah drafter 0,85 miliar parameter yang menggunakan kembali KV sparse dan pemilihan indeks model target sehingga setiap token draf memperhatikan paling banyak sekitar 2.000 kunci terlepas dari panjang konteks. Tencent mengklaim decoding di atas 150 token per detik dengan ketiganya digabungkan.

Apa yang sebenarnya bisa didapat dari 29,5 menit per tugas

Harga per token adalah satuan yang keliru untuk kedua model ini, dan data independen membuat hal itu konkret pada salah satu sisi perbandingan.

Artificial Analysis memberi skor Qwen3.8-Flash-Next — artefak bobot terbuka, bukan SKU yang dihosting — sebesar 28.6 pada Intelligence Index v5.0.1, dengan $0.569 per tugas, lebih dari 29.5 menit per tugas, pada 83.6 token keluaran per detik, dengan 2.5 detik ke token pertama dan 68.3 detik ke token jawaban pertama.

Kelima angka itu jika dikalikan menghasilkan sesuatu yang lebih berguna daripada masing-masingnya sendiri. Pada 83,6 token per detik selama 1.768 detik, sebuah tugas menghasilkan sekitar 148.000 token keluaran. Pada $0,47 per juta, itu sekitar tujuh sen untuk keluaran. Lima puluh sen lainnya dari $0,569 adalah masukan, yang pada $0,15 per juta menyiratkan setidaknya 3,3 juta token masukan sepanjang tugas — lebih banyak jika sebagiannya dilayani dari cache dengan tarif lebih murah. Masukan 3,3 juta token terhadap konteks 1M bukanlah satu prompt. Itu adalah loop: baca, bertindak, baca lagi, sedalam dua puluh atau tiga puluh putaran, dengan konteks dibangun ulang atau dibawa ke depan setiap kali.

Itulah beban kerja yang menjadi target kedua model, dan itulah sebabnya pilihan desain Hy4 flash terbaca seperti itu. Pipeline pasca-pelatihan Tencent memangkas keluaran ujung-ke-ujung rata-rata sebesar 50% melalui pembelajaran penguatan, dan evaluasi buta internalnya melaporkan penyelesaian tugas median 6,7 menit dengan biaya RMB 0,26 per tugas — sekitar $0,037 pada kurs yang berlaku. Rangkaian WorkIndex internalnya menempatkan Hy4 flash pada 42,1 berbanding 39,7 untuk Hy4 preview, dengan biaya rata-rata per tugas yang dinyatakan Tencent sebagai sepertiga belas dari Hy4 preview, seperdua puluh dari Hy4, dan seperdelapan dari DeepSeek-V4.1-Flash-1017 pada tarif jam sibuk.

Jangan membagi angka-angka itu dengan milik Artificial Analysis. Median 6,7 menit pada 259 tugas WorkBuddy di 85 pengguna internal bukanlah median 29,5 menit pada Intelligence Index, dan angka RMB per tugas dari harness milik vendor sendiri bukanlah angka dolar per tugas dari harness independen. Perbandingan yang didukungnya bersifat menunjukkan arah dan layak dinyatakan secara gamblang: biaya per tugas Qwen3.8-Flash yang terukur didominasi oleh berapa banyak token yang dibelanjakan dan berapa lama waktu yang dibutuhkan, bukan oleh tarifnya per token. Model yang menulis setengah lebih sedikit dan selesai dalam seperlima waktu bisa 1,7x lebih murah per token keluaran dan satu orde besaran lebih murah per pekerjaan yang selesai. Apakah Hy4 flash benar-benar model itu justru itulah yang belum diukur siapa pun.

Papan skor hanya memiliki satu baris, dan baris itu bukan untuk model yang akan Anda panggil.

Dua pengungkapan, yang keduanya mengubah seberapa besar bobot yang dapat dibawa oleh angka-angka di atas.

Pertama: Hy4 flash tidak memiliki halaman Artificial Analysis. Bukan skor rendah, bukan entri tanpa peringkat — https://artificialanalysis.ai/models/hy4-flash mengembalikan 404 pada 18 November 2026, tiga hari setelah API dibuka dan sehari setelah bobotnya dirilis. Tidak ada pengukuran independen untuk model ini sama sekali. Tabel tolok ukur yang diterbitkan Tencent mencakup checkpoint dasar yang telah dilatih sebelumnya, Hy4 flash Base versus Hy4 Base dan model dasar DeepSeek, yang memberi tahu Anda tentang pra-pelatihan dan tidak sama sekali tentang model instruksi atau mode penalaran yang sebenarnya akan Anda panggil. Satu-satunya bukti model instruksi adalah milik Tencent sendiri: WorkIndex, tes buta, dan rasio biaya per tugas.

Kedua: angka 28.6 dan $0.569 merujuk pada Qwen3.8-Flash-Next, yaitu checkpoint yang dapat diunduh. Qwen3.8-Flash yang dihosting di QwenCloud adalah build serving yang disetel secara terpisah; Alibaba menjualnya sebagai anggota lini tersebut yang siap produksi, dan keduanya tidak dapat saling dipertukarkan. Artificial Analysis juga mencatat Qwen3.8-Flash-Next pada konteks 256.000 token — jendela asli checkpoint tersebut sebelum ekstensi YaRN — sedangkan QwenCloud menyajikan model yang dihosting pada 1M dengan input maksimum 991K. Jika Anda menetapkan harga untuk model yang dihosting, Anda mengandalkan kartu QwenCloud dan evaluasi Alibaba sendiri untuk semuanya kecuali skor kecerdasan, yang merupakan milik checkpoint tersebut.

Jadi asimetrinya sangat mencolok dengan cara yang mudah diutarakan tetapi sulit diselesaikan: satu model memiliki skor independen yang menjadi milik artefak yang berbeda, sementara model lainnya tidak memiliki skor independen sama sekali. Artikel apa pun yang memberi Anda pemenang dalam hal kemampuan di sini sedang mengarangnya. Yang bisa dikatakan lebih sempit tetapi tetap berguna. Qwen3.8-Flash pada 28.6 berada di bawah Tencent Hy4, model unggulan 770 miliar parameter dari keluarga yang sama, pada 34.6, dan di bawah Claude Haiku 5.5 pada 36.5 dalam versi indeks yang sama — skor tingkat menengah yang solid, yang seharusnya dihasilkan model flash kecil. Hy4 flash, pada rangkaian internal Tencent sendiri, memperoleh skor di atas Hy4 preview dan jauh di bawah Hy4, yang merupakan posisi relatif yang sama dengan instrumen yang berbeda.

Video adalah satu-satunya baris yang menentukan dirinya sendiri

Semua di atas bisa diperdebatkan. Yang ini tidak.

• Masukan Hy4 flash — teks dan gambar, melalui encoder turunan SigLIP2-So400m di atas proyektor MLP. Output berupa teks.

• Masukan Qwen3.8-Flash — teks, gambar, dan video. Keluarannya berupa teks.

Jika pipeline Anda menerima rekaman layar, rekaman panggilan, atau berkas video, Hy4 flash tidak dapat menerimanya dan Qwen3.8-Flash dapat. Bobot terbuka tidak membantu, adapter tidak membantu, dan sebesar apa pun keunggulan harga tidak menutupnya. Keduanya memuat satu juta token konteks, keduanya menangani dokumen dan tangkapan layar, dan pada dasar bersama itu perbandingan tetap terbuka; untuk video, perbandingan tertutup.

Beban kerja yang direkomendasikan Tencent sendiri untuk Hy4 flash konsisten dengan batas itu — pencarian mendalam, pemrosesan dokumen, pembuatan slide, demo frontend sederhana, penggunaan komputer — dan panduan mereka sendiri mengarahkan rekayasa perangkat lunak berhorizon panjang ke Hy4 sebagai gantinya. Itu adalah vendor yang mengakui adanya batas kemampuan, yang lebih informatif daripada sebagian besar materi peluncuran dan layak diterima apa adanya.

Keduanya dapat diunduh, dan hasil unduhannya tidak setara.

A screenshot of the Hugging Face model card for tencent/Hy4-flash, showing the Image-Text-to-Text pipeline tag, the Tencent Hy License, a 220B parameter model size in BF16 with F32 tensor type, mixture-of-experts, multimodal, instruct and conversational tags, 96 likes, and a table of contents covering model introduction, capability, cost efficiency, blind evaluation, benchmark results, the DFly2 speculative draft model and quantisation.

Hy4 flash dirilis sebagai bobot terbuka pada 17 November: tencent/Hy4-flash, tencent/Hy4-flash-FP8, dan tencent/Hy4-flash-base. Daftar berkas pada 18 November menempatkan checkpoint BF16 pada 440,5 GB dalam 148 shard dan build FP8 pada 287,1 GB. Qwen3.8-Flash-Next telah publik sejak 24 Agustus dan berukuran 360,0 GB dalam 131 shard.

• Resep serving — Tencent menerbitkan image yang di-pin, vllm/vllm-openai:hy4-flash dan lmsysorg/sglang:hy4-flash, dengan flag tensor-parallel-8 dan speculative-decoding dituliskan secara eksplisit. Qwen3.8-Flash-Next telah memiliki dukungan SGLang, vLLM, dan Transformers sejak minggu peluncurannya.

• Transformers — Hy4 flash memerlukan instalasi dari ref pull-request, refs/pull/50903/head, karena dukungannya belum tersedia di main. Qwen3.8-Flash-Next dimuat dari main.

• Kuantisasi — Tencent merilis build FP8 resmi dan AngelSlim GGUF; ekosistem Qwen telah memiliki empat bulan untuk menghasilkan kuantisasi komunitasnya sendiri.

• Sinyal ekosistem — Qwen3.8-Flash-Next mencatat 2.983.542 unduhan dalam sebulan terakhir dan 7.276 suka pada 18 November. Hy4 flash, yang diterbitkan sehari sebelumnya, menunjukkan 96 suka dan jumlah unduhan nol.

• Perangkat Keras — Bobot BF16 sebesar 440 GB tidak muat pada delapan kartu 80 GB, jadi versi FP8 sebesar 287 GB di delapan H100 adalah penerapan satu node yang realistis, dan itulah tepatnya konfigurasi TP=8 yang ditetapkan dalam resep Tencent sendiri.

Image yang di-pin dan instalasi PR-ref tidak menjadi alasan untuk mendiskualifikasi; itu berarti Anda menjalankan build yang diuji Tencent, bukan build yang telah dirilis, yang merupakan perbedaan dalam siapa yang memiliki bug berikutnya. Keunggulan Qwen di sini sepenuhnya merupakan fungsi dari empat bulan waktu yang telah berlalu, dan itu akan terkikis. Hari ini itu nyata, dan itu adalah kesenjangan terbesar kedua dalam perbandingan ini setelah baris benchmark yang hilang.

Kedua lisensi tersebut sama-sama memiliki klausul model-as-a-service, dan klausulnya berbeda.

Kedua model gratis untuk diunduh dan tidak satu pun bebas dijual kembali tanpa syarat, tetapi pemicunya tidak memiliki bentuk yang sama dan perbedaannya penting jika Anda menghosting model untuk orang lain.

• Lisensi Tencent Hy v1.0 — turunan Apache 2.0. Bagian 10.2 mewajibkan lisensi tertulis terpisah jika Anda menjalankan bisnis model-as-a-service dan pendapatan bruto global Anda melebihi US$50 juta dalam periode dua belas bulan mana pun, atau produk Anda melampaui 100 juta pengguna aktif bulanan. Bagian 10.3 membebaskan penggunaan internal.

• Qwen Community License 1.0 — mewajibkan lisensi terpisah untuk setiap bisnis Model-as-a-Service atau AI Work Assistant, terlepas dari ukurannya, dengan penggunaan internal dikecualikan. Secara terpisah, lisensi ini mewajibkan nama model ditampilkan secara menonjol jika Anda melampaui 100 juta pengguna aktif bulanan atau US$20 juta pendapatan bulanan.

• Pengecualian Qwen yang perlu dibaca dua kali — lisensi tersebut secara eksplisit mengecualikan "penyampaian permintaan semata kepada model yang dihosting oleh pihak ketiga lain" dari definisinya tentang Model as a Service. Lisensi Tencent tidak memiliki kalimat yang setara.

Keduanya tidak memberlakukan pembatasan teritorial, yang tidak dapat dikatakan untuk beberapa lisensi open-weight Tiongkok. Jika Anda membangun alat internal, keduanya gratis pada skala apa pun. Jika Anda membangun produk yang menjual ulang inferensi, ambang batas Tencent lebih sederhana dan pengecualian relay Qwen lebih permisif untuk jenis perantara tertentu, dan mana yang mengikat Anda bergantung pada bisnis mana dari kedua bisnis tersebut yang Anda jalani.

Apa yang dapat dipanggil hari ini, dengan satu tombol

A screenshot of the OrcaRouter model page for qwen/qwen3.8-flash, showing the Qwen3.8 Flash heading, a 1M-token context and 131K maximum output, text, image and video input with text output, vision, tools, JSON and reasoning capability tags attributed to Qwen with a 26 August 2026 date, zero data retention availability, a 10.00-second p50 time to first token, and the start of the model description as a multimodal reasoning model from Alibaba.

Qwen3.8-Flash ada di katalog OrcaRouter sebagai qwen/qwen3.8-flash, dengan $0.15 per juta token input dan $0.47 per juta token output serta biaya cache read $0.0184 — tarif prompt dan completion yang dipublikasikan QwenCloud diteruskan tanpa markup, sehingga potongan harga vendor untuk model ini sampai kepada Anda pada hari hal itu terjadi, bukan pada sinkronisasi katalog berikutnya.

Hy4 flash belum ada di katalog. Yang tersedia untuk keluarga ini adalah tencent/hy4-preview dengan harga $0.834 dan $2.501 per juta token serta pembacaan cache $0.042 — model asal distilasi Hy4 flash, dan baseline yang tepat untuk dijalankan terhadap API Tencent sendiri sambil Anda menunggu rute flash tersedia. Menyatakan sebaliknya berarti mengklaim rute yang tidak kami miliki.

Yang diberikan asimetri itu kepada Anda adalah cara murah untuk menyelesaikan perdebatan sendiri. Jalankan dua puluh tugas Anda yang paling representatif pada qwen/qwen3.8-flash melalui kunci yang sudah Anda miliki, dan pada Hy4 flash melalui milik Tencent. Catat token masukan, token keluaran, cache hit, waktu nyata, dan apakah keluarannya dapat digunakan. Rasio per tugas yang Anda peroleh adalah satu-satunya versi klaim sepertiga belas Tencent yang berlaku untuk lalu lintas Anda, dan itu hanya membutuhkan waktu satu sore, bukan migrasi.

Saat rute flash akhirnya tersedia, pola yang berguna adalah aturan perutean, bukan saklar: tempatkan tier ingest video pada rute Qwen karena hanya itu dari keduanya yang menerima video, dan tier teks-dan-dokumen pada model mana pun yang disukai angka Anda sendiri. DSL perutean mengungkapkan pembagian itu dalam satu endpoint, failover otomatis berarti rute berusia dua hari yang belum terbukti mengalami degradasi tidak ikut menyeret pipeline, dan kunci yang sama menjangkau lebih dari 200 model tanpa kontrak kedua.

Keputusan tersebut, dinyatakan sebagai tiga kasus

Jika Anda memerlukan input video, perbandingan berakhir di sini. Qwen3.8-Flash mendukungnya, Hy4 flash tidak, dan tidak ada argumen harga yang bisa bertahan jika modalitasnya tidak tersedia.

Jika Anda memerlukan model dengan skor independen sebelum model itu menyentuh jalur yang berhadapan dengan pelanggan, Anda sudah memiliki jawabannya karena alasan yang sama. 28.6 pada Intelligence Index v5.0.1 adalah angka yang moderat — di bawah 34.6 milik unggulan Tencent sendiri dan di bawah Claude Haiku 5.5 pada 36.5 — tetapi angka itu terukur, publik, dan dapat direproduksi, sedangkan Hy4 flash tidak memiliki hal semacam itu. Itu mungkin akan berubah; itu adalah satu hal paling berharga yang bisa diterbitkan siapa pun tentang model ini.

Jika beban kerja Anda berupa teks dan dokumen bervolume tinggi, sensitif terhadap latensi, dan Anda dapat menjalankan evaluasi sendiri, Hy4 flash layak menghabiskan satu sore. Hampir dua kali parameter aktif dengan harga input kurang dari separuh bukanlah pertukaran yang biasa, baris input cache sebesar $0.003 membuat agen yang berjalan lama hampir gratis untuk diberi prompt ulang, dan bobotnya berarti harga tersebut hanyalah salah satu opsi, bukan satu-satunya. Masuklah dengan mengetahui bahwa Anda adalah orang pertama yang mengukurnya, bahwa tabel benchmark yang dipublikasikan menggambarkan checkpoint yang berbeda dari yang akan Anda panggil, dan bahwa bobot BF16 sebesar 440 GB tidak akan muat pada satu node tanpa build FP8.

Angka yang perlu diperhatikan bukanlah posting peluncuran lainnya. Itu adalah baris Artificial Analysis untuk {{1}}Hy4 flash{{/1}}, karena itu mengubah rasio internal vendor menjadi angka yang dapat Anda bandingkan langsung dengan $0.569 per tugas Qwen3.8-Flash-Next selama 29,5 menit. Jika {{2}}Hy4 flash{{/2}} berada secara signifikan di bawah itu dalam hal biaya per tugas sambil tetap dalam beberapa poin indeks, kesenjangan harga adalah inti ceritanya dan tier ini akan ditata ulang di sekitarnya. Jika harganya murah karena melakukan lebih sedikit pekerjaan per tugas, maka itu adalah model dokumen dan slide dengan daftar tarif yang luar biasa menguntungkan, dan panduan penerapan Tencent sendiri sudah mengatakan demikian.

Dibandingkan dalam artikel ini3

Terdeteksi dari artikel ini