Pratinjau Tencent Hy4 Telah Dibuka: MoE 770B dengan Konteks Sejuta Token seharga ¥6 per Juta Token Masukan

Tencent Hy4 Preview, {{1}}dirilis dan dijadikan open-source pada 28 Agustus 2026{{/1}}, adalah model unggulan ketiga Tencent dalam enam bulan, {{2}}dan merupakan yang berhenti menjadi pencapaian riset dan mulai menjadi peristiwa penetapan harga{{/2}}. Ini adalah model mixture-of-experts dengan 770 miliar parameter — {{3}}49 miliar aktif per token{{/3}} — dan jendela konteks native satu juta token, {{4}}dirilis di bawah Apache License 2.0 dalam format BF16 dan FP8, dapat diunduh hari ini dari Hugging Face, GitHub, ModelScope, dan GitCode{{/4}}. Dan Tencent membanderolnya 6 yuan per juta token input dan 18 yuan per juta token output, {{5}}sekitar US$0,83 dan US$2,50{{/5}}, yang menempatkan model open-weight kelas atas di bawah hampir semua model frontier tertutup di pasar. {{6}}Satu rilis, tiga wajah{{/6}}: bobot terbuka yang bisa Anda jalankan sendiri, API di TokenHub Tencent Cloud, dan bobot yang sama sudah aktif di dalam produk Tencent sendiri, WorkBuddy, CodeBuddy, Yuanbao, dan ima. {{7}}Inilah yang sebenarnya dirilis, skor yang diklaim Tencent, dan hal yang belum diverifikasi siapa pun.{{/7}}

Kisah rekayasa lebih penting daripada jumlah parameter, karena setiap bagian adalah pengungkit biaya. Model ini memiliki kedalaman 78 lapisan: lapisan pertama adalah jaringan umpan-maju padat standar, dan 77 lapisan sisanya adalah lapisan MoE dengan 256 pakar terarah ditambah satu pakar bersama di masing-masing, mengaktifkan 8 pakar terarah teratas per token. Rasio sparsitas sekitar 16:1 inilah yang membuat model 770B terjangkau untuk dijalankan — hanya irisan 49B yang bekerja pada token tertentu. Lapisan prediksi multi-token khusus (10B parameter, 0,7B aktif) memungkinkan decoding spekulatif, dan tumpukan perhatian menggunakan Gated DeepSeek Sparse Attention dengan IndexCache untuk menjaga penggunaan memori konteks panjang tetap terkendali. Penalaran dapat dialihkan antara berpikir panjang code>high/code> mode dan hemat token code>no_think/code> mode. Detail-detail inilah yang menentukan apakah harga tertera bertahan saat bersentuhan dengan beban kerja nyata, bukan apakah model dapat menulis haiku.

Lembar spesifikasi, beranotasi

Baca catatan rilis baris demi baris, karena setiap baris secara diam-diam mengubah apa yang boleh dilakukan oleh model open-weight.

• Parameter — total 770B, 49B aktif per token, rasio sparsity ~16:1 yang menjaga biaya penyajian tetap dalam kisaran yang benar-benar mampu dibayar oleh tim kecil.

• Konteks — jendela token asli 1.048.576, empat kali lipat 256K milik Hy3. Repositori lengkap, refactor multi-file, paket keuangan 72 dokumen — masalah yang selesai dalam satu permintaan.

• Lisensi — Apache License 2.0 untuk rilis asli BF16 dan rilis terkuantisasi FP8, yang berarti hosting mandiri, fine-tuning, dan penggunaan komersial tanpa klausul kepemilikan.

• Tumpukan inferensi — Tencent mencantumkan vLLM dan SGLang sebagai kerangka kerja penyajian yang didukung, dua yang sebenarnya menjadi standar di ekosistem bobot terbuka.

• API — Endpoint TokenHub Tencent Cloud sebesar ¥6 per juta token input, ¥18 per juta token output, ¥0,3 per juta untuk cache hits.

• Integrasi produk — bobot yang sama yang digunakan Tencent di WorkBuddy, CodeBuddy (domestik dan internasional), Yuanbao, dan ima adalah bobot yang dapat Anda tarik dan jalankan. CodeBuddy mendapatkan uji coba gratis model selama dua minggu saat peluncuran.

Tencent juga melaporkan angka rekayasa inferensi yang jarang muncul dalam catatan rilis: peningkatan throughput ujung-ke-ujung sebesar 31,8% dari fusi operator dan optimalisasi komunikasi. Itulah jenis detail yang membedakan model yang dirilis lab sebagai artefak penelitian dari model yang diharapkan perusahaan untuk menangani lalu lintas produksi. Sejak hari pertama, itu juga persis jenis klaim yang belum diukur oleh siapa pun di luar Tencent.

Skor yang layak dikutip

Setiap tolok ukur yang diterbitkan Tencent untuk Tencent Hy4 Preview dilaporkan oleh vendor — dijalankan pada pengaturan evaluasi Tencent sendiri, tidak direproduksi oleh laboratorium independen mana pun, dan modelnya telah dirilis ke publik kurang dari sehari. Anggaplah itu sebagai batas tertinggi yang diyakini Tencent telah dicapai.

Angka utamanya adalah Terminal Bench 2.1, sebuah ujian untuk mengukur seberapa baik model mengoperasikan terminal sungguhan sambil membuat kode. Tencent melaporkan 85.4, yang menurut mereka menyamai Claude Opus 5 dan melampaui DeepSeek V4 Pro, serta mengungguli pendahulunya sendiri, Hy3, dengan 14.6 poin. Angka tunggal itu memikul banyak beban — klaim yang menempatkan model open-weight sejajar dengan model frontier tertutup termahal dalam uji agentic-coding yang sulit — dan klaim itulah yang paling membutuhkan konfirmasi independen. Sisa tabel internal: DeepSWE melonjak dari 28.0 pada Hy3 menjadi 64.3, yang digambarkan Tencent sebagai "secara bertahap menutup kesenjangan" dengan model-model kelas satu; Toolathlon-Verified, uji pemanggilan alat, berada di 74.1; APEX-Agents pass@1 sebesar 37.1, hanya sedikit di belakang Kimi K3 yang mencapai 37.2; SWE-bench Pro di 65.7 dan SWE-bench Multilingual di 82.9. Dalam uji buta internal terpisah, 163 pakar menilai 203 tugas rekayasa dengan skor 2.99 dari 4.00, tipis mengungguli GLM-5.3 yang 2.92 dan Kimi K3 yang 2.94.

Dua pola menonjol. Pertama, setiap angka yang kuat berada pada pekerjaan rekayasa agentik — pengoperasian terminal, pemanggilan alat, tugas berskala repositori — dan tidak ada pada obrolan atau pengetahuan umum, konsisten dengan posisi Tencent terhadap model sebagai "dibangun untuk produktivitas" di bidang rekayasa perangkat lunak, perkantoran dan analisis data, pengembangan game, dan riset ilmiah. Kedua, Tencent berhati-hati untuk menggambarkan DeepSWE dan lainnya sebagai mempersempit, bukan menutup, kesenjangan. Satu klaim paritas yang bersih dan dapat dipasarkan adalah hasil imbang Terminal Bench 2.1, dan klaim itulah yang paling layak diuji dengan beban kerja Anda sendiri.

Apa yang sebenarnya dapat dibeli dengan ¥6 per juta

Penetapan harga adalah bagian di mana rilisannya berhenti menarik dan mulai disruptif. Dengan 18 yuan per juta token output — sekitar US$2,50 — sesi coding agentik panjang yang menghabiskan satu juta token output berbiaya kira-kira sepersepuluh dari biaya sesi yang sama pada model frontier tertutup teratas, dan tingkat cache-hit 0,3 yuan membuat prompt sistem yang dikirim ulang serta prefiks percakapan dari loop agentik jauh lebih murah daripada caching kebanyakan pesaing. Demo Tencent sendiri menunjukkan model tersebut memproses 72 dokumen keuangan dalam satu kali proses; pada tarif ini, batch semacam itu menjadi pekerjaan harian yang terjangkau, bukan garis anggaran.

Di sinilah juga lapisan routing mengubah perhitungan, dan penting untuk tepat soal itu. OrcaRouter belum merutekan Tencent Hy4 Preview — Tencent belum membuka model ini untuk platform inferensi pihak ketiga, sehingga ia berjalan di endpoint TokenHub Tencent Cloud dan pada deployment self-hosted dari bobot terbuka, dan kami tidak mengklaim melayani apa yang tidak kami layani. Namun disiplin yang membuat pemotongan harga berarti adalah disiplin yang sama dengan yang dijalankan seluruh katalog: OrcaRouter meneruskan harga daftar penyedia tanpa markup, sehingga ketika vendor menetapkan harga token sebesar 6 yuan, angka yang Anda bayar di pihak kami adalah 6 yuan, bukan versi yang dijual ulang dan dinaikkan harganya — dan pada hari vendor mengubah harga, perubahan itu langsung aktif di pihak kami pada hari yang sama. Satu API untuk 200+ model, failover otomatis antarpenyedia saat salah satu bermasalah, dan DSL routing untuk merangkai model menjadi satu panggilan: itulah mekanisme yang akan membawa Tencent Hy4 Preview begitu Tencent membukanya, dan mekanisme yang sudah dapat Anda gunakan untuk menjalankan model baru yang belum teruji di samping model yang sudah teruji tanpa mempertaruhkan jalur produksi Anda pada salah satu dari keduanya.

Klaim yang layak dibaca ulang

Dua hal dalam materi peluncuran tersebut是关于模型是如何构建的，而不是它的得分，它们值得单独关注。

Yang pertama adalah siklus peningkatan diri. Tencent mengatakan bahwa Tencent Hy4 Preview berpartisipasi dalam penelitian dan pengembangannya sendiri — model itu digunakan untuk mengoptimalkan metode pelatihan, strategi data, sistem evaluasi, dan operator tingkat rendah yang menghasilkannya. Itu adalah siklus peningkatan diri rekursif awal: sebuah model membantu merancang versi berikutnya dari dirinya sendiri, dan Tencent mengumumkannya sebagai kapabilitas yang dirilis. Itu klaim besar, dan sepenuhnya dilaporkan sendiri.

Yang kedua adalah hasil matematika. Tencent melaporkan bahwa model tersebut memajukan batas bawah yang diketahui dari masalah Blaschke–Lebesgue — sebuah pertanyaan terbuka yang sudah lama ada dalam geometri cembung tentang benda bervolume minimum dengan lebar konstan — dari 0.380799 menjadi 0.41104, membawanya ke dalam sekitar 2% dari konjektur tetrahedron Meissner. Tencent juga melaporkan percepatan 2.0x pada simulasi bilayer fosfolipid dengan 32,512 atom, turun menjadi 54.9 milidetik per langkah. Hasil seperti ini biasanya membuat model mendapatkan makalahnya sendiri; di sini hasil tersebut menjadi poin peluncuran, dan seperti segala hal lainnya pada hari pertama, semuanya adalah laporan Tencent sendiri.

Kesenjangan yang jujur

Tencent memaparkan keterbatasan yang diketahui secara gamblang. Tidak ada input visi atau multimodal — Tencent Hy4 Preview adalah model teks, titik. Jadi, apa pun yang berkaitan dengan gambar atau video sebaiknya memakai model lain. Tencent juga menyoroti perilaku start yang lambat pada tugas kompleks — berpikir lama sebelum keluaran pertama — serta kecenderungan untuk terlalu memverifikasi diri sendiri, menghabiskan token untuk mengecek ulang pekerjaan yang telah dilakukan. Kombinasi itu benar-benar tidak tepat untuk chat yang sensitif terhadap latensi dan dapat ditoleransi untuk pekerjaan rekayasa batch offline, yang menunjukkan di mana Tencent mengharapkan Anda menjalankannya.

Dan ketiadaan yang paling penting adalah verifikasi. Belum ada skor independen untuk Tencent Hy4 Preview di mana pun — tidak di papan peringkat publik, tidak dari laboratorium evaluasi pihak ketiga. Modelnya terlalu baru. Uji buta pakar internal adalah sinyal yang berguna tentang bagaimana para peninjau Tencent sendiri melihatnya dibandingkan dengan GLM-5.3 dan Kimi K3, tetapi itu adalah peninjau Tencent pada tugas-tugas Tencent. Segala sesuatu di atas lembar spesifikasi hanyalah klaim yang menunggu pemeriksaan.

Cara benar-benar mencobanya hari ini

Jalur yang praktis itu singkat. Ambil bobot dari Hugging Face, GitHub, ModelScope, atau GitCode dan jalankan dengan vLLM atau SGLang; panggil API TokenHub Tencent Cloud jika Anda menginginkan endpoint yang dihosting dengan harga tercantum; atau gunakan di dalam CodeBuddy atau WorkBuddy, tempat Tencent mengadakan uji coba gratis dua minggu. Akses gratis model Hy3 berlangsung hingga 30 September, dan ritme Tencent sendiri — kira-kira satu iterasi besar setiap dua bulan — mengarah pada rilis penuh Hy4 yang tidak lama menyusul versi pratinjaunya.

Ringkasan jujurnya: model open-weight, 770B, konteks sejuta, dengan harga ¥6 per juta token masukan, adalah hal nyata yang ada saat ini, dan tolok ukur terkuat yang melekat padanya adalah klaim vendor tentang hasil seri dengan model frontier tertutup yang belum bisa direproduksi oleh siapa pun. Unduh, jalankan pengujian yang benar-benar Anda pedulikan, dan biarkan bukti menentukan apakah harga masih menjadi cerita.