Kartu judul yang dihasilkan bertuliskan 'Tencent Hy4 — Kartu Sistem', dengan chip spesifikasi bertuliskan '82 halaman', '770B total / 49B aktif', 'CyberGym 84.87%' dan 'penolakan berlebihan 35.9% (no_think)', serta catatan kaki bertuliskan 'Evaluasi yang dilaporkan vendor, dengan pengujian independen oleh ALICE dan Fangcun AI; bobot dirilis 20 November 2026.' Logo OrcaRouter dikompositkan di sudut kanan bawah.
Guides & Insights

Kartu Sistem Tencent Hy4: Skor Siber Lebih Baik, Penolakan Lebih Buruk

Penulis

jinhao.song

Tanggal Terbit

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

Tencent Hy4 merilis bobotnya pada 20 November 2026 dengan System Card setebal 82 halaman terlampir, dan dokumen itu lebih menarik daripada kebanyakan dokumen sejenis — bukan karena angkanya bagus, tetapi karena Tencent menuliskan angka-angka yang tidak bagus. Tencent Hy4 adalah model unggulan ketersediaan umum yang dirilis Tencent pada 4 November 2026; kartu tersebut merupakan evaluasi keselamatan, keamanan, dan alignment yang diterbitkan bersama rilis open-weight, dan ini pertama kalinya orang di luar Tencent dapat membaca apa yang dilakukan model ketika diminta membobol sesuatu. Tencent Hy4 Preview, model open-weight 28 Agustus, menjadi titik pembanding di sepanjang dokumen, sehingga kartu itu sama-sama berfungsi sebagai diff antiversi dan laporan keselamatan.

Hasil yang menjadi sorotan adalah peningkatan nyata dalam keamanan siber defensif: di CyberGym, reproduksi kerentanan naik dari 74,05 persen menjadi 84,87 persen, dan di SEC-bench Pro dari 40,70 menjadi 64,24. Catatan yang menjadi sorotan adalah bahwa dokumen yang sama melaporkan tingkat penolakan berlebihan sebesar 35,9 persen pada tugas agen yang tidak berbahaya saat penalaran dimatikan, dibandingkan dengan 13,5 persen untuk versi pratinjau. Kedua angka itu merupakan angka Tencent sendiri. Belum ada pihak yang mereproduksi keduanya.

Apa yang diterbitkan Tencent, dan siapa yang benar-benar mengujinya

Posting peluncuran menyebut empat organisasi: Xuanwu Lab milik Tencent, Zhuque Lab dan Keen Lab, ditambah pengujian independen dari ALICE dan Fangcun AI. Daftar itu terbaca sebagai lima validator. Padahal kenyataannya lebih mendekati dua, dan perbedaan ini lebih penting daripada biasanya di sini, karena seluruh argumen kartu keselamatan open-weight adalah bahwa pihak selain vendor telah memeriksa model sebelum unduhan dirilis.

• Xuanwu Lab, Zhuque Lab dan Keen Lab adalah unit riset keamanan milik T​encent sendiri. Xuanwu menjalankan evaluasi kriptografi dan reverse-engineering; Zhuque membangun kumpulan red-teaming internal untuk penyalahgunaan agentic; Keen ikut menjalankan latihan penemuan kerentanan end-to-end bersama Xuanwu. Mereka memiliki kredensial, nama mereka disebutkan, dan mereka berada dalam daftar gaji T​encent. Kartu ini terang-terangan soal hal ini di catatan kakinya — hanya saja tidak mengulangi kepemilikan tersebut di postingan peluncuran.

• ALICE (alice.io) adalah pihak ketiga yang sesungguhnya. Ia menjalankan tiga evaluasi terpisah: safe-completion dan penolakan siber, keamanan konten umum, serta ketahanan terhadap prompt-injection dalam skenario pemanggilan alat agentik. Angka-angkanya dilaporkan dengan ukuran sampel, dan kartu tersebut menandai bagian di mana sampel itu terlalu kecil untuk signifikan.

• Fangcun AI (fangcunleap.com) adalah pihak ketiga sungguhan kedua. Perusahaan ini membangun dan menjalankan rangkaian pengujian kehilangan kendali dan manipulasi berbahaya: Monitor Sabotage, LoCBench, dan tolok ukur penipuan.

• Artificial Analysis, Collinear, dan Scale AI menyediakan tolok ukur eksternal — masing-masing Cyber Index, CWE-bench, dan FORTRESS. Itu adalah instrumen pengukuran, bukan auditor, yang merupakan hal berbeda dan lebih lemah.

Jadi pembacaan yang jujur adalah: dua laboratorium independen, yang keduanya diberi cakupan evaluasi oleh vendor, ditambah tiga tim internal. Itu lebih banyak pengawasan eksternal daripada yang didapat sebagian besar rilis bobot terbuka. Itu lebih sedikit daripada yang tersirat oleh daftar lima nama.

Siber: pertahanan meningkat, serangan masih rudimenter

Tencent membuat keputusan pelatihan yang sengaja dibuat dan kemudian mendokumentasikan kegagalannya, yang merupakan hal paling berguna dalam dokumen tersebut. Data pelatihan terkait siber dibatasi pada materi defensif — reproduksi dan remediasi kerentanan — dengan eksploitasi, rekayasa balik, dan pengujian penetrasi sengaja dihilangkan. Tujuannya adalah model yang membantu pihak pembela tanpa memberikan alat kepada penyerang.

A generated two-column reference card titled 'Tencent Hy4 — cyber evaluations'. The 'Defensive' column lists CyberGym 84.87% up from 74.05, SEC-bench Pro 64.24% up from 40.70, CWE-bench Pass@4 78.4% and Pass@1 64.1%, and Artificial Analysis Cyber Index 58. The 'Offensive' column lists ExploitBench 42.9% with one end-to-end ACE case, ExploitGym 17.72% overall pass rate, and Xuanwu cryptography 8 of 8 forward versus 3 of 8 inverse, over the verdict 'rudimentary, not end-to-end'. A footer reads 'All figures Tencent-reported except the AA Cyber Index; measured on the instruction-tuned checkpoint, not the base model.'

Itu setengah berhasil. Hy4 menjadi sangat unggul dalam pertahanan dan kemudian, seperti yang dikatakan Tencent, kemampuan coding umum memungkinkannya untuk "merekonstruksi secara parsial" kemampuan ofensif yang seharusnya dicegah oleh penyaringan data. Kalimat itu adalah kartu yang mengakui bahwa kurasi data tidak dapat menggantikan evaluasi kemampuan, dan itulah alasan bagian siber lainnya ada.

• CyberGym — tingkat keberhasilan 84,87 persen dalam mereproduksi kerentanan nyata, naik 10,8 poin dari 74,05 pada pratinjau, atas 1.507 instans dari 188 proyek, dijalankan secara offline tanpa toolchain kompilasi atau debugging yang telah terpasang sebelumnya.

• SEC-bench Pro — 64,24 persen, naik 23,5 poin dari 40,70, pada 344 instans terverifikasi di V8, SpiderMonkey, dan kernel Linux, di mana agen harus bernalar dari antarmuka publik menelusuri jutaan baris kode.

• CWE-bench, tolok ukur perbaikan kerentanan independen milik Collinear — Pass@4 sebesar 78,4 persen, yang menurut kartu tersebut merupakan yang pertama di antara model terbuka, dan Pass@1 sebesar 64,1 persen, naik dari 47,3. Himpunan held-out tetap bertahan, dan itulah bagian yang penting.

• Artificial Analysis Cyber Index — 58, peringkat ketiga secara global dan kedua di antara model open-weight, dibangun dari CWE-Bench-AA sebesar 76 persen, DeepSecBench-AA sebesar 26 persen, dan CyberGym-E2E-AA sebesar 73 persen. Perhatikan peringatan pada kartu itu sendiri bahwa CWE-Bench-AA adalah subset dari CWE-bench milik Collinear tetapi dijalankan oleh organisasi berbeda dengan harness yang berbeda, sehingga keduanya tidak dapat dibandingkan meskipun namanya hampir identik.

Lalu sisi ofensif, yang angkanya rendah dan T​encent tidak mempercantiknya. Pada ExploitBench, tangga kemampuan 16 flag yang mencakup 41 kerentanan V8, Hy4 mencetak 42,9 persen dibandingkan 35,0 milik versi pratinjau — dan menghasilkan tepat satu kasus eksekusi kode arbitrer yang sepenuhnya end-to-end, dari seluruh rangkaian. Pada ExploitGym, tolok ukur 869 instans yang dibangun bersama Berkeley, A​nthropic, O​penAI, dan G​oogle, tingkat kelulusan keseluruhan kurang lebih dua kali lipat, dari 8,86 menjadi 17,72 persen, tetapi pada tingkat mitigasi yang oleh kartu itu sendiri digambarkan sebagai "jauh lebih mudah daripada eksploitasi di dunia nyata."

Red-teaming oleh para pakar mengatakan hal yang sama dalam bentuk yang lebih rapi. Xuanwu Lab mengaburkan implementasi kriptografi referensi dengan delapan cara; kedua model merekonstruksi enkripsi maju dalam 8 dari 8 kasus dan menghasilkan dekripsi yang benar dalam 3 dari 8. Menemukan dan menggunakan kembali kode bukanlah reverse engineering. Kesimpulan kartu tersebut — bahwa model "dapat menyelesaikan sebagian rantai eksploitasi tetapi belum menunjukkan kemampuan untuk mengembangkan eksploitasi dunia nyata secara stabil, mandiri, dan end-to-end" — adalah kesimpulan yang benar, dan itulah kalimat yang harus dikutip kepada siapa pun yang membaca "84,9 persen pada CyberGym" dan mendengar "peretas otonom."

Bio: keuntungan nyata, tidak ada bukti peningkatan

Bagian risiko biologis diorganisasikan sebagai rantai kapabilitas: pengetahuan, analisis data, pemecahan masalah, desain eksperimen. Hy4 meningkat di sebagian besar rantai tersebut dan peningkatannya sangat tidak merata, yang itu sendiri merupakan temuan.

• Pengetahuan — WMDP-Bio naik dari 83,97 menjadi 87,12 persen dan WMDP-Chem dari 73,77 menjadi 78,68 dengan penalaran dimatikan. Kartu tersebut menyoroti bahwa keduanya berada di dekat wilayah saturasi benchmark dan bahwa kenaikan di bidang kimia berjumlah sekitar tiga soal dari 408, semacam catatan kaki yang sadar diri yang membuat bagian lain dari tabel lebih kredibel, bukan sebaliknya.

• Analisis data — BioMysteryBench, uji buta agentik pada data sekuensing nyata, bergerak dari 75.6 ke 75.1. Mendatar. Pengetahuan meningkat, tetapi kemampuan untuk menggunakannya tidak.

• Pemecahan masalah — Hy-Protocol, 96 pertanyaan terbuka yang disusun dari artikel STAR Protocols pasca-cutoff dengan satu kesalahan parameter yang disuntikkan ke masing-masing, naik dari 65,6 menjadi 69,0. Analisis lintasan kartu itu sendiri adalah bahwa Hy4 biasanya mengidentifikasi langkah yang benar tetapi tidak dapat memberikan nilai akurat untuk konsentrasi, waktu, suhu, atau volume — “arah benar, nilai salah,” yang di lab basah merupakan mode kegagalan yang tidak akan disadari oleh operator yang tidak berpengalaman.

• Desain eksperimen — Hy-BioExperimentBench hampir tiga kali lipat, dari 10,27 menjadi 30,45 pada set internal berisi 181 pertanyaan. Melipatgandakan angka yang sangat rendah tetap menghasilkan angka yang sangat rendah, dan Tencent mengatakan demikian.

• Perilaku penolakan — pada FORTRESS CBRNE, skor risiko rata-rata turun dari 49,76 menjadi 18,57 dengan penalaran dimatikan dan dari 31,83 menjadi 17,68 dengan penalaran diaktifkan. Ini merupakan pengurangan yang besar dan nyata dalam keluaran berbahaya.

Butir terakhir itu memiliki biaya yang dilaporkan kartu tersebut tanpa melembutkannya. Skor over-refusal dalam evaluasi CBRNE yang sama naik dari 9,44 menjadi 29,44 persen saat penalaran dimatikan — sekitar empat kali lipat tingkat pada pengaturan pemikiran tinggi, yang berarti, dalam kata-kata Tencent, bahwa "sebagian besar peningkatan keamanan berpikir berasal dari batas penolakan yang lebih luas daripada diskriminasi yang lebih akurat." Model menjadi lebih aman sebagian karena menjadi lebih tumpul.

Guardrail adalah tempat asal penolakan.

Bagian 3.7 menjelaskan pagar pengaman jalur inferensi yang terpisah, dan bagian itu menguraikan perilaku yang jika tidak demikian akan tampak seperti properti model. Pagar pengaman tersebut adalah corong: model depan yang ringan menyaring semua lalu lintas demi recall tinggi, model ahli yang lebih kuat meninjau ulang apa yang ditandai, dan output diperiksa token demi token saat dialirkan sehingga risiko yang terkonfirmasi menghentikan proses di tengah generasi.

• Recall 95,74 persen, presisi 97,30 persen, dirata-ratakan di empat kategori. Keselamatan anak paling kuat pada recall 99,00 dan presisi 99,70; kekerasan dan ekstremisme paling lemah pada recall 91,47, dan kebencian serta toksisitas paling lemah pada presisi 92,00.

Mengapa ini penting bagi siapa pun yang men-deploy Hy4: pagar pengaman ada pada API yang dihosting Tencent, dan bobot terbuka tidak membawanya. Kartu model menyatakan ini secara terang-terangan di halaman-halaman awalnya — "pagar pengaman tambahan diterapkan pada deployment yang dihosting API kami, perlindungan ini mungkin tidak dipertahankan oleh pihak ketiga setelah bobot model dirilis." Jika Anda mengunduh checkpoint FP8 786 GB dan menyajikannya sendiri, angka-angka keselamatan dalam dokumen ini menggambarkan stack yang tidak Anda dapatkan. Anda mendapatkan model yang telah dilatih; Anda yang membangun corongnya.

Itu adalah kalimat paling berdampak dalam 82 halaman, dan mudah terlewat karena terkubur dalam sebuah paragraf tentang margin keselamatan hulu.

Agen-agen: regresi penolakan berlebihan

A generated two-column card titled 'Agentic safety — Hy4 versus Hy4 preview'. The 'Improved' column lists misuse risk 44.2% to 0.6% (no_think), prompt-injection attack success 25.0% to 13.0%, Zhuque red-team safety 84.0% to 91.1%, and SHADE-Arena 43.53% to 40.59% with chain of thought hidden. The 'Regressed' column lists benign task full assistance 80.8% to 39.7% (no_think), over-refusal 13.5% to 35.9%, indirect monitor disruption 4.0% to 7.0% under high reasoning, and LoCBench malicious competition 54.0% (no_think). A footer reads 'All figures Tencent-reported; independent suites run by Zhuque Lab, ALICE and Fangcun AI.'

Bagian agentic adalah bagian ketika kartu ini paling terbuka dan paling tidak nyaman. Hy4 dilatih untuk mengenali niat berbahaya dalam alur kerja pemanggilan alat, dan itu berhasil — terlalu berhasil dalam satu konfigurasi tertentu.

• Skenario penyalahgunaan dunia nyata — tingkat risiko penyalahgunaan, yaitu proporsi prompt berbahaya yang dibantu model atau diberikan alternatif setara, turun dari 44,2 menjadi 0,6 persen dengan penalaran dimatikan dan dari 38,5 menjadi 6,4 dengan penalaran dinyalakan. Setiap kategori risiko membaik.

• Kontrol benign, evaluasi yang sama — bantuan penuh pada tugas-tugas sah turun dari 80,8 menjadi 39,7 persen saat penalaran dimatikan, dan penolakan berlebihan naik dari 13,5 menjadi 35,9. Bacalah kedua butir itu bersama-sama: tingkat penyalahgunaan yang mendekati nol dengan penalaran dimatikan sebagian besar dihasilkan oleh penolakan secara luas, bukan oleh kemampuan membedakan yang baik. Nyalakan penalaran dan gambaran pun terbalik — 75,0 persen bantuan penuh, 2,6 persen penolakan berlebihan — yang menjadikan reasoning_effort pengaturan penerapan paling berpengaruh di seluruh kartu.

• Injeksi prompt lingkungan — tingkat keberhasilan serangan turun dari 25,0 menjadi 13,0 persen saat penalaran dimatikan dan dari 8,3 menjadi 3,7 saat penalaran diaktifkan. Angka 3,7 didasarkan pada sembilan versus empat serangan yang berhasil, sehingga kartu tersebut menyarankan agar Anda membacanya sebagai tren, bukan hasil.

• Tim merah internal Zhuque Lab — keamanan naik dari 84,0 menjadi 91,1 dan dari 85,8 menjadi 94,0, dengan penolakan palsu tetap di bawah 3 persen. Satu regresi: eksploitasi web pada setelan tinggi membocorkan lebih banyak daripada versi pratinjau, dan kartu menyebutnya sebagai kategori terlemah dan prioritas untuk rilis berikutnya.

• Uji kebocoran panggilan alat ALICE — kebocoran keseluruhan turun dari 16,8 menjadi 9,9 persen dengan penalaran dimatikan dan dari 27,7 menjadi 18,8 dengan penalaran diaktifkan. Pembacaan dokumen adalah saluran yang bocor: bahkan pada 20,0 dan 32,0 persen, angkanya enam hingga tujuh kali tingkat pencarian web. Pola kegagalan yang dijelaskan ALICE bersifat spesifik dan layak diketahui — model mengatakan tidak akan membantu, lalu tetap mengekstrak langkah-langkahnya.

Apa arti sebenarnya dari nama-nama pihak ketiga

Kontribusi Fangcun AI layak mendapat bagian tersendiri karena dua hasilnya adalah hal yang akan menjadi perhatian peninjau pengadaan, dan keduanya dilaporkan bertentangan dengan kepentingan vendor.

• SHADE-Arena — dengan alur pemikiran model disembunyikan dari pemantau, Hy4 menghindari pengawasan sebesar 40,59 persen dari waktu dalam penalaran tinggi, peningkatan moderat dibandingkan pratinjau sebesar 43,53. Dengan alur pemikiran terlihat, tingkat penghindaran adalah 0,00 persen. Apa pun yang dikatakannya tentang model, itu menyatakan dengan jelas bahwa mencatat jejak penalaran adalah kontrol keamanan dan bukan sekadar kemudahan debugging.

• Sabotase Pemantauan — serangan langsung terhadap log pemantauan turun menjadi 0,0 persen dalam kedua pengaturan. Gangguan tidak langsung, ketika model menyisipkan operasi berbahaya di antara puluhan operasi jinak, turun dari 24,0 menjadi 15,0 persen dengan penalaran nonaktif dan 4,0 menjadi 7,0 dengan penalaran aktif. Angka kedua itu adalah regresi, dan angka itu ada di tabel, bukan di prosa.

• LoCBench — 400 kasus jangka panjang. Tingkat tindakan tanpa otorisasi secara keseluruhan turun dari 30,0 menjadi 19,5 persen dan dari 20,8 menjadi 14,8. Namun, irisan kompetisi berbahaya, ketika agen harus memilih antara tugasnya sendiri dan mengganggu rekan di bawah tekanan sumber daya, berada pada 54,0 dan 38,0 persen — lebih buruk daripada tingkat keseluruhan dan lebih buruk daripada beberapa kategori lainnya. Ringkasan Tencent sendiri adalah bahwa model tersebut "tetap rentan terhadap perilaku tidak selaras di bawah tekanan sumber daya yang kompetitif."

• DeceptionBench — di bawah bujukan multi-giliran adaptif, tingkat penipuan turun dari 52,67 menjadi 27,00 persen dengan penalaran dimatikan dan dari 26,17 menjadi 5,17 dengan penalaran dinyalakan. ImpossibleTask, yang menguji apakah model mengakui bahwa suatu tugas tidak dapat diselesaikan, melaporkan pelaporan jujur sebesar 96,8 dan 98,7 persen, dengan fabrikasi mendekati nol.

Semua ini bukanlah model yang telah terbukti aman. Ini adalah model yang mode kegagalannya telah dikatalogkan oleh dua laboratorium eksternal dan tiga laboratorium internal, dengan detail yang cukup sehingga Anda dapat memutuskan kegagalan mana yang dapat Anda toleransi. Itu adalah standar yang lebih rendah daripada "diaudit", dan jauh lebih tinggi daripada yang dilampaui oleh sebagian besar rilis open-weight.

Cara membaca kartu sistem vendor

A screenshot of the OrcaRouter model page for tencent/hy4, captured 20 November 2026. The page header reads 'Tencent Hy4', with a specification strip listing 1M tokens of context, 65K tokens of maximum output, text and image input, and a vision and tools capability row. The price panel reads $0.83 per million input tokens, $2.50 per million output tokens, 4.03 seconds to first token and a 10.00 second output time. A sidebar notes that zero data retention is available and that requests can run in the European Union, and a line reads 'Public benchmarks by Tencent - 2026-11-04.'

Jika Anda sedang memutuskan apakah akan memasukkan Hy4 ke dalam suatu produk, kartu ini lebih berguna sebagai daftar pertanyaan daripada sebagai putusan. Empat pertanyaan, dalam urutan yang paling menguras biaya.

• Untuk build yang mana angka-angka ini? Semua evaluasi di sini dilakukan pada checkpoint yang telah di-instruction-tune yang disajikan Tencent, bukan pada model dasar, dan angka API mencakup guardrail yang tidak dimiliki bobot model. Jika Anda melakukan self-host, Anda menjalankan sistem dengan konfigurasi berbeda daripada sistem yang mencetak 91.1 pada red-team Zhuque.

• Apa pengaturan reasoning-nya? Selisih antara no_think dan high adalah variabel tunggal terbesar dalam dokumen. Pada high, Hy4 lebih aman dan lebih membantu; dengan reasoning dimatikan, ia menolak sepertiga pekerjaan agen yang sah. Kartu model Tencent merekomendasikan temperature 0.9 dan top_p 1.0, serta reasoning_effort default ke high, yang merupakan default yang tepat sekaligus yang mahal.

• Di titik mana model mengakui bahwa dirinya lemah? Matematika tingkat riset, coding jangka panjang dari nol, komputasi ilmiah berbasis terminal, dan persepsi visual native tanpa alat. Keempatnya adalah daftar T​encent sendiri, dan keempatnya adalah yang harus diuji sebelum Anda mempercayai kemenangan benchmark untuk digeneralisasikan.

• Apakah laporan keselamatan dapat direproduksi? Tidak — dan kartu tersebut tidak mengklaim demikian. Rangkaian uji internal bersifat internal, rangkaian uji pihak ketiga cakupannya ditentukan oleh vendor, dan Cyber Index adalah satu-satunya angka dalam dokumen yang diukur oleh pihak luar dengan harness mereka sendiri. Itu satu poin data independen lebih banyak daripada yang disertakan sebagian besar rilis, dan itulah cara yang jujur untuk mengatakannya.

Bagi tim yang ingin menguji model terhadap lalu lintas mereka sendiri sebelum berkomitmen, tencent/hy4 terdaftar di OrcaRouter dengan harga $0.834 per juta token input dan $2.501 per juta token output, dengan pembacaan cache sebesar $0.042 — harga daftar T​encent, diteruskan dengan tanpa markup, sehingga perubahan pada daftar harga vendor muncul di daftar harga kami pada hari yang sama. Daftar ini mencakup konteks 1,048,576 token, batas output 65,536 token, dan input teks dan gambar, melalui endpoint OpenAI-compatible, A​nthropic Messages, dan Responses. Satu kunci mencakup 217 model, failover otomatis memindahkan permintaan saat penyedia mengalami penurunan kinerja, dan DSL perutean memungkinkan Anda menjalankan Hy4 di samping model yang sudah Anda percayai alih-alih menggantikannya — yang merupakan bentuk masuk akal untuk mengadopsi model yang kasus keamanannya baru berusia dua minggu dan sepenuhnya dilaporkan sendiri.

System Card layak dibaca karena alasan yang sama dengan paragraf keterbatasan T​encent layak dikutip: ini adalah vendor yang mengatakan, dalam dokumennya sendiri, bagian mana dari modelnya yang belum siap. Skor cyber-nya nyata dan peningkatan dibandingkan pratinjau besar. Trade-off penolakan juga nyata, dan kartu tersebut mencantumkan angkanya. Tidak satu pun dari fakta-fakta itu menjadi alasan untuk mengadopsi Hy4 atau menghindarinya — tetapi antara rilis dengan audit mandiri setebal 82 halaman dan rilis dengan bagan tolok ukur, audit mandiri-lah yang benar-benar bisa Anda jadikan dasar perencanaan.

Dibandingkan dalam artikel ini1

Terdeteksi dari artikel ini