Tencent HY4 Preview è open-source: 770B MoE, contesto da 1M e un prezzo che batte i modelli di frontiera.

Tencent HY4 Preview, rilasciato e reso open-source il 28 agosto 2026, è il primo modello di punta open-weight veramente competitivo proveniente da un laboratorio cinese da mesi, e il suo numero più sorprendente è il prezzo. Tencent lo quota a 6 yuan (~0,85 dollari USA) per milione di token in input e 18 yuan (~2,50 dollari USA) per milione di token in output — circa un decimo di quanto un modello closed frontier di alto livello fa pagare per l'output — pubblicando al contempo un modello mixture-of-experts da 770 miliardi di parametri, di cui 49 miliardi attivi per token, con una finestra di contesto che supera il milione di token. È il successore dell'Hy3 della famiglia Hunyuan (295B in totale, contesto 256K) e quadruplica quel contesto, più che raddoppiando la capacità attiva. I pesi sono scaricabili oggi da Hugging Face, GitHub, ModelScope e GitCode, e lo stesso modello è già attivo nei prodotti di Tencent: WorkBuddy, CodeBuddy sia nelle versioni domestiche che internazionali, l'assistente Yuanbao e l'app workspace ima. Per chi ha osservato i modelli open-weight restare indietro rispetto alla frontiera nel lavoro di ingegneria del software, questa è la release che finalmente rende il divario discutibile — e le avvertenze sono importanti quanto i numeri. Dieci giorni dopo, le due avvertenze che più probabilmente colpiranno gli utenti in produzione erano già l'obiettivo del primo aggiornamento di Tencent alla build di anteprima live: il 7 settembre ha distribuito un'ottimizzazione, ora attiva per tutti, che secondo Tencent riduce i passaggi di ragionamento del modello e il consumo di token per attività su lavori complessi.

Il posizionamento è intenzionale. Tencent presenta Tencent HY4 Preview come un modello di produttività per quattro ambiti: ingegneria del software, ufficio e analisi dei dati, sviluppo di giochi e ricerca scientifica. L'enfasi sull'ingegneria è ciò che lo distingue dalla massa dei modelli generalisti: le note di rilascio mettono in primo piano la comprensione di attività a lungo orizzonte, la pianificazione e il debugging, non la qualità della chat. Questa attenzione si riflette tanto nell'elenco delle integrazioni quanto nella tabella dei benchmark: CodeBuddy riceve il modello nel suo IDE, WorkBuddy lo integra nei flussi di lavoro d'ufficio (Tencent lo mostra mentre elabora 72 documenti finanziari in una sola passata), e gli sviluppatori di giochi ottengono hook MCP per Unreal Engine 5 e Unity che trasformano una singola frase in una demo giocabile.

Cosa è stato effettivamente spedito

La scheda tecnica merita di essere letta riga per riga, perché ogni riga cambia ciò che un modello open-weight è autorizzato a fare.

• Architettura — Mixture-of-Experts con 770B parametri totali e 49B attivi per token, un rapporto di sparsità di circa 16:1 che mantiene il costo di inferenza in un intervallo che un piccolo team può effettivamente permettersi.

• Finestra di contesto — oltre 1 milione di token, quattro volte i 256K di Hy3. Le attività di ingegneria a lungo orizzonte — un intero repository nella finestra, un refactoring multi-file, un grande batch di documenti — diventano problemi risolvibili con una singola richiesta.

• Pesi — rilascio open source Apache 2.0 su Hugging Face, GitHub, ModelScope e GitCode. Questo è un modello scaricabile e auto-ospitabile, non un teaser ospitato.

• API — disponibile su TokenHub di Tencent Cloud, l'endpoint hostato dal fornitore, al prezzo di 6 yuan per milione di token di input, 18 yuan per milione di token di output e 0,3 yuan per milione di token per i cache hit.

• Integrazione del prodotto — WorkBuddy, CodeBuddy (nazionale e internazionale), Yuanbao e ima, il che significa che gli stessi pesi che Tencent distribuisce nelle sue app sono quelli che puoi scaricare ed eseguire.

Tencent riporta anche un dato di ingegneria dell'inferenza che raramente compare in una nota di lancio: un miglioramento del throughput end-to-end del 31,8% grazie alla fusion degli operatori e all'ottimizzazione della comunicazione. Ciò che lo rende più di una nota a piè di pagina in una scheda tecnica è che Tencent afferma che Tencent HY4 Preview ha individuato da sola i colli di bottiglia — il modello ha analizzato il proprio stack di inferenza, e le ottimizzazioni risultano stabili su diverse lunghezze di contesto e livelli di concorrenza. È il tipo di dettaglio che distingue un modello che un laboratorio pubblica come artefatto di ricerca da un modello su cui un'azienda conta di far passare traffico di produzione. In una preview pubblica da meno di due settimane, è anche esattamente il tipo di affermazione che nessuno al di fuori di Tencent ha ancora verificato.

I punteggi che vale la pena citare

Ogni benchmark che Tencent ha pubblicato per Tencent HY4 Preview è dichiarato dal fornitore — eseguito sulla configurazione di valutazione di Tencent stessa, non riprodotto da alcun laboratorio indipendente, e il modello è pubblico da meno di due settimane. Considerateli come il tetto che Tencent ritiene di aver raggiunto, non come un dato acclarato.

La cifra principale è Terminal Bench 2.1, un test di quanto bene un modello gestisce un terminale reale mentre programma. Tencent riporta Tencent HY4 Preview a 85.4, che secondo l'azienda pareggia con Claude Opus 5 e supera DeepSeek V4 Pro, e che batte il suo predecessore Hy3 di 14.6 punti. Quel singolo numero sta facendo molto lavoro — è l'affermazione che mette un modello a pesi aperti alla pari con i più costosi modelli di frontiera chiusi in un difficile test di coding agentico — ed è l'affermazione che ha più bisogno di conferma indipendente.

Il resto della tabella interna: DeepSWE, un benchmark di ingegneria del software, passa da 28,0 su Hy3 a 64,3, un risultato che Tencent descrive come "ridurre gradualmente il divario" con i modelli di prima fascia. Su Toolathlon-Verified, un test di chiamata degli strumenti, ottiene 74,1, un punteggio che, secondo Tencent, supera Qwen 3.8 Max e GPT-5.6 Sol e si avvicina a Kimi K3 e Claude Opus 5. Su APEX-Agents pass@1 si attesta a 37,1, un soffio dietro il 37,2 di Kimi K3. E in un test cieco interno separato, 163 esperti hanno valutato 203 attività di ingegneria con 2,99 su 4,00, superando di poco il 2,92 di GLM-5.3 e il 2,94 di Kimi K3.

Due pattern emergono. Primo, ogni risultato forte riguarda il lavoro ingegneristico agentico — guida del terminale, chiamate di strumenti, attività su scala di repository — e nessuno riguarda conoscenza o ragionamento generici, il che è coerente con il posizionamento sulla produttività, non una coincidenza. Secondo, Tencent descrive con cautela DeepSWE e gli altri come un restringere, non un colmare, i divari. L'unica affermazione di parità pulita e spendibile è il pareggio su Terminal Bench 2.1, ed è quella che vale più la pena testare con il proprio carico di lavoro.

Cosa si ottiene realmente con il prezzo

Il prezzo è il punto in cui il rilascio smette di essere interessante e inizia a essere dirompente. Al prezzo di listino di Tencent, un milione di token di input costa circa quanto una singola chiamata API di fascia media su alcune piattaforme. Il dato di 18 yuan per milione di token di output (circa 2,50 dollari USA) è di gran lunga inferiore al prezzo di 25 dollari per milione di output di un modello frontier chiuso di alto livello, e la tariffa di cache-hit di 0,3 yuan rende i lunghi loop agentici — in cui lo stesso prompt di sistema e gli stessi prefissi di conversazione vengono reinviati costantemente — insolitamente economici da eseguire. L'aggiornamento del 7 settembre cambia il lato effettivo di questo calcolo: poiché Tencent fattura per token, ridurre il numero di turni di ragionamento e i token di input e output consumati da ciascuna attività abbassa il costo di un'attività completata anche se il prezzo di listino per token non è cambiato. I benchmark e i test human-eval di Tencent stessa sono la prova dell'entità di questo risparmio, quindi va trattato come dato dichiarato dal fornitore finché non sarà misurato in modo indipendente.

Questo è anche l'unico punto in cui il layer di routing cambia i calcoli. OrcaRouter non instrada ancora Tencent HY4 Preview, quindi i modi pratici per richiamarlo oggi sono l'endpoint TokenHub di Tencent Cloud, i prodotti Tencent che incorporano il modello e i deployment self-hosted dei pesi aperti — e poiché quei pesi sono sotto licenza Apache 2.0, le piattaforme di terze parti possono attivare le proprie copie in qualsiasi momento, il che è bene ricordare quando si confrontano i prezzi tra i fornitori. Non affermiamo di servire ciò che non serviamo. Ma la disciplina che rende rilevante un taglio di prezzo è la stessa su cui si basa il resto del catalogo: OrcaRouter trasmette i prezzi di listino dei fornitori senza alcun ricarico, quindi quando un fornitore come Tencent prezza un token a 6 yuan, l'importo che paghi dalla nostra parte è 6 yuan, non una versione rivenduta e maggiorata, e il giorno in cui un fornitore cambia un prezzo, la modifica è attiva dalla nostra parte lo stesso giorno. Un'unica API per oltre 200 modelli, failover automatico tra i fornitori quando uno ha un intoppo, e un DSL di routing per comporre i modelli: questo è il meccanismo che trasporterà Tencent HY4 Preview nel momento in cui diventerà instradabile, insieme agli altri modelli open e closed già presenti nel catalogo.

Le parti che non rientrano in una scheda tecnica

Due affermazioni nel materiale di lancio meritano un'attenzione separata perché riguardano come è stato costruito il modello, non cosa ha ottenuto.

Il primo è il ciclo di auto-miglioramento. Tencent afferma che Tencent HY4 Preview ha preso parte alla propria ricerca e sviluppo: è stato utilizzato per ottimizzare i metodi di addestramento, la strategia dei dati, i sistemi di valutazione e gli operatori sottostanti che lo hanno prodotto. Il guadagno di throughput del 31,8% è l'esito pubblico più concreto di quel ciclo: Tencent lo attribuisce ai colli di bottiglia che il modello ha individuato nel proprio stack di serving. Si tratta di un primo ciclo di auto-potenziamento ricorsivo: un modello che aiuta a progettare la versione successiva di sé stesso. Non è insolito che un laboratorio di frontiera riporti singoli elementi di questo processo, ma un modello cinese open-weight che descrive pubblicamente il ciclo come una funzionalità effettivamente rilasciata rappresenta un cambio di passo nel modo in cui queste versioni parlano di sé.

Il secondo è il risultato matematico. Tencent riferisce che il modello ha migliorato il limite inferiore noto del volume del problema di Blaschke–Lebesgue — una questione aperta di lunga data nella geometria convessa sul corpo di larghezza costante di volume minimo — da 0,380799 a 0,41104, portandolo entro circa il 2% dal limite della congettura del tetraedro di Meissner. Tencent riferisce anche un'accelerazione di 2,0x su una simulazione di doppio strato fosfolipidico da 32.512 atomi, scendendo a 54,9 millisecondi per passo, nel percorso di ricerca scientifica. Sono il tipo di risultati che di solito valgono a un modello un articolo dedicato; qui sono punti di lancio e, come il resto del materiale di lancio, sono il resoconto fornito da Tencent stessa.

Cosa manca, onestamente?

Tencent elenca apertamente i limiti noti, e questi contano per chiunque debba decidere cosa costruire su questo modello. Non c'è visione né input multimodale: Tencent HY4 Preview è un modello di solo testo, punto e basta, quindi qualsiasi cosa legata a immagini o video va su un modello diverso. Gli altri due comportamenti che Tencent aveva segnalato al lancio — avvio lento del ragionamento lungo su compiti complessi e tendenza a un'eccessiva auto-verifica, che brucia token per ricontrollare lavoro già svolto — erano quelli che più probabilmente si sarebbero manifestati in produzione, e sono esattamente ciò a cui mirava l'aggiornamento del 7 settembre. Tencent Hunyuan e il team di WorkBuddy hanno dichiarato che la build di anteprima live era stata ottimizzata e distribuita integralmente, con meno passaggi di ragionamento e un consumo di token in input e output inferiore su compiti complessi, a parità di qualità, verificata attraverso un doppio passaggio di metriche di benchmark e valutazione umana. Questa è la versione del fornitore — «L'avete segnalato voi», esordisce l'annuncio — e nessuno al di fuori di Tencent ha ancora riprodotto la misurazione. Vale anche per la build servita da Tencent: lo snapshot open-weight su Hugging Face è invariato dal 28 agosto, quindi una copia self-hosted dei pesi mostra ancora il comportamento originale di ragionamento più lungo finché Tencent non aggiorna la release.

E l'assenza più importante è la verifica indipendente di queste nuove affermazioni. Non ci sono ancora test di laboratorio di terze parti su Tencent HY4 Preview e nessuna voce nell'Artificial Analysis Intelligence Index, quindi la tabella dei benchmark di lancio e l'entità del risparmio di token del 7 settembre si basano entrambe sulle valutazioni di Tencent. L'unico segnale pubblico di terze parti finora disponibile per il modello è basato sul voto della folla, non su misurazioni di laboratorio: i materiali di lancio di Tencent citano un debutto intorno al quinto posto assoluto e al terzo tra i modelli open-weight sulla WebDev Arena di LMArena, una classifica basata sulle preferenze umane che valuta la qualità dell'output piuttosto che l'efficienza dei token. Il test cieco condotto da esperti interni è un segnale utile su come i revisori di Tencent vedono il modello rispetto a GLM-5.3 e Kimi K3, ma sono i revisori di Tencent su compiti di Tencent. Tutto ciò che va oltre la scheda tecnica è un'affermazione in attesa di verifica.

Chi dovrebbe occuparsi dei pesi oggi?

La risposta onesta è che questo rilascio si divide nettamente in due tipi di pubblico, e l'aggiornamento del 7 settembre trova un compromesso sull'obiezione più grande. Se esegui carichi di lavoro ingegneristici sulla tua infrastruttura e l'economia delle API chiuse è ciò che ti ha frenato finora, Tencent HY4 Preview merita un test serio durante il weekend: i pesi sono aperti, la finestra di contesto è a scala di repository e il prezzo di listino rende un lungo ciclo agentico accessibile in un modo che un modello da 25 dollari per milione di token di output non sarà mai. Se utilizzi la build hosted — tramite WorkBuddy, Yuanbao o l'API TokenHub — ottieni anche l'ottimizzazione del 7 settembre di Tencent, con meno turni di ragionamento e un minor consumo di token per attività, secondo Tencent. Se stai facendo auto-hosting dello snapshot open-weight attuale, aspettati il comportamento originale, con ragionamento più lungo, finché Tencent non pubblica un rilascio aggiornato. E se gestisci chat di produzione sensibili alla latenza, o qualsiasi cosa multimodale, o qualsiasi caso in cui non puoi permetterti un modello le cui affermazioni di efficienza si basano solo sui benchmark e sulle valutazioni umane del suo stesso fornitore, vale ancora la lettura cauta: l'ottimizzazione è reale secondo Tencent, ma non è stata misurata in modo indipendente.

Il percorso intermedio pratico è un pattern di routing: esegui il modello collaudato sul tuo percorso critico e il nuovo modello affiancato, sostituendo Tencent HY4 Preview nei compiti in cui il suo profilo di costo vince e tornando automaticamente al precedente quando non vince. È questo il pattern per cui esiste un router — lo stesso OrcaRouter che instrada Claude Opus 5, DeepSeek V4 Pro e Gemini 3.1 Pro ai prezzi di listino dei rispettivi provider è dove chiameresti Tencent HY4 Preview nel momento in cui raggiunge il catalogo. Fino ad allora, i pesi sono su GitHub, la build hosted ottimizzata è su Tencent Cloud, e l'affermazione che un modello open-weight abbia raggiunto il livello più alto della codifica agentica ha finalmente un numero specifico associato. Il numero è di Tencent. Il test è tuo.