Tencent HY4 Preview vs Kimi K3: テンセントが公開を選んだブラインドテスト

「Tencent HY4 Preview vs Kimi K3」は、今回のモデル発表においてTencent自身が選んだ対決である。社内ブラインドテスト（163人のエンジニア、203件のエンジニアリングタスク、4段階評価）では、HY4 Previewは2.99/4.00を獲得し、Kimi K3の2.94を上回った。Tencentの見出しはこれを勝利と報じた。その勝利の細かい条件はじっくり読む価値がある。HY4 Previewはタスクの51.2%でKimi K3に勝ち、7.9%で引き分け、40.9%で負けている。10ポイントの純勝率は確かに本物だが、総パラメータ数が3分の1、アクティブパラメータが半分未満のモデルに対する僅差のアドバンテージに過ぎない。しかもテスト全体はTencentが実施したものだ。

Kimi K3は、Moonshotの2.8兆パラメータのオープンウェイト旗艦モデルであり、これまでに公開された最大のオープンモデルで、7月16日以来、中国のすべての研究所が比較基準としてきた参照点です。Tencentがそれを対戦相手に選んだのは、それがオープンウェイトの標準だからです。つまり、この記事の役割は異常なほど具体的です。挑戦者が自ら申し出た一対一の対決を読み、その価値を判断することです。

Tencentが公開することを選んだベンチマーク

ブラインドテストは、テンセント自身のエンジニアがテンセント自身のエンジニアリングタスクで採点したものであり、これがまず割り引いて考えるべき点だ。自社で厳選したタスクセットは、新しいモデルが最高の結果を出せる環境にほかならない。それを考慮しても、結果の内訳は示唆に富む。勝利51.2%対敗北40.9%は僅差であり、引き分け率7.9%は、ほとんどのタスクで両モデルが互角に近いことを意味している。フロンティアモデルが差を見せる難易度の高いタスクでは、ギャップはいつもの位置にある。そしてテンセントの見出し「Kimi K3にわずかに先行」は正直な表現であり、それはすべての研究所が発表するわけではない。

規模は運命ではない

パラメータの比較は、事前の前提次第で、その結果が印象的にも疑わしくもなる。Kimi K3は、総パラメータ2.8兆、アクティブパラメータ1,040億（エキスパート896個、トークンあたり16個がアクティブ）で、常時推論を行い、チェーン・オブ・ソートを公開するよう訓練されている。HY4 Previewは、総パラメータ7,700億、アクティブパラメータ490億で、総規模は3分の1、アクティブな計算量は半分未満である。より小さいモデルがブラインドテストでより大きいモデルに僅差で勝利するというのは、オープンウェイト分野全体が向かっている方向性だ。実際、2.4TのQwen3.8-Maxと753BのGLM-5.2は、数か月にわたりエージェントベンチマークで互角の戦いを繰り広げている。したがって、この結果は突飛というよりは妥当なものだ。また、決定的なことに、この結果はテンセント外部の誰にも検証されていない。

スコアボード

• スケール — HY4 Preview 合計770B / アクティブ49B vs Kimi K3 合計2.8T / アクティブ104B

• コンテキスト — HY4 Preview >1Mトークン vs Kimi K3 1Mトークン

• 1Mトークンあたりの価格 — HY4 Preview: 入力 ¥6 / 出力 ¥18 (≈$0.85 / $2.50) vs Kimi K3: 入力 $3.00 / 出力 $15.00、キャッシュヒット $0.30

• モダリティ — HY4 Preview：テキストのみ vs Kimi K3：ネイティブ画像・動画入力

• 推論 — HY4 Preview：公開モードなし vs Kimi K3：思考連鎖をストリーミングする常時オン推論

• 独立スコア — HY4 Preview：なし vs Kimi K3：AA インテリジェンス指数 57、リリース時点で世界トップ3

両者が数値を報告している行では、モデルは密集しています。TencentはAPEX-AgentsでHY4 Previewを37.1と報告しており、これはKimi K3の37.2と実質的に同水準です——ブラインドテストのスコアボードが予測するほぼ互角の結果です。HY4 PreviewのToolathlon-Verified 74.1とDeepSWE 64.3は、私の手元ではKimi K3に相当するものがなく、またKimi K3のFrontierSWE 81.2、ProgramBench 77.8、BrowseComp 91.2にはHY4 Previewに相当するものはありません。スコアボードは、2つのカードがほとんど重なっていないことを正直に示しており、それ自体が、どちらかのベンダーの行をモデルの完全な説明として扱うことへの警告となっています。

ビジョンこそが最大の真の違いである。

今日この2つを選ぶ開発者にとって、構造上の差は知能ではなく、入力モダリティにある。Kimi K3はネイティブにマルチモーダルであり、MoonViT-V2エンコーダーを通じて画像と動画の入力を受け付け、視覚タスクでは最高水準のオープンモデルの1つとして、ビジョンアリーナで世界第2位にランクされている。Tencent HY4 Previewは今回のプレビューではテキストのみに対応しており、Tencentは視覚対応はフルリリースまで待つ必要があると述べている。スクリーンショット、UI理解、または視覚的グラウンディングを必要とするあらゆるワークロードは、ブラインドテストがエンジニアリングテキストについて何を示そうとも、デフォルトでKimi K3のものとなる。仕事が純粋にコード、ドキュメント、ターミナル出力だけなら、その差は問題にならない。しかし、タスクが何かを見ることを伴う瞬間、それが勝負を決めるのだ。

コストの問題

トークンあたりでは、HY4 Previewは劇的に安価です。概算で$0.85/$2.50に対し、Kimi K3は$3.00/$15.00。キャッシュヒット時は¥0.3（約4セント）に対し$0.30です。しかし、両モデルのトークンの挙動は正反対で、その差を縮めています。Kimi K3は常時推論を行い、思考連鎖をストリーミングするため、すべてのリクエストで出力トークンが膨らみます。レビュアーは、このモデルが遅く（毎秒約62トークン）、エージェントループではトークンを大量消費すると指摘しています。HY4 Previewは、Tencent自身のリリースノートによると、複雑なタスクでは「過度に長い思考と過剰な自己検証」を行う傾向があります。どちらも余分な出力トークンを消費しますが、HY4 Previewはそれらに対する料金が安いだけです。公平な比較は完了タスクあたりのコストであり、Tencentの外部ではまだHY4 Previewのそれを測定した人はいません。

評決

Tencent HY4 Previewは、オープンウェイト標準モデルに対し盲検テストで僅差の優位性を主張する、より安価で小型の未検証チャレンジャーです。Kimi K3は、より大規模で検証済み、かつ視覚対応の既存モデルであり、トークンあたりのコストは4〜5倍、独立したインテリジェンス指数は57です。どちらのモデルのベンチマークカードも完全に独立しているわけではありません。Kimi K3の主要スコアもMoonshot社の報告に基づくものですが、その指数57は独立しています。ワークロードがマルチモーダルであれば、この対決ではKimi K3が唯一の選択肢です。テキストとエンジニアリング用途であれば、HY4 Previewは、ベンダー運営ではあるものの実際の直接対決の実績を持つ、コストパフォーマンス重視の選択肢です。コストを抑えるには、本番キーでKimi K3をルーティングするのが得策です。Kimi K3はOrcaRouter上でMoonshotの定価$3.00/$15.00で稼働しており、マークアップなしでそのまま転送されます。その間、HY4 PreviewはTencent独自のAPI経由でシャドウワークロードとして実行します。HY4 Previewがルーターに搭載されれば、同じキーと同じフェイルオーバールールが両方のモデルを処理し、Tencentの¥6/¥18レートも変更なしでそのまま転送されます。

何を見るべきか

独立したブラインドテストタスクの再実行。51.2%の勝率は今回の発表において最も検証可能な主張であり、第三者のハーネスを使えば1週間で決着がつくでしょう。

• HY4 Previewが完全版Hy4のリリース前にビジョンを搭載するかどうか。それが、これをテキストのみの価値比較から真のフラッグシップ対決へと変えるのです。

• 標準的なエージェンティックハーネスにおける完了タスクあたりのコスト。両モデルともトークン消費が重いため、完了タスクあたりのコストが安い方が本番採用の議論に勝つ。

• Kimi K3の価格圧力への対応。もしMoonshotが$15の出力単価を引き下げれば、「安価な挑戦者 vs 高価な標準」という構図は逆転する。