
Hy4 flash Vision: 74.8 MMMU-Pro, 그리고 52.0이 여전히 유효한 이유
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100만 토큰당 · 184 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100만 토큰당 · 675 tok/s
- AlibabaNEWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 100만 토큰당 · 385 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 87 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100만 토큰당 · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100만 토큰당 · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100만 토큰당 · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740지능
2026년 11월 20일, SGLang에 대한 공개 풀 리퀘스트가 다음에 대한 비전-언어 지원을 제안했습니다: Hunyuan-4-Flash — 즉 프레임워크에서 부르는 이름: Hy4 flash, Tencent가 11월 16일 API에 올리고 하루 뒤 가중치로 공개한 2,200억 매개변수 모델입니다. PR 설명의 "Accuracy / Tests"라는 제목 아래에는 누군가가 공개한 최초의 MMMU-Pro 수치가 묻혀 있습니다 — 대상은 instruct 모델 빌드에 대한 수치로, 처음 300개 예시에서 세 번 실행한 평균 74.78%입니다. Tencent 자체 모델 카드는 Hy4 flash의 MMMU-Pro에서 52.0을 보고합니다. 두 수치는 22.8포인트 차이가 나며 서로 빼서는 안 됩니다. 왜냐하면 둘은 같은 것을 설명하지 않기 때문입니다. 각 수치가 실제로 무엇을 설명하는지 파악하는 것이, 다음을 결정하기 전에 독자가 필요로 하는 것의 대부분입니다: Tencent Hy4가 이미지가 관련될 때 계속 호출할 모델인지입니다.
풀 리퀘스트에 실제로 포함된 내용
PR은 이전의 대형 통합 변경을 분할한 세 개 중 하나이며, 명시적으로 텍스트 모델 PR 위에 올려져 있습니다. 11월 21일 기준으로 이 PR은 열려 있고 병합되지 않았으며, 8개 파일에 걸친 단일 커밋을 포함하고(+1,883 / −13), 세 CI 슬롯 모두 "Skipped — add the run-ci label"라고 표시되어 있습니다. 코드 소유자 리뷰는 완료되지 않았습니다. 이 PR이 기반으로 하는 텍스트 지원도 여전히 열려 있습니다. 따라서 여기 있는 어떤 것도 릴리스된 SGLang 빌드에 포함된 적이 없으며, Hy4 flash용 cookbook 항목은 여전히 텍스트 서빙만 설명하고 해당 지원이 "아직 릴리스된 SGLang wheel에 포함되지 않았다"고 분명히 밝히고 있습니다.
이 diff가 하는 일은 비전 타워를 서빙 경로에 처음부터 끝까지 연결하는 것입니다. 중요한 부분은 다음과 같습니다:
• ViT와 해당 프로젝터는 어텐션 텐서 병렬 처리에 걸쳐 샤딩되므로, 이미지 타워는 멀티 GPU 노드에서 단일 랭크 병목이 아닙니다.
• 멀티모달 위치 인코딩은 인터리브된 MRoPE — 슬롯별 (t, h, w) 위치 — 이며, 어텐션 레이어와 희소 레이어가 컨텍스트를 선택하는 데 사용하는 IndexPool rope 양쪽으로 전달됩니다. 이 부분은 dense 경로만 변환했다면 조용히 깨졌을 부분입니다.
• Engram 해싱은 패딩 값 아래에 있는 이미지 및 비디오 토큰 ID를 복원하고 해당 토큰을 해싱하지 않도록 학습되어, n-gram 메모리 테이블이 미디어 토큰을 텍스트인 것처럼 소비하지 않게 합니다.
• language_model_only 플래그를 사용하면 멀티모달 경로를 전혀 구축하지 않고도 동일한 엔진이 텍스트 모델을 처리할 수 있습니다.
그 마지막 세부 사항은 현재 상황을 정직하게 요약한 것입니다. 코드는 비전을 선택 사항으로 두도록 작성되었습니다. 대부분의 12B-active 모델 배포에서는 비전이 선택 사항일 것이기 때문입니다.

왜 74.8이 22포인트 상승이 아닌가
PR의 수치와 카드의 수치 사이에는 세 가지 차이점이 있고, 각각은 그 숫자를 유리한 방향으로 움직인다.
첫 번째는 체크포인트입니다. Tencent의 모델 카드에는 base 모델에 대해서만 멀티모달 점수가 보고되어 있으며, 다음과 같이 분명히 밝히고 있습니다: "멀티모달 결과는 Hy4 flash Base와 Hy4 Base에 대해서만 보고됩니다." Hy4 flash Base는 MMMU-Pro(Standard, 10개 옵션, 4-shot)에서 52.0점을 기록했고, 더 큰 Hy4 Base는 59.6점을 기록했습니다. 실제로 누구나 배포하는 instruct 체크포인트에는 공개된 멀티모달 점수가 전혀 없습니다. PR은 instruct 모델을 측정하므로, 비교 대상이었던 수치를 앞서는 것이 아니라 진짜 공백을 메우는 것입니다.
두 번째는 유도(elicitation)입니다. PR은 temperature 0.9, top-p 1.0, reasoning_effort=high, 32,768토큰 완성 예산으로 실행됩니다. Tencent의 기본 평가는 4-shot이며 사고의 연쇄(chain of thought)가 없습니다. 선택지가 10개인 객관식 과제에서, 답하기 전에 추론하도록 허용된 instruct 모델은 거의 구조적으로 4-shot base 모델을 이길 것입니다. 그 격차는 사후 학습(post-training)이지 비전 개선이 아닙니다. 74.8은 "적절히 질문받은 instruct 모델", 52.0은 "표준 방식으로 질문받은 base 모델"로 취급하십시오. 이 둘은 서로 다른 두 아티팩트에 대한 서로 다른 두 측정입니다.
세 번째는 부분집합이다. PR은 전체 집합이 아니라 처음 300개 예시만 평가하며, 그 300개가 어떻게 추출되었는지는 밝히지 않는다. 항목이 300개이고 비율이 0.75 근처일 때 표본추출 표준오차만 약 2.5포인트이므로, 질문 순서 효과를 고려하기 전에도 그 단일 수치에 대한 95% 구간은 대략 ±5포인트다. PR 자체의 세 번 실행 결과는 74.33, 75.33, 74.67이었는데 — 1포인트의 편차로, 이는 표본오차보다 더 좁으며, 이 점은 알아둘 만하다: 고정된 부분집합에서의 실행 간 분산은 다른 300개 질문에서 그 수치가 얼마나 움직일지를 과소평가한다. 같은 PR의 두 번째 구성인, 추측 디코딩 코드는 있지만 추측은 없는 전체 스택은 같은 부분집합에서 평균 74.00이며 세 번의 실행에 걸쳐 5.3포인트의 편차를 보인다. 어느 수치도 틀리지 않았다. 어느 것도 조달 결정에 필요한 의미에서의 벤치마크 결과는 아니다.
이 PR이 실제로 입증하는 것, 그리고 이 부분은 확실한데, 파이프라인이 단순히 컴파일되는 수준이 아니라 올바르게 연결되어 있다는 점입니다. 비전 타워를 로드한 상태에서 200개 항목에 대한 GSM8K 점수는 97.00%로, 텍스트 전용 브랜치가 보고한 점수와 1점 이내입니다. 따라서 멀티모달 경로가 언어 헤드를 저하시키지 않습니다. 도형과 색상, OCR, 막대 차트, 선 개수를 다루는 합성 이미지 프롬프트에도 모두 정확히 답했습니다. 이는 통과한 스모크 테스트이며, PR에 대해 해야 할 올바른 주장입니다: 코드가 작동합니다. 정확도 수치는 이를 실행한 부산물입니다.
![A screenshot of the SGLang pull request 51937 page on GitHub, showing the title '[Feat] models: Hunyuan-4-Flash vision-language support', a single commit from branch hy4f/4-vl into hy4f/3-text-model, eight files changed, and an Accuracy / Tests section listing three MMMU-Pro runs at 74.33, 75.33 and 74.67 percent on the first 300 examples plus GSM8K at 97.00 percent.](https://cms.orcarouter.ai/api/media/file/3-4342.png)
비디오를 의미하지 않는 비디오 토큰
PR 제목에는 이미지 및 비디오 입력이라고 되어 있고, diff에는 video_start_token_id, video_end_token_id, video_token_id가 포함되어 있으며, 수정된 프로세서 중 하나는 비디오 프레임 샘플링을 처리한다. 그 근거로 Hy4 flash를 비디오 모델로 분류하기는 쉬울 것이다. 그렇게 하지 마라. 같은 diff에는 "HYV4 비전은 비디오 토큰 압축을 지원하지 않는다"라는 명시적 가드가 있으며, 공간 및 시간 압축 플래그가 모두 false로 설정되어 있다. 벤더의 카드에는 비디오라는 주장이 전혀 없다: 모델이 "텍스트와 이미지 입력을 네이티브로 받아들이고 텍스트를 생성한다"고 말한다. 그리고 이미 모델을 서빙하는 vLLM 레시피는 --limit-mm-per-prompt '{"image":1,"video":0}'를 설정한다. 프롬프트당 이미지 1개, 비디오 0개다.
그러니까 비디오 상수들은 양쪽 끝이 닫힌 경로를 위한 배관일 뿐입니다. 프레임워크는 토큰 ID를 인식해 그것들 때문에 막히지 않게 하고, 실제 비디오 구현에 필요한 압축은 비활성화합니다. PR 요약에서 "이미지 및 비디오 입력"을 읽고 220B 오픈 웨이트 모델을 중심으로 비디오 파이프라인을 계획하는 사람은 기능이 아니라 로드맵을 읽고 있는 것입니다.
오늘 실제로 실행할 수 있는 것
상황은 런타임에 따라 달라지며, 이것이 실질적인 핵심이다.
• vLLM — 이미 비전 경로를 제공합니다. 공개된 레시피는 클래스 이름을 HYV4FlashVLForConditionalGeneration으로 지정하며, 기본적으로 프롬프트당 이미지 하나를 허용합니다. 이것이 현재 존재하는 경로입니다.
• SGLang — 텍스트 서빙은 lmsysorg/sglang:hy4-flash 이미지를 통해 제공되며, 해당 쿡북 페이지에는 비전, 이미지, 멀티모달에 대한 언급이 어디에도 없습니다. 비전은 위의 열린 PR이며, 스택이 병합되고 휠이 출시되면 사용할 수 있게 되고 그 전에는 아닙니다.
• T{{1}}encent 자체 API{{/1}} — 이미지 입력은 출시 설명의 일부였으며, 자체 카탈로그에는 tencent/hy4-flash가 텍스트+이미지→텍스트, 1,048,576토큰 컨텍스트, 65,536 출력 토큰, 백만 입력 토큰당 $0.0175, 백만 출력 토큰당 $0.07025로 등재되어 있습니다. 이는 오늘 확인한 카탈로그 값이지 출시 주간의 위안화 가격표를 다시 인용한 것이 아니며, 두 값은 일치하지 않습니다 — 중국 본토 요금은 입력 가격의 약 네 배로 환산됩니다. 이 글을 위해 비전 부분을 검증하는 이미지 호출을 보내지는 않았으며, 두 서빙 프레임워크 간의 불일치는 의존하기 전에 직접 테스트해 볼 좋은 이유입니다.

가정하지 않고 테스트해야 하는 이유는, 모델이 멀티모달로 광고되고 가중치도 멀티모달일 수 있지만, 당신이 호출하는 엔드포인트에서는 여전히 텍스트 전용일 수 있기 때문입니다. 그것이 바로 Hy4 flash가 지난 5일 동안 처해 있던 상태입니다: 비전 인코더는 체크포인트와 함께 제공되었고, 서빙 스택은 PR 하나씩 따라잡고 있었습니다.
이것이 선택을 어디에 남기는가
오늘 Hunyuan 라인에서 이미지 이해가 필요하고, 그것이 통합 프로젝트가 아니라 이미 결론이 난 문제이길 원한다면, 답은 여전히 Tencent Hy4입니다. 이 모델은 11월 4일 비전과 컴퓨터 사용을 대표 기능으로 내세워 정식 출시되었으며, 문서화된 동작에는 프롬프트당 단일 이미지를 기본으로 하는 flash 레시피의 방식이 아니라 세밀한 차트와 다이어그램을 읽는 기능이 포함됩니다. 가격도 몇 배 더 비쌉니다. 같은 카탈로그 기준 입력 100만 토큰당 $0.834, 출력 100만 토큰당 $2.501입니다. $0.0175의 Hy4 flash는 비전 경로가 실제로 존재하지만 최근에 연결된, 범용 가격대의 모델입니다.
다음에 설명할 결정 규칙은 화려하지 않습니다. 텍스트와 문서 작업은 지금 Hy4 flash로 라우팅하십시오. 이미지 작업은 Tencent Hy4로 라우팅하십시오 — Tencent가 instruct 모델의 멀티모달 점수를 공개하거나 SGLang 스택이 병합되어 출시된 wheel을 테스트할 수 있게 될 때까지, 둘 중 먼저 발생하는 시점까지이며, 11월 21일 현재 어느 쪽도 발생하지 않았습니다. 하나를 고르고 다른 하나를 버릴 이유가 없습니다. 둘 다 여기서는 하나의 키로 이용할 수 있으며, 제공업체 정가가 0% 마크업으로 그대로 전달되고, 라우팅 규칙을 사용하면 두 번째 계약이나 코드 변경 없이 이미지가 포함된 요청은 플래그십 모델로, 텍스트는 저렴한 모델로 보낼 수 있습니다. 자동 페일오버는 더 새로운 비전 경로가 실제 이미지에서 깨지는 쪽으로 판명되는 경우를 처리합니다.
다음에 볼 콘텐츠
이 글을 바꾸게 할 세 가지가 있는데, 각각은 확인 가능하다.
스택 병합입니다. 비전 PR은 아직 병합되지 않은 텍스트 PR 위에 올라가 있고, 둘 다 리뷰가 필요하며 어느 쪽도 CI가 실행되지 않았습니다. 휠이 배포되기 전까지는 diff가 무엇을 말하든 SGLang 사용자는 누구도 Hy4 플래시 이미지를 서빙할 수 없습니다.
Tencent는 instruct 모델의 멀티모달 수치를 공개하고 있다. 이 카드의 멀티모달 표는 베이스 체크포인트만 다루는데, 이는 멀티모달성을 앞세운 출시로서는 이례적인 누락이다. Tencent 또는 독립 평가자가 실행한 Hy4 flash instruct에 대한 전체 세트 MMMU-Pro 행은 이 글의 모든 추정치를 측정값으로 대체할 것이다.
Artificial Analysis가 해당 모델을 추가하고 있습니다. 11월 21일 기준 리더보드에 Hy4 flash 항목이 없고 — 모델 URL은 404를 반환합니다 — 따라서 이를 대조해 확인할 제3자 지수나 속도, 가격 정규화 점수가 없습니다. 이 모델의 출시 주간 보도는 Tencent 자체 WorkIndex 제품군과 85명 규모의 내부 블라인드 테스트에 의존했으며, 둘 다 비전은 다루지 않습니다.
그중 하나가 실현되기 전까지는 74.8에 그 한정 조건들을 함께 붙여 문장에 넣어야 합니다. instruct 체크포인트, 300개 항목, 높은 추론 강도, 3회 실행, 아직 리뷰되지 않은 PR에 대한 한 프레임워크 작성자의 스팟 체크 말입니다. 이는 Hy4 flash의 비전 쪽에서 존재하는 가장 좋은 수치입니다. 그 기준은 들리는 것보다 낮은 문턱이며, 솔직히 해석하자면 그 모델의 비전은 이제 분명히 구현되었지만 여전히 대체로 측정되지 않은 상태입니다.
이 글에서 비교한 모델1
이 글에서 자동 인식
