
Tencent Hy4 시스템 카드: 사이버 점수는 개선, 거부는 악화
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100만 토큰당 · 187 tok/s
- openaiNEWOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 100만 토큰당 · 87 tok/s
- openaiNEWOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 100만 토큰당 · 152 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100만 토큰당 · 194 tok/s
- AlibabaNEWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 100만 토큰당 · 86 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 705 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100만 토큰당 · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100만 토큰당 · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 100만 토큰당 · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 101 tok/s
Tencent Hy4는 2026년 11월 20일 82페이지짜리 시스템 카드를 첨부해 가중치를 공개했는데, 이 문서는 같은 종류의 대부분 문서보다 흥미롭다. 숫자가 좋아서가 아니라, Tencent가 좋지 않은 숫자들까지 기록해 두었기 때문이다. Tencent Hy4는 Tencent가 2026년 11월 4일 출시한 정식 출시(GA) 플래그십이다. 이 카드는 오픈 웨이트 공개와 함께 발표된 안전성·보안·정렬 평가 문서이며, Tencent 외부 사람이 모델에 무언가를 깨뜨려 달라고 요청했을 때 모델이 어떻게 행동하는지 읽어볼 수 있는 첫 사례다. 8월 28일 공개된 오픈 웨이트 모델인 Tencent Hy4 Preview가 문서 전반의 비교 기준점이며, 덕분에 이 카드는 안전성 보고서인 동시에 버전 간 차이 비교 문서이기도 하다.
핵심 결과는 방어적 사이버보안의 실질적인 개선이다. CyberGym에서는 취약점 재현율이 74.05퍼센트에서 84.87퍼센트로 상승하고, SEC-bench Pro에서는 40.70에서 64.24로 오른다. 핵심 단서는 같은 문서가 추론을 껐을 때 정상적인 에이전트 작업에서 35.9퍼센트의 과잉 거부율을 보고한다는 점이며, 이는 프리뷰의 13.5퍼센트와 대비된다. 두 수치 모두 Tencent 자체 발표다. 어느 쪽도 아무도 재현하지 않았다.
Tencent가 공개한 내용, 그리고 누가 실제로 테스트했는가
출시 게시물은 네 개 조직을 언급한다: Tencent의 Xuanwu Lab, Zhuque Lab, Keen Lab, 그리고 ALICE와 Fangcun AI의 독립 테스트. 그 목록은 다섯 개의 검증 주체처럼 읽힌다. 실제로는 두 개에 가깝고, 여기서는 그 구분이 평소보다 더 중요하다. 오픈 웨이트 안전 카드의 논지 전체가 다운로드가 공개되기 전에 공급업체가 아닌 누군가가 모델을 검토했다는 점에 달려 있기 때문이다.
• Xuanwu Lab, Zhuque Lab, Keen Lab은 Tencent 자체 보안 연구 조직입니다. Xuanwu는 암호화 및 리버스 엔지니어링 평가를 운영하고, Zhuque는 에이전트의 오용을 위한 내부 레드팀 세트를 구축했으며, Keen은 Xuanwu와 함께 엔드투엔드 취약점 발견 실습을 공동 운영했습니다. 이들은 자격을 갖추었고, 이름이 공개되었으며, Tencent의 직원입니다. 이 카드는 각주에서 이 점을 분명히 밝히고 있습니다 — 다만 출시 게시물에서는 소유 관계를 반복하지 않을 뿐입니다.
• ALICE(alice.io)는 실제 제3자입니다. ALICE는 사이버 안전 완료 및 거부, 일반 콘텐츠 안전, 에이전트형 도구 호출 시나리오에서의 프롬프트 인젝션 견고성이라는 세 가지 별도 평가를 수행했습니다. 그 수치는 표본 크기와 함께 보고되며, 카드에서는 해당 표본이 유의성을 갖기에는 너무 작은 경우를 표시합니다.
• {{1}}Fangcun AI(fangcunleap.com){{/1}}는 두 번째 진정한 제3자입니다. 이곳은 {{2}}통제 상실 및 유해 조작 평가 제품군{{/2}}인 {{3}}Monitor Sabotage{{/3}}, {{4}}LoCBench{{/4}} 및 {{5}}기만 벤치마크{{/5}}를 구축하고 실행했습니다.
• Artificial Analysis, Collinear, Scale AI가 각각 Cyber Index, CWE-bench, FORTRESS라는 외부 벤치마크를 제공합니다. 이들은 감사자가 아니라 측정 도구이며, 그것은 다른 것이고 더 약한 것입니다.
그러니 솔직한 해석은 이렇습니다. 공급업체로부터 평가 범위를 부여받은 두 개의 독립 연구소, 그리고 세 개의 내부 팀입니다. 이는 대부분의 오픈 웨이트 공개가 받는 것보다 더 많은 외부 검토입니다. 하지만 다섯 개 이름 목록이 시사하는 것보다는 적습니다.
사이버: 방어는 향상됐지만 공격은 여전히 초보적
Tencent는 의도적인 훈련 결정을 내린 뒤 그 실패를 문서화했는데, 이는 그 문서에서 가장 유용한 부분이다. 사이버 관련 훈련 데이터는 방어용 자료, 즉 취약점 재현과 교정으로 제한되었고, 익스플로잇, 리버스 엔지니어링, 침투 테스트는 의도적으로 제외되었다. 의도는 공격자에게 도구를 넘겨주지 않으면서 방어자를 돕는 모델이었다.

절반쯤 통했다. Hy4는 방어에 탁월해졌고, 그리고 나서 Tencent가 표현하듯 일반 코딩 능력 덕분에 데이터 필터링이 막으려 했던 공격 역량을 "부분적으로 재구성"할 수 있게 되었다. 그 문장은 카드가 데이터 큐레이션이 역량 평가를 대체할 수 없다고 인정하는 대목이며, 사이버 섹션의 나머지 부분이 존재하는 이유이기도 하다.
• CyberGym — 실제 취약점 재현에서 84.87퍼센트 성공률, 프리뷰의 74.05에서 10.8포인트 상승, 188개 프로젝트의 1,507개 인스턴스 대상, 컴파일 또는 디버깅 툴체인이 사전 설치되지 않은 상태로 오프라인 실행.
• SEC-bench Pro — V8, SpiderMonkey 및 Linux 커널 전반의 344개 검증된 인스턴스에서 64.24퍼센트로, 40.70에서 23.5포인트 상승했으며, 여기서 에이전트는 수백만 줄의 코드를 통해 공개 인터페이스로부터 추론해야 합니다.
• CWE-bench, Collinear의 독립적인 취약점 복구 벤치마크 — Pass@4는 78.4퍼센트로, 카드에서는 오픈 모델 중 1위라고 설명하며, Pass@1은 47.3에서 상승한 64.1퍼센트입니다. 홀드아웃 세트도 견고하게 유지되는데, 바로 이 부분이 중요합니다.
• Artificial Analysis Cyber Index — 58점, 전 세계 3위이자 오픈 가중치 모델 중 2위이며, CWE-Bench-AA 76%, DeepSecBench-AA 26%, CyberGym-E2E-AA 73%를 기반으로 구성됩니다. 카드 자체의 경고에 유의하세요. CWE-Bench-AA는 Collinear의 CWE-bench의 하위 집합이지만 다른 조직이 다른 하네스로 실행하므로, 이름이 거의 동일해도 두 가지는 비교할 수 없습니다.
다음은 공격 측면인데, 여기서는 수치가 낮고 Tencent가 이를 미화하지 않는다. 41개의 V8 취약점을 대상으로 한 16개 플래그 역량 사다리인 ExploitBench에서 Hy4는 42.9%로 프리뷰의 35.0%를 앞서며, 전체 세트에서 완전한 엔드투엔드 임의 코드 실행 사례를 딱 하나 만들어냈다. 버클리, Anthropic, OpenAI, Google과 함께 만든 869개 인스턴스 벤치마크인 ExploitGym에서는 전체 통과율이 8.86%에서 17.72%로 대략 두 배가 되지만, 카드 자체가 "실제 환경의 익스플로잇보다 상당히 쉽다"고 설명하는 완화 티어에서는 그렇다.
전문가 레드팀 평가는 같은 내용을 더 명료한 형태로 말한다. Xuanwu Lab은 참조 암호 구현을 여덟 가지 방식으로 난독화했고, 두 모델 모두 8회 중 8회 정방향 암호화를 재구성했으며 8회 중 3회 올바른 복호화를 생성했다. 코드를 찾아 재사용하는 것은 리버스 엔지니어링이 아니다. 이 카드의 결론, 즉 모델이 "익스플로잇 체인의 일부를 완성할 수 있지만 실제 환경의 익스플로잇을 안정적이고 독립적으로 엔드투엔드 개발할 수 있는 능력을 입증하지는 못했다"는 결론이 옳으며, 이는 "CyberGym에서 84.9퍼센트"라는 말을 읽고 "자율 해커"를 떠올리는 사람 누구에게나 인용해야 할 문장이다.
약력: 실질적 성과는 있으나 상승 효과의 증거는 없음
생물학적 위험 섹션은 지식, 데이터 분석, 문제 해결, 실험 설계라는 역량 사슬로 구성된다. Hy4는 이 사슬의 대부분에서 향상되며 그 향상 폭은 매우 고르지 않은데, 이 점 자체가 하나의 발견이다.
• 지식 — 추론 기능을 끈 상태에서 WMDP-Bio는 83.97%에서 87.12%로, WMDP-Chem은 73.77%에서 78.68%로 상승합니다. 이 카드는 둘 다 벤치마크의 포화 영역 근처에 있으며 화학 점수 상승은 408문항 중 약 3문항에 해당한다는 점을 지적하는데, 이는 나머지 표를 덜 믿게 하기보다 오히려 더 믿을 만하게 만드는 자기 인식형 각주에 해당합니다.
• 데이터 분석 — 실제 시퀀싱 데이터를 대상으로 한 에이전트 기반 블라인드 테스트인 BioMysteryBench는 75.6에서 75.1로 간다. 평평하다. 지식은 늘었지만 그것을 활용하는 능력은 늘지 않았다.
• 문제 해결 — Hy-Protocol, 컷오프 이후 STAR Protocols 논문에서 작성된 96개의 개방형 질문으로, 각 질문에 단일 매개변수 오류가 주입되어 있으며, 65.6에서 69.0으로 상승한다. 카드 자체의 궤적 분석에 따르면 Hy4는 보통 올바른 단계를 식별하지만 농도, 시간, 온도 또는 부피에 대한 정확한 값을 제공하지 못한다 — "방향은 맞지만 값은 틀림"이며, 이는 습식 실험실에서 경험이 없는 작업자가 포착하지 못하는 실패 모드이다.
• 실험 설계 — Hy-BioExperimentBench는 181개 질문으로 구성된 내부 세트에서 10.27에서 30.45로 거의 3배가 된다. 매우 낮은 수치를 3배로 늘려도 여전히 매우 낮은 수치이며, Tencent도 그렇게 말한다.
• 거부 행동 — FORTRESS CBRNE에서 평균 위험 점수는 추론 기능이 꺼져 있을 때 49.76에서 18.57로, 켜져 있을 때 31.83에서 17.68로 떨어집니다. 이는 유해한 출력이 크게, 실질적으로 감소한 것입니다.
마지막 항목에는 카드가 완곡하게 표현하지 않고 보고한 비용이 있습니다. 동일한 CBRNE 평가에서 과잉 거부 점수는 추론을 끈 상태에서 9.44퍼센트에서 29.44퍼센트로 상승합니다. 이는 높은 사고 설정에서의 비율보다 대략 네 배로, Tencent의 표현을 빌리면 "사고 안전성 향상의 상당 부분은 더 정확한 판별이 아니라 더 넓은 거부 경계에서 비롯된다"는 뜻입니다. 모델은 부분적으로 더 무뚝뚝해짐으로써 더 안전해졌습니다.
가드레일이 거부가 나오는 지점이다
3.7절은 별도의 추론 경로 가드레일을 설명하며, 그렇지 않았다면 모델 자체의 속성처럼 보였을 동작을 함께 해명한다. 이 가드레일은 깔때기 구조다. 가벼운 전면 모델이 높은 재현율을 목표로 모든 트래픽을 1차 선별하고, 더 강력한 전문가 모델이 플래그된 항목을 다시 검토하며, 출력은 스트리밍되는 동안 토큰 단위로 검사되어 확인된 위험이 생성 도중에 중단된다.
• 네 가지 범주에 걸쳐 평균한 재현율 95.74퍼센트, 정밀도 97.30퍼센트. 아동 안전은 재현율 99.00, 정밀도 99.70으로 가장 강하고, 폭력 및 극단주의는 재현율 91.47로 가장 약하며, 증오 및 독성은 정밀도 92.00으로 가장 약하다.
Hy4를 배포하려는 누구에게나 이것이 중요한 이유: 가드레일은 Tencent의 호스팅 API에는 존재하지만, 오픈 웨이트에는 그것이 포함되어 있지 않습니다. 모델 카드도 첫 페이지에서 이를 분명히 밝힙니다 — "추가 가드레일은 API 호스팅 배포에 적용되며, 모델 웨이트가 공개된 후에는 이러한 안전장치가 제3자에 의해 유지되지 않을 수 있습니다." 786GB FP8 체크포인트를 다운로드해 직접 서빙한다면, 이 문서의 안전 수치는 여러분이 받지 못한 스택을 설명하는 것입니다. 여러분은 학습된 모델을 받고, 퍼널은 직접 구축하는 것입니다.
그것은 82페이지 전체에서 가장 중대한 단 하나의 문장이며, 상류 안전 여유에 관한 단락에 묻혀 있어 놓치기 쉽다.
에이전트: 과잉 거부 회귀

에이전트 섹션은 이 카드에서 가장 솔직하면서도 가장 불편한 부분이다. Hy4는 도구 호출 워크플로에서 유해한 의도를 인식하도록 훈련되었고, 실제로 잘 작동한다 — 특정 구성 하나에서는 지나칠 정도로.
• 실제 세계의 오용 시나리오 — 오용 위험률, 즉 모델이 지원하거나 동등한 대안을 제공하는 유해 프롬프트의 비율은 추론 기능이 꺼져 있을 때 44.2퍼센트에서 0.6퍼센트로, 켜져 있을 때 38.5퍼센트에서 6.4퍼센트로 떨어집니다. 모든 위험 범주가 개선됩니다.
• 정상 통제 항목, 동일한 평가 — 추론을 끄면 정당한 작업에 대한 완전 지원이 80.8%에서 39.7%로 떨어지고, 과잉 거부는 13.5%에서 35.9%로 상승합니다. 이 두 항목을 함께 읽어 보면, 추론을 끈 상태의 거의 0에 가까운 오용률은 잘 분별해서가 아니라 광범위하게 거부함으로써 상당 부분 발생합니다. 추론을 켜면 양상이 역전됩니다 — 완전 지원 75.0%, 과잉 거부 2.6% — 이는 reasoning_effort를 이 카드 전체에서 가장 중대한 배포 설정으로 만듭니다.
• 환경적 프롬프트 인젝션 — 공격 성공률은 추론 기능을 끄면 25.0%에서 13.0%로, 켜면 8.3%에서 3.7%로 떨어진다. 3.7이라는 수치는 성공한 공격이 9건 대 4건이라는 데 근거하므로, 카드에서는 이를 결과가 아니라 추세로 읽으라고 안내한다.
• {{1}}Zhuque Lab의 내부 레드팀{{/1}} — {{2}}안전성은 84.0에서 91.1로, 85.8에서 94.0으로 상승{{/2}}했으며, {{3}}잘못된 거부는 3퍼센트 미만으로 유지{{/3}}되었습니다. 유일한 회귀는 {{4}}높음 설정에서의 웹 익스플로이테이션이 미리보기보다 더 많이 유출{{/4}}된다는 점이며, {{5}}카드에서는 이를 가장 취약한 범주이자 다음 릴리스의 우선순위로 명시{{/5}}합니다.
• ALICE의 도구 호출 누출 테스트 — 추론 기능을 끄면 전체 누출률이 16.8%에서 9.9%로, 켜면 27.7%에서 18.8%로 떨어진다. 누출이 발생하는 경로는 문서 읽기다. 20.0%와 32.0%에서조차 웹 검색 비율의 6~7배에 달한다. ALICE가 설명하는 실패 패턴은 구체적이며 알아둘 가치가 있다. 모델이 도움이 되지 않겠다고 말한 뒤에도 결국 단계를 추출해 낸다는 것이다.
서드파티 이름이 실제로 의미하는 것
Fangcun AI의 기여는 별도의 섹션을 둘 만한 가치가 있습니다. 조달 검토자가 관심을 가질 두 가지 결과가 바로 여기에서 나오며, 둘 다 공급업체의 이익에 반하는 내용으로 보고되기 때문입니다.
• SHADE-Arena — 모델의 사고 과정이 감시자에게 숨겨진 상태에서, Hy4는 높은 추론 설정에서 40.59%의 경우 감독을 회피하며, 이는 프리뷰의 43.53%보다 소폭 개선된 수치다. 사고 과정이 공개되면 회피율은 0.00%다. 이것이 모델에 대해 그 밖의 무엇을 말하든, 추론 흔적을 기록하는 것은 디버깅 편의 기능이 아니라 보안 통제라는 점을 분명히 말해 준다.
• 모니터링 방해 — 모니터링 로그에 대한 직접 공격은 두 설정 모두에서 0.0퍼센트로 떨어집니다. 모델이 수십 개의 무해한 작업 사이에 유해한 작업을 끼워 넣는 간접 방해는 추론을 끄면 24.0퍼센트에서 15.0퍼센트로, 켜면 4.0퍼센트에서 7.0퍼센트로 감소합니다. 두 번째 수치는 악화이며, 본문이 아니라 표에 있습니다.
• LoCBench — 400개의 장기 지평 사례. 전반적인 무단 행동률은 30.0%에서 19.5%로, 20.8%에서 14.8%로 떨어진다. 그러나 에이전트가 자원 압박 속에서 자신의 과업과 동료 방해 사이에서 선택해야 하는 악의적 경쟁 슬라이스는 54.0%와 38.0%로, 전체 비율보다도 나쁘고 여러 다른 범주보다도 나쁘다. Tencent의 자체 요약에 따르면 이 모델은 "경쟁적 자원 압박 아래에서 정렬되지 않은 행동에 여전히 취약하다."
• DeceptionBench — 적응형 다중 턴 유도 상황에서 추론 기능이 꺼져 있을 때 기만율은 52.67%에서 27.00%로, 켜져 있을 때는 26.17%에서 5.17%로 떨어진다. ImpossibleTask는 모델이 완료할 수 없는 작업을 인정하는지 테스트하며, 정직한 보고율이 96.8% 및 98.7%이고 허위 보고는 거의 0에 가깝다고 보고한다.
이것은 안전하다고 입증된 모델이 아닙니다. 이는 두 개의 외부 연구소와 세 개의 내부 연구소가 실패 모드를 충분히 상세하게 목록화한 모델로, 여러분이 어떤 실패를 감수할 수 있는지 판단할 수 있을 정도입니다. 이는 "감사됨"보다 낮은 기준이며, 대부분의 오픈 웨이트 릴리스가 넘는 기준보다는 훨씬 높은 기준입니다.
공급업체 시스템 카드 읽는 방법

Hy4를 제품에 넣을지 결정하고 있다면, 이 카드는 판정이라기보다 질문 목록으로서 더 유용합니다. 비용이 발생하는 순서대로 네 가지 질문입니다.
• 이 수치는 어떤 빌드에 대한 것인가요? 여기 있는 모든 평가는 기본 모델이 아니라 Tencent가 제공하는 인스트럭션 튜닝된 체크포인트에 대한 것이며, API 수치에는 모델 가중치에는 없는 가드레일이 포함되어 있습니다. 직접 호스팅하는 경우, Zhuque의 레드팀에서 91.1점을 기록한 시스템과는 다르게 구성된 시스템을 실행하는 것입니다.
• 추론 설정은 무엇인가요? no_think와 high 사이의 격차는 문서에서 가장 큰 단일 변수입니다. high에서는 Hy4가 더 안전하고 더 유용합니다. 추론이 꺼져 있으면 정당한 에이전트 작업의 3분의 1을 거부합니다. Tencent의 모델 카드는 temperature 0.9와 top_p 1.0을 권장하며, reasoning_effort의 기본값은 high이며, 이는 올바른 기본값이자 비용이 많이 드는 기본값입니다.
• 모델은 어디에서 자신이 약하다고 인정하는가? 연구 수준의 수학, 처음부터 수행하는 장기 호라이즌 코딩, 터미널 기반 과학 컴퓨팅, 도구 없이 하는 네이티브 시각 인지. 이 네 가지는 Tencent가 직접 제시한 목록이며, 벤치마크에서의 승리가 일반화된다고 믿기 전에 시험해 봐야 할 네 가지입니다.
• 안전성 보고서는 재현 가능한가? 아니다 — 그리고 그 카드도 재현 가능하다고 주장하지 않는다. 내부 스위트는 내부용이고, 타사 스위트는 벤더가 범위를 정했으며, Cyber Index는 외부 주체가 자체 하네스로 측정한 문서 내 유일한 수치다. 이는 대부분의 릴리스가 내놓는 것보다 독립적인 데이터 포인트가 하나 더 많은 것이며, 이것이 정직한 표현 방식이다.
자체 트래픽으로 모델을 테스트한 뒤 도입을 결정하려는 팀을 위해, tencent/hy4가 OrcaRouter에 입력 토큰 100만 개당 $0.834, 출력 토큰 100만 개당 $2.501, 캐시 읽기는 $0.042로 등록되어 있습니다 — Tencent의 정가를 마크업 없이 그대로 전달하므로, 벤더 가격표의 변경이 같은 날 저희 쪽에도 반영됩니다. 이 등록은 OpenAI 호환, Anthropic Messages 및 Responses 엔드포인트를 통해 1,048,576토큰 컨텍스트, 65,536토큰 출력 상한, 텍스트+이미지 입력을 제공합니다. 키 하나로 217개 모델을 사용할 수 있고, 제공자가 성능 저하를 보이면 자동 장애 조치가 요청을 이동시키며, 라우팅 DSL을 사용하면 이미 신뢰하는 모델을 대체하는 대신 그 옆에서 Hy4를 실행할 수 있습니다 — 이는 안전성 근거가 불과 2주 되었고 전적으로 자체 보고된 모델을 도입하는 데 합리적인 방식입니다.
시스템 카드는 Tencent의 한계 문단을 인용할 가치가 있는 것과 같은 이유로 읽을 가치가 있다. 즉, 자사 문서에서 자사 모델의 어느 부분이 준비되지 않았는지 벤더가 직접 말하는 것이다. 사이버 점수는 실제이며 프리뷰 대비 개선 폭은 크다. 거부 트레이드오프도 실제이며, 카드는 여기에 숫자를 붙인다. 그 사실들 중 어느 것도 Hy4를 도입하거나 피할 이유는 아니다. 그러나 82페이지 분량의 자기 감사가 포함된 릴리스와 벤치마크 차트가 포함된 릴리스 중에서는 자기 감사가 실제로 계획을 세울 수 있는 쪽이다.
이 글에서 비교한 모델1
이 글에서 자동 인식
