
Hy4 flash Vision: 74,8 MMMU-Pro, en waarom 52,0 nog steeds standhoudt
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 184 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 675 tok/s
- AlibabaNIEUWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 mln tokens · 385 tok/s
- GoogleNIEUWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 mln tokens · 87 tok/s
- AnthropicNIEUWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 mln tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 mln tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 mln tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 mln tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 mln tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligentie
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 mln tokens · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligentie
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 mln tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligentie
Op 20 november 2026 werd in een open pull request tegen SGLang visie-taalondersteuning voorgesteld voor Hunyuan-4-Flash — de naam die het framework gebruikt voor Hy4 flash, het model met 220 miljard parameters dat Tencent op 16 november op zijn API zette en een dag later als gewichten openstelde. Diep in de beschrijving van de PR, onder een kop met de titel "Accuracy / Tests", staat het eerste MMMU-Pro-cijfer dat iemand heeft gepubliceerd voor een instruct-build van het model: 74,78%, gemiddeld over drie runs op de eerste 300 voorbeelden. Tencents eigen modelkaart meldt 52,0 op MMMU-Pro voor Hy4 flash. De twee cijfers liggen 22,8 punten uit elkaar en je moet ze niet van elkaar aftrekken, want ze beschrijven niet hetzelfde. Uitzoeken wat elk ervan precies beschrijft, is grotendeels wat een lezer nodig heeft voordat hij besluit of Tencent Hy4 het model blijft om aan te roepen wanneer er een afbeelding in het spel is.
Wat de pull request daadwerkelijk bevat
De PR is een van de drie PR's die een eerdere omnibuswijziging opsplitsten, en hij is expliciet bovenop die van het tekstmodel gestapeld. Per 21 november is hij open, niet samengevoegd, bevat hij één commit over acht bestanden (+1.883 / −13), en bij alle drie CI-slots staat "Skipped — add the run-ci label". Er is nog geen review door een code-eigenaar afgerond. De tekstondersteuning waarop hij voortbouwt, is ook nog open. Dus niets hiervan is opgenomen in een uitgebrachte SGLang-build; de cookbook-entry voor Hy4 flash beschrijft nog steeds alleen tekstserving en zegt ronduit dat ondersteuning "is not in a released SGLang wheel yet".
Wat de diff doet, is de vision tower end-to-end in het servingpad aansluiten. De onderdelen die ertoe doen:
• De ViT en de bijbehorende projector zijn gesharded over attention-tensorparallellisme, zodat de imagetoren op een node met meerdere GPU's geen knelpunt op één enkele rank vormt.
• Multimodale positiecodering is interleaved MRoPE — posities per slot (t, h, w) — doorgevoerd naar zowel de attention-lagen als de IndexPool-rope die de sparse lagen gebruiken om context te selecteren, wat precies het deel is dat ongemerkt zou breken als alleen het dense pad werd omgezet.
• Engram-hashing wordt geleerd om token-ID's voor afbeeldingen en video's die onder paddingwaarden vallen te herstellen en ze niet te hashen, zodat de n-gram-geheugentabellen mediatokens niet verbruiken alsof het tekst zijn.
• Een language_model_only-vlag laat dezelfde engine het tekstmodel bedienen zonder de multimodale route überhaupt op te zetten.
Dat laatste detail is de eerlijke samenvatting van waar dit staat: de code is zo geschreven dat vision optioneel is, omdat dat voor de meeste deployments van een 12B-actief model het geval zal zijn.

Waarom 74,8 geen sprong van 22 punten is
Drie dingen onderscheiden het cijfer van de PR van dat van de kaart, en elk ervan beweegt het getal in de flatteuze richting.
Het eerste is het checkpoint. De kaart van Tencent rapporteert multimodale scores alleen voor base-modellen, en zegt dat met zoveel woorden: "Multimodale resultaten worden alleen gerapporteerd voor Hy4 flash Base en Hy4 Base." Hy4 flash Base scoort 52,0 op MMMU-Pro (Standard, 10 opties, 4-shot); het grotere Hy4 Base scoort 59,6. De instruct-checkpoints — degene die iedereen daadwerkelijk deployt — hebben helemaal geen gepubliceerde multimodale score. De PR meet het instructmodel, dus het vult een echt gat in plaats van een cijfer te verslaan waarmee het werd vergeleken.
Het tweede is de elicitatie. De PR draait op temperatuur 0,9 en top-p 1,0 met reasoning_effort=high en een completionbudget van 32.768 tokens. De basisevaluatie van Tencent is 4-shot, zonder chain of thought. Bij een meerkeuzetaak met tien opties zal een instructmodel dat mag redeneren voordat het antwoordt een 4-shot basismodel bijna per constructie verslaan; dat verschil is de post-training, niet een vision-verbetering. Beschouw 74,8 als "het instructmodel, op de juiste manier gevraagd" en 52,0 als "het basismodel, op de standaardmanier gevraagd". Het zijn twee verschillende metingen van twee verschillende artefacten.
Het derde is de subset. De PR evalueert de eerste 300 voorbeelden, niet de volledige set, en zegt niet hoe die 300 zijn geselecteerd. Bij 300 items en een aandeel rond 0,75 is alleen al de standaardfout van de steekproef ongeveer 2,5 punten, dus een 95%-interval op dat enkele cijfer is ruwweg ±5 punten voordat er enig effect van vraagordening is. De drie eigen runs van de PR kwamen uit op 74,33, 75,33 en 74,67 — een spreiding van één punt, wat smaller is dan de steekproeffout, en dat is goed om te weten: variantie tussen runs op een vaste subset onderschat hoeveel het getal zou verschuiven bij een andere set van 300 vragen. Een tweede configuratie in dezelfde PR, de volledige stack met de code voor speculatieve decodering maar zonder speculatie, scoort gemiddeld 74,00 op dezelfde subset en vertoont een spreiding van 5,3 punten over de drie runs. Geen van beide cijfers is fout. Geen van beide is een benchmarkresultaat in de zin die een inkoopbeslissing vereist.
Wat de PR wel aantoont, en dit deel is solide, is dat de pipeline correct is aangesloten in plaats van alleen maar te compileren. GSM8K op 200 items scoort 97,00% met de vision tower geladen — binnen één punt van wat de text-only branch rapporteerde, dus het multimodale pad degradeert de language head niet. Synthetische afbeeldingsprompts met vormen en kleuren, OCR, een staafdiagram en een lijntelling werden correct beantwoord. Dat is een smoke test die is geslaagd, en het is de juiste bewering om over een PR te doen: de code werkt. Het nauwkeurigheidscijfer is een neveneffect van het uitvoeren ervan.
![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)
De videotokens die geen video betekenen
De PR-titel zegt afbeeldings- en video-invoer, de diff bevat video_start_token_id, video_end_token_id en video_token_id, en een van de gewijzigde processors verwerkt video-framesampling. Op basis daarvan zou het gemakkelijk zijn om Hy4 flash als videomodel op te voeren. Doe dat niet. Dezelfde diff bevat een expliciete guard — "HYV4 vision does not support video token compression" — waarbij zowel de spatiale als de temporele compressievlag op false staat. De modelkaart van de leverancier claimt nooit video: er staat dat het model "natively accepts text and image inputs, generates text". En het vLLM-recept dat het model al serveert, zet --limit-mm-per-prompt '{"image":1,"video":0}', één afbeelding en geen video per prompt.
Dus de videoconstanten zijn leidingwerk voor een pad dat aan beide uiteinden gesloten is: het framework herkent de token-id's zodat het er niet op vastloopt, en schakelt de compressie uit die een echte video-implementatie nodig zou hebben. Wie in een PR-samenvatting "image and video input" leest en een videopipeline rond een open-weight model van 220B plant, leest een routekaart, geen mogelijkheid.
Wat je vandaag daadwerkelijk kunt uitvoeren
Het beeld verschilt per runtime, en dat is de praktische les.
• vLLM — verzorgt al het vision-pad. Het gepubliceerde recept noemt de klasse HYV4FlashVLForConditionalGeneration en staat standaard één afbeelding per prompt toe. Dit is de route die er nu is.
• SGLang — tekstserving bestaat via de image lmsysorg/sglang:hy4-flash, en de cookbook-pagina ervoor bevat nergens een vermelding van vision, afbeeldingen of multimodaliteit. Vision is de open PR hierboven; het wordt beschikbaar wanneer de stack wordt gemerged en er een wheel wordt uitgebracht, en niet eerder.
• De eigen API van Tencent — beeldinvoer maakte deel uit van de lanceerbeschrijving, en onze eigen catalogus vermeldt tencent/hy4-flash als tekst+afbeelding→tekst met een context van 1.048.576 tokens, 65.536 uitvoertokens en $0,0175 per miljoen invoer tegen $0,07025 per miljoen uitvoer. Dat zijn cataloguswaarden die vandaag zijn uitgelezen, geen nieuwe opgave van de RMB-prijskaart uit de lanceerweek, en die twee komen niet overeen — de tarieven op het vasteland komen omgerekend neer op ongeveer vier keer de invoerprijs. We hebben voor dit stuk geen afbeeldingsaanroep verstuurd om het vision-gedeelte te verifiëren, en de onenigheid tussen de twee servingframeworks is een goede reden om het zelf te testen voordat je erop vertrouwt.

De reden om te testen in plaats van aan te nemen, is dat een model als multimodaal kan worden aangeprezen, multimodaal kan zijn in zijn gewichten en toch alleen tekst kan ondersteunen op het endpoint dat je toevallig aanroept. Dat is precies de toestand waarin Hy4 flash al vijf dagen verkeert: de vision-encoder is met de checkpoints meegeleverd en de serving-stacks zijn één PR tegelijk hun achterstand aan het inhalen.
Waar dit de keuze laat
Als je vandaag beeldbegrip uit de Hunyuan-lijn nodig hebt en je wilt dat het een uitgemaakte zaak is in plaats van een integratieproject, is het antwoord nog steeds Tencent Hy4. Het werd op 4 november algemeen beschikbaar, met visie en computergebruik als belangrijkste capaciteiten, en het gedocumenteerde gedrag omvat het lezen van fijnmazige grafieken en diagrammen in plaats van de indeling met één afbeelding per prompt waar de flash-recept standaard voor kiest. Het is ook meerdere malen duurder: $0,834 input en $2,501 output per miljoen in dezelfde catalogus. Hy4 flash voor $0,0175 is een model met een commodityprijs en een visiepad dat echt is, maar pas onlangs is aangesloten.
De beslissingsregel die volgt is weinig glamoureus. Stuur tekst- en documentwerk nu naar Hy4 flash. Stuur beeldwerk naar Tencent Hy4 totdat ofwel Tencent instruct-model multimodale scores publiceert ofwel de SGLang-stack wordt samengevoegd en een vrijgegeven wheel kan worden getest — wat het eerst komt, en geen van beide is gebeurd per 21 november. Er is geen reden om er één te kiezen en de andere te laten vallen: beide zitten hier op één sleutel, lijstprijzen van de provider worden doorgegeven met 0% opslag, en een routeringsregel kan verzoeken met afbeeldingen naar het vlaggenschip sturen terwijl tekst naar het goedkope model gaat, zonder een tweede contract of een codewijziging. Automatische failover dekt het geval waarin het nieuwere vision-pad degene blijkt te zijn die onder echte afbeeldingen breekt.
Wat nu te kijken
Drie dingen zouden dit stuk veranderen, en elk daarvan is controleerbaar.
Het samenvoegen van de stack. De vision-PR bouwt voort op een tekst-PR die zelf nog niet is samengevoegd; beide moeten nog worden beoordeeld, en CI is op geen van beide gedraaid. Zolang er geen wheel is uitgebracht, kan geen enkele SGLang-gebruiker Hy4-flashafbeeldingen serveren, wat de diff ook zegt.
Tencent publiceert multimodale cijfers voor instructmodellen. De multimodale tabel op de modelkaart dekt alleen basis-checkpoints, en dat is een ongebruikelijke omissie voor een lancering die met multimodaliteit vooropliep. Een MMMU-Pro-rij voor de volledige set voor Hy4 flash instruct, uitgevoerd door Tencent of door een onafhankelijke evaluator, zou elke schatting in dit artikel vervangen door een meting.
Artificial Analysis voegt het model toe. Er is op 21 november geen Hy4 flash-vermelding op de leaderboard — de URL van het model geeft een 404 — dus er is geen index, snelheids- of prijsgenormaliseerde score van een derde partij om dit alles tegen te controleren. De berichtgeving over het model in de lanceringsweek steunde op Tencents eigen WorkIndex-suite en een interne blindtest met 85 personen; geen van beide heeft betrekking op vision.
Totdat een van die dingen er komt, hoort 74,8 in een zin met de bijbehorende kwalificaties: een instruct-checkpoint, 300 items, hoge redeneerinspanning, drie runs, de steekproefcontrole van één frameworkauteur op een PR die nog niet is gereviewd. Het is het beste getal dat bestaat voor de visiekant van Hy4 flash. Dat is een lagere lat dan het klinkt, en de eerlijke lezing is dat de visie van het model nu aantoonbaar is geïmplementeerd en nog grotendeels ongemeten.
Vergeleken in dit artikel1
Herkend uit dit artikel
