Tencent HY4 Preview is open-source: 770B MoE, 1M context, en een prijs die de frontier onderbiedt

Tencent HY4 Preview, uitgebracht en open source gemaakt op 28 augustus 2026, is het eerste echt concurrerende open-weight vlaggenschip van een Chinees lab in maanden, en het meest verrassende cijfer is de prijs. Tencent vermeldt 6 yuan (~US$0,85) per miljoen inputtokens en 18 yuan (~US$2,50) per miljoen outputtokens — ongeveer een tiende van wat een topklasse gesloten frontier-model rekent voor output — terwijl het een mixture-of-experts-model van 770 miljard parameters publiceert, waarvan 49 miljard actief zijn per token, met een contextvenster dat een miljoen tokens overschrijdt. Het is de opvolger van Hy3 uit de Hunyuan-familie (295B totaal, 256K context) en verviervoudigt die context terwijl het de actieve capaciteit meer dan verdubbelt. De gewichten zijn vandaag te downloaden van Hugging Face, GitHub, ModelScope en GitCode, en hetzelfde model is al live in Tencent's eigen producten: WorkBuddy, CodeBuddy in zowel binnenlandse als internationale builds, de Yuanbao-assistent en de ima-werkruimte-app. Voor iedereen die heeft gezien hoe open-weight-modellen bij software-engineering-werk tekortschieten ten opzichte van de frontier, is dit de release die de kloof eindelijk ter discussie stelt — en de kanttekeningen zijn net zo belangrijk als de cijfers.

De positionering is bewust. Tencent presenteert Tencent HY4 Preview als een productiviteitsmodel voor vier domeinen: software-engineering, kantoor- en data-analyse, game-ontwikkeling en wetenschappelijk onderzoek. De nadruk op engineering is wat het onderscheidt van de generalistische modellen — de release notes beginnen met begrip van langetermijntaken, planning en debugging, niet met chatkwaliteit. Die focus zie je net zo goed in de integratielijst als in de benchmarktabel: CodeBuddy krijgt het model in zijn IDE, WorkBuddy krijgt het in kantoorworkflows (Tencent laat zien dat het in één doorgang 72 financiële documenten verwerkt), en game-ontwikkelaars krijgen MCP-hooks in Unreal Engine 5 en Unity die een enkele zin in een speelbare demo veranderen.

Wat er daadwerkelijk is uitgebracht

Het specificatieblad is het waard om regel voor regel te lezen, omdat elke regel verandert wat een open-weight model mag doen.

• Architectuur — Mixture-of-Experts met 770B totale parameters en 49B actief per token, een sparsity-verhouding van ruwweg 16:1 die de inferentiekosten binnen een bereik houdt dat een klein team zich daadwerkelijk kan veroorloven.

• Contextvenster — meer dan 1 miljoen tokens, vier keer Hy3's 256K. Taken met een lange horizon — een volledige repository in het venster, een refactor van meerdere bestanden, een grote documentbatch — worden problemen die met één enkele aanvraag kunnen worden afgehandeld.

Gewichten — open release in MIT-stijl op Hugging Face, GitHub, ModelScope en GitCode. Dit is een downloadbaar, zelf-hostbaar model, geen gehoste teaser.

• API — beschikbaar op Tencent Cloud's TokenHub, de eigen gehoste endpoint van de leverancier, geprijsd op 6 yuan per miljoen invoertokens, 18 yuan per miljoen uitvoertokens, en 0,3 yuan per miljoen tokens voor cachetreffers.

• Productintegratie — WorkBuddy, CodeBuddy (binnenlands en internationaal), Yuanbao en ima, wat betekent dat dezelfde gewichten die Tencent in zijn eigen apps levert, dezelfde zijn die je kunt ophalen en uitvoeren.

Tencent meldt ook een cijfer uit de inferentie-engineering dat zelden in een productaankondiging voorkomt: een end-to-end doorvoerverbetering van 31,8% dankzij operator fusion en communicatie-optimalisatie. Wat dit meer maakt dan een voetnoot in een specificatieblad, is dat de Tencent HY4 Preview volgens Tencent de knelpunten zelf heeft gevonden — het model analyseerde zijn eigen inferentiestack, en de optimalisaties zijn volgens het bedrijf stabiel over verschillende contextlengtes en concurrency-niveaus. Dat is het soort detail dat onderscheid maakt tussen een model dat door een lab als onderzoeksartefact wordt uitgebracht en een model waarop een bedrijf verwacht dat het productieverkeer zal afkomen. Bij een preview die pas enkele dagen openbaar is, is dat bovendien precies het soort bewering dat nog niemand buiten Tencent heeft geverifieerd.

De scores die het vermelden waard zijn

Elke benchmark die Tencent voor Tencent HY4 Preview heeft gepubliceerd, is door de leverancier zelf gerapporteerd — uitgevoerd op Tencent's eigen evaluatieopzet, door geen enkel onafhankelijk laboratorium gereproduceerd, en het model is pas enkele dagen openbaar. Lees ze als het plafond dat Tencent denkt te hebben bereikt, niet als vaststaand feit.

De kopcijfer is Terminal Bench 2.1, een test van hoe goed een model een echte terminal bedient tijdens het coderen. Tencent meldt Tencent HY4 Preview op 85,4, wat volgens het bedrijf gelijk staat aan Claude Opus 5 en beter is dan DeepSeek V4 Pro, en dat 14,6 punten beter is dan zijn eigen voorganger Hy3. Dat ene getal doet veel werk — het is de bewering die een open-weightmodel op gelijke hoogte plaatst met de duurste gesloten frontier-modellen op een moeilijke agentic-codeertest — en het is de bewering die het meest behoefte heeft aan onafhankelijke bevestiging.

De rest van de interne tabel: DeepSWE, een software-engineeringbenchmark, springt van 28,0 op Hy3 naar 64,3, wat Tencent omschrijft als "het gat geleidelijk verkleinend" met eersteklas modellen. Op Toolathlon-Verified, een test voor het aanroepen van tools, scoort het 74,1, waarvan Tencent zegt dat het Qwen 3.8 Max en GPT-5.6 Sol overtreft en Kimi K3 en Claude Opus 5 benadert. Op APEX-Agents pass@1 komt het uit op 37,1, een haar achter Kimi K3's 37,2. En in een afzonderlijke interne blinde test beoordeelden 163 experts 203 engineeringtaken met 2,99 van de 4,00, waarmee het GLM-5.3's 2,92 en Kimi K3's 2,94 nipt voorbleef.

Twee patronen vallen op. Ten eerste heeft elk sterk getal betrekking op agentische engineeringwerkzaamheden — terminalbediening, toolaanroeping, taken op repository-schaal — en geen enkel op algemene kennis of redenering, wat consistent is met de productiviteitspositionering en geen toeval is. Ten tweede is Tencent er zorgvuldig in om DeepSWE en de andere systemen te beschrijven als het verkleinen, niet het dichten, van de verschillen. De enige duidelijke, verkoopbare gelijkwaardigheidsclaim is de gelijke score op Terminal Bench 2.1, en dat is de claim die het meest de moeite waard is om met je eigen workload te testen.

Wat de prijs daadwerkelijk oplevert

Bij de prijsstelling wordt de release niet meer interessant, maar disruptief. Tegen de catalogusprijs van Tencent kost een miljoen inputtokens ongeveer hetzelfde als één API-aanroep van het middensegment op sommige platforms. De 18 yuan per miljoen outputtokens (ongeveer US$ 2,50) ligt ver onder de outputprijs van $25 per miljoen van een toonaangevend gesloten frontier-model, en het cache-hit-tarief van 0,3 yuan maakt lange agentische lussen — waarbij hetzelfde systeemprompt en gespreksvoorvoegsels voortdurend opnieuw worden verzonden — uitzonderlijk goedkoop om te draaien.

Dit is ook de enige plek waar de routinglaag de rekensom verandert. OrcaRouter routeert Tencent HY4 Preview nog niet — Tencent heeft dit model nog niet opengesteld voor inferentieplatforms van derden, dus draait het op het eigen TokenHub-eindpunt van Tencent Cloud en op zelf gehoste implementaties van de open gewichten, en we claimen niet te leveren wat we niet leveren. Maar de discipline die een prijsverlaging relevant maakt, is dezelfde waar de rest van de catalogus op draait: OrcaRouter geeft de lijstprijzen van providers door zonder opslag, dus wanneer een leverancier als Tencent een token prijst op 6 yuan, is het bedrag dat je bij ons betaalt 6 yuan, niet een doorverkochte en opgehoogde versie ervan, en de dag dat een leverancier een prijs wijzigt, is de wijziging dezelfde dag bij ons live. Eén API voor 200+ modellen, automatische failover tussen providers wanneer er een hapert, en een routing-DSL om modellen samen te stellen — dat is het mechanisme dat Tencent HY4 Preview zal dragen zodra het routerbaar wordt, naast de andere open en gesloten modellen die al in de catalogus staan.

De onderdelen die niet op een specificatieblad passen

Twee beweringen in het lanceermateriaal verdienen afzonderlijke aandacht, omdat ze gaan over hoe het model is gebouwd, niet over wat het scoorde.

De eerste is de zelfverbeteringslus. Tencent zegt dat Tencent HY4 Preview heeft deelgenomen aan zijn eigen onderzoek en ontwikkeling — het werd gebruikt om de trainingsmethoden, datastrategie, evaluatiesystemen en onderliggende operatoren te optimaliseren die het model hebben voortgebracht. De doorvoerwinst van 31,8% is de meest concrete publieke uitkomst van die lus: Tencent schrijft die toe aan knelpunten die het model in zijn eigen serving-stack identificeerde. Dat is een eerste recursieve zelfverbeteringscyclus: een model dat helpt bij het ontwerpen van de volgende versie van zichzelf. Het is niet ongebruikelijk dat een frontier-lab delen hiervan rapporteert, maar een Chinees open-weight model dat de lus publiekelijk beschrijft als een opgeleverde functionaliteit, is een fundamentele verandering in hoe deze releases over zichzelf praten.

Het tweede resultaat is wiskundig. Tencent meldt dat het model de bekende ondergrens van het volume in het Blaschke–Lebesgue-probleem — een al lang openstaande vraag in de convexe meetkunde over het lichaam met constant breedte en minimaal volume — heeft verbeterd van 0,380799 naar 0,41104, waarmee het binnen ongeveer 2% van de grens uit het vermoeden van de Meissner-tetraëder komt. Tencent meldt ook een versnelling van 2,0x in een simulatie van een fosfolipide dubbellaag met 32.512 atomen, teruggebracht tot 54,9 milliseconden per stap, in het wetenschappelijk onderzoeksspoor. Dit zijn de soort resultaten waar doorgaans een eigen paper aan wordt gewijd; hier zijn het lanceerpunten, en net als de rest van het lanceringsmateriaal betreft het Tencents eigen weergave.

Wat ontbreekt er, eerlijk gezegd

Tencent vermeldt de bekende beperkingen duidelijk, en ze zijn belangrijk voor iedereen die beslist wat hij op dit model wil bouwen. Er is geen visuele of multimodale invoer — Tencent HY4 Preview is een tekstmodel, punt uit, dus alles wat met beeld of video te maken heeft, hoort op een ander model thuis. Tencent wijst er ook op dat het model een trage start vertoont bij complexe taken — lang nadenken vóór de eerste uitvoer — en een neiging tot overmatige zelfverificatie, waarbij tokens worden verbruikt om werk dat het al heeft gedaan dubbel te controleren. Die combinatie is precies verkeerd voor latentiegevoelige chat en precies aanvaardbaar voor offline batch-engineeringwerk, wat aangeeft waar Tencent verwacht dat je het draait.

En het belangrijkste dat ontbreekt, is verificatie. Er zijn nog nergens onafhankelijke scores voor Tencent HY4 Preview — niet op een openbaar leaderboard, niet van een evaluatielab van derden, en zelfs geen Artificial Analysis-entry. Het model is daar te nieuw voor. De interne blinde experttest is een nuttig signaal over hoe Tencent's eigen reviewers het zien ten opzichte van GLM-5.3 en Kimi K3, maar het zijn Tencent's reviewers op Tencent's taken. Alles wat boven het specificatieblad uitgaat, is een bewering die op controle wacht.

Wie moet vandaag de gewichten trekken

Het eerlijke antwoord is dat deze release zich netjes in twee doelgroepen laat opsplitsen. Als je engineering-workloads op je eigen infrastructuur draait en de kosten van closed API's je hebben tegengehouden, dan is Tencent HY4 Preview op dit moment een serieuze weekendtest waard: de gewichten zijn open, het contextvenster is op repository-schaal, en de catalogusprijs maakt een lange agentic loop betaalbaar op een manier waarop een model van $25 per miljoen output dat nooit zal zijn. Als je een latentiegevoelige productiechat draait, of iets multimodaals, of iets waarbij je je geen model kunt veroorloven waarvan het enige bewijs de eigen benchmarks van de leverancier zijn, wacht dan — het tweemaandelijkse iteratietempo dat Tencent sinds februari aanhoudt, suggereert dat een volledige Hy4-release niet ver weg is, en de preview is uitdrukkelijk een vroege iteratie met bekende tekortkomingen.

De praktische middenweg is een routeringspatroon: draai het bewezen model op je kritieke pad en het nieuwe model ernaast, waarbij je Tencent HY4 Preview inschakelt voor taken waar het kostenprofiel gunstig is en automatisch terugvalt wanneer dat niet zo is. Dat is het patroon waarvoor een router bestaat — dezelfde OrcaRouter die Claude Opus 5, DeepSeek V4 Pro en Gemini 3.1 Pro tegen de lijstprijzen van hun providers vervoert, zal dit model ook vervoeren op de dag dat Tencent het beschikbaar stelt. Tot die tijd staan de gewichten op GitHub, is de API op Tencent Cloud, en heeft de bewering dat een open-weightmodel de top van agentisch coderen heeft bereikt eindelijk een concreet getal. Het getal is van Tencent. De test is van jou.