
Hy4 vs Kimi K3.1 Pro: beide downloadbaar, één zelf te hosten
- OrcaNIEUWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 mln tokens · 182 tok/s
- tencentNIEUWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 mln tokens · 749 tok/s
- AlibabaNIEUWQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 mln tokens · 1902 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 · 149 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 mln tokens · 96 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 · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 mln tokens · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 mln tokens · 109 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 · 90 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 · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligentie
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 mln tokens · 109 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
Kimi K3.1 Pro scoort 46,5 op de Artificial Analysis Intelligence Index. Tencent Hy4 scoort 34,6. Dat is een gat van 12 punten, en het is de grootste achterstand die Hy4 deze week in welke onderlinge vergelijking dan ook oploopt — groter dan die tegen Qwen4-Max, meer dan tien keer zo groot als die tegen Grok 4.7. Op de ranglijst is Kimi K3.1 Pro het beste open-weightmodel dat erop staat, de eerste van 32 in zijn klasse.
Dan kijk je naar wat de twee wegen. Kimi K3.1 Pro is een model met 2,78 biljoen parameters en 104 miljard actieve parameters per token. Tencent Hy4 heeft 774 miljard parameters in totaal en 49 miljard actieve. Beide werden gepubliceerd als downloadbare gewichten — Kimi's op 2 november 2026, Hy4's op 18 november, met drie weken ertussen. Slechts één van de twee past op een machine die een normaal bedrijf bezit, en dat enkele feit herordent de hele vergelijking. Dit is geen verhaal over welk model slimmer is. Het is een verhaal over welk model je daadwerkelijk kunt draaien, en wat het slimmere model je per voltooide taak kost als je het in plaats daarvan huurt.
De enige benchmark die dit bepaalt
Minimale deploybare voetafdruk, met de door de leverancier zelf aanbevolen precisie:
• Tencent Hy4 — 774 miljard parameters in BF16, gepubliceerd als 245 shards van ongeveer 12,9 GB en 6,4 GB, ongeveer 1,45 TB vóór enige kwantisatie. Tencent's eigen serveerrecept gebruikt tensorparallellisme van 8 op de GPU's van één enkele node met de FP8-build, wat ongeveer 786 GB aan gewichten is.
• Kimi K3.1 Pro — 2,78 biljoen parameters, 2,72 TB aan U8-gekwantiseerde gewichten in de repository zoals geleverd, waarbij de BF16-tensoren nog eens 57 GB in beslag nemen. Er is geen enkele configuratie met één node waarin dit model een weekendproject is.
Beide leveranciers leveren de software mee om het serveren haalbaar te maken, en beiden zijn daar ongewoon goed in. Tencent publiceert een vLLM-image-tag (vllm/vllm-openai:hy4) en een SGLang-image (lmsysorg/sglang:hy4) met de tensor-parallel- en speculative-decoding-flags volledig uitgeschreven; Kimi's repository levert een compressed-tensors-MXFP4-configuratie en een 4-bit-pad dat het gewichtsbestand terugbrengt tot de hierboven genoemde 2,72 TB. Geen van beide gaat over kleine modellen. Het verschil is dat een node met 8 GPU's een aankoop is die de meeste engineeringorganisaties kunnen goedkeuren, terwijl een deployment van 2,8 biljoen parameters een datacenterbeslissing is.
Als zelfhosting de reden was dat je geïnteresseerd was in open weights, dan is die zin het hele argument, en het hangt niet af van een benchmark.

Waar de twaalf punten leven
Een indexkloof van 12 punten klinkt uniform. Dat is het niet — Hy4 houdt zich staande op meerdere evaluaties en wordt op één ervan vernietigd.
• {{1}}Agentisch coderen, Terminal-Bench 4.0 — Kimi K3.1 Pro 67,2%, Tencent Hy4 37,4%{{/1}}. Een verschil van 30 punten, en de grootste afzonderlijke bijdrage aan het verschil in de index.
• Agentische wetenschap in een terminal, Terminal-Bench-Science — Kimi 34,3%, Hy4 12,9%.
• Software-engineering in echte repositories, FrontierCode-AA 2.0 — Hy4 31,4%, Kimi 25,5%. Hy4 is hier het betere model, met zes punten verschil, en het is de enige evaluatie waarin het werk van een terminalagent in echte repositories in het voordeel van Tencent uitvalt.
• Moeilijk redeneren, HLE-Diamond — Kimi 37,3%, Hy4 32,7%. Dichter bij elkaar dan de kop doet vermoeden.
• Natuurkunde, CritPt v2 moeilijke subset — Kimi 49,5%, Hy4 39,0%.
• Uitvoering van SaaS-workflows, AutomationBench-AA — Kimi 73,3%, Hy4 65,6%.
• Agentisch kenniswerk, AA-Briefcase Elo — Kimi 1.673,6, Hy4 1.445,9. Een Elo-verschil van 228 met niet-overlappende intervallen.
Het FrontierCode-resultaat is het resultaat waarbij je even moet stilstaan, want het spreekt de voor de hand liggende lezing van de andere zes tegen. Op een benchmark van het wijzigen van echte open-source-repositories staat Hy4 bovenaan. Op een benchmark van een schone terminalomgeving staat Kimi 30 punten voor. De modelkaart van Tencent verklaart waarom dat zo kan zijn: Hy4 is specifiek getraind op Tencents eigen game- en frontend-pipelines — Unreal, Unity, Godot, UI-statebeheer — en meldt een winst van 19,1% op zijn interne GameDev-suite ten opzichte van Hy4 preview. Dat is een model dat is afgestemd op het bouwen van dingen, geëvalueerd op een test van het repareren ervan. Neem beide rijen en de eerlijke conclusie is dat het coderingsverhaal afhankelijk is van de workload, niet dat het ene model beter codeert.

Een 3,6 keer lagere prijs, per voltooide taak
Hier wordt de vergelijking rekenwerk in plaats van discussie. Artificial Analysis rapporteert voor beide modellen een gemeten kost per taak in de Intelligence Index, waarin tokenprijzen, redeneerlengte en cachegedrag zijn meegenomen:
• Tencent Hy4 — $1,03 per taak, tegen $0,834 voor invoer en $2,501 voor uitvoer per miljoen tokens, 95% cachekorting tegen $0,042.
• Kimi K3.1 Pro — $3,68 per taak, bij $2,00 input en $10,00 output per miljoen tokens, 90% cachekorting bij $0,20.
Het verschil van 12 indexpunten kost dus per taak 3,6 keer zoveel. Per indexpunt kost Kimi ruwweg 4,4x zoveel. Dat is geen schandaal — een model dat echt beter is in moeilijk agentisch werk hoort meer te kosten — maar het zet de beslissing in een ander daglicht. Als je workload 67% op Terminal-Bench nodig heeft, is er geen alternatief en moet je betalen. Als je workload 37% nodig heeft, is drieënhalf keer zoveel betalen voor de overige 30 punten geld dat je uitgeeft aan capaciteit die je niet zult inzetten.
Er schuilt een secundaire kostenpost achter die het cijfer per taak verbergt. Kimi doet 39,7 minuten per indextaak tegenover 14,0 voor Hy4, en levert zijn eerste antwoordtoken na 162,8 seconden tegenover 115,9. Met 30 outputtokens per seconde tegenover 93 voor Hy4 is het traagste model in deze vergelijking, met een factor drie, ook het duurste. In een agentlus die honderden stappen doorloopt, versterken latentie en kosten elkaar in plaats van tegen elkaar te worden afgewogen.
Twee licenties met twee verschillende valkuilen
Beide modellen hebben open gewichten in de zin dat je ze kunt downloaden en gebruiken. Geen van beide is Apache 2.0, en het verschil tussen hun commerciële clausules is niet academisch:
• Tencent Hy4 — de Tencent Hy-licentie 1.0, afgeleid van Apache 2.0. Sectie 10 vereist een afzonderlijke schriftelijke overeenkomst voordat je het model als dienst aanbiedt, als je wereldwijde bruto-omzet in een willekeurige periode van 12 maanden meer dan $50 miljoen bedraagt, of als het product waarin het is opgenomen meer dan 100 miljoen maandelijkse actieve gebruikers heeft. Intern gebruik is uitgezonderd.
• Kimi K3.1 Pro — de Kimi K3.1-Pro-licentie. Dezelfde vorm van beperking, maar met een omzetdrempel van $20 miljoen in plaats van $50 miljoen.
Beide maken een uitzondering voor eindgebruikersproducten waarbij het model is ingebed in specifieke functies in plaats van te worden aangeboden als algemene modeltoegang. Beide staan het louter doorgeven aan een modeldienst van een derde partij toe. Simpel gezegd: een klein productteam dat een functie bouwt op een van beide modellen, zit goed. Een bedrijf dat op een van beide een inferencedienst draait, moet even bellen, en dat telefoontje kost bij Kimi minder dan de helft van de omzet.
Voor de volledigheid: de vorige generatie is de uitzondering: de Hy4-preview, die op 28 augustus 2026 werd uitgebracht, was Apache 2.0 zonder enige commerciële drempel. Iedereen die op de licentie van de preview heeft gebouwd en nu naar Hy4 overstapt, stapt over naar andere voorwaarden.
Beide uitvoeren zonder al te kiezen
De reden dat deze vergelijking niet op papier hoeft te worden beslecht, is dat beide modellen beschikbaar zijn via één endpoint waarbij het eigen tarief van de provider wordt doorgegeven: tencent/hy4 voor $0.834 en $2.501 per miljoen tokens, kimi/kimi-k3.1-pro voor $2.00 en $10.00 met cache-reads voor $0.20. Dat zijn de bovenstaande cijfers, zonder opslag, en een prijswijziging van een leverancier komt hier dezelfde dag door, niet pas bij een verlenging.
Voor een paar dat zo ver uit elkaar ligt qua capaciteiten en kosten, is het nuttige patroon geen splitsing — het is een plafond. Routeer naar kimi/kimi-k3.1-pro via de routing-DSL, stel tencent/hy4 in als automatisch failover-doel en kijk hoe vaak de failover afgaat. Als die zelden afgaat, betaal je voor Kimi's capaciteiten en krijg je die ook. Als die constant afgaat vanwege Kimi's latentie, heb je net iets ontdekt wat een benchmarktabel je niet kan vertellen, tegen Hy4's prijzen in plaats van die van Kimi. Model-fusie is de andere optie: een panel van de twee zou de redeneerkracht van het sterkere model het goedkopere tokenbudget van het zwakkere model laten dragen op de evaluaties waar ze convergeren.

Wat zou dit antwoord veranderen?
Drie dingen, in volgorde van waarschijnlijkheid. Ten eerste, een Hy4-fine-tune: de gewichten zijn al twee dagen openbaar, en de kloof van 30 punten op Terminal-Bench is precies het soort marge dat een gerichte fine-tune op de eigen terminaltraces van een bedrijf wegslijt. Ten tweede, een onafhankelijke evaluatie van Kimi K3.1 Pro met een hogere redeneerinspanning dan het standaardmaximum dat de index hanteert — het uitvoerplafond van 943.718 tokens in het record van het model is nog door niemand die resultaten publiceert benut. Ten derde, een Hy4 Flash-klasse-variant die de agentische training erft voor een kwart van de prijs, waardoor het kostenargument tegen Kimi nog moeilijker te pareren zou zijn.
Tot een van beide beschikbaar is, is de tweedeling helder. Kimi K3.1 Pro is het betere model en het duurdere, met een factor die overeind blijft of je nu per token, per taak of per indexpunt meet. Tencent Hy4 is degene die je op je eigen hardware kunt draaien, met een licentiedrempel die twee keer zo ruim is en een prijs die een derde zo hoog is. Geen van beide is een reden om spijt te hebben van de andere keuze.
Vergeleken in dit artikel2
Herkend uit dit artikel · Benchmarks: Artificial Analysis · dagelijks bijgewerkt
