
Hy4 flash Vision: 74.8 MMMU-Pro i dlaczego 52.0 wciąż się utrzymuje
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 184 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 675 tok/s
- AlibabaNOWOŚĆQwen: Qwen4 Max2026-11-16$1.50 / $4.50 za 1 mln tokenów · 385 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
20 listopada 2026 r. otwarty pull request zgłoszony do SGLang zaproponował obsługę wizyjno-językową dla Hunyuan-4-Flash — nazwy, której framework używa na określenie Hy4 flash, modelu o 220 miliardach parametrów, który Tencent udostępnił w swoim API 16 listopada, a dzień później opublikował jako wagi. W opisie PR, pod nagłówkiem „Dokładność / Testy”, ukryta jest pierwsza liczba MMMU-Pro, jaką ktokolwiek opublikował dla wersji instruct modelu: 74,78%, uśredniona po trzech uruchomieniach na pierwszych 300 przykładach. Karta modelu Tencent podaje 52,0 w MMMU-Pro dla Hy4 flash. Te dwie liczby różnią się o 22,8 punktu i nie należy ich od siebie odejmować, ponieważ nie opisują tego samego. Ustalenie, co każda z nich faktycznie opisuje, to większość tego, czego czytelnik potrzebuje, zanim zdecyduje, czy Tencent Hy4 pozostaje modelem, który należy wywołać, gdy w grę wchodzi obraz.
Co tak naprawdę zawiera pull request
PR jest jednym z trzech, które dzielą wcześniejszą zmianę zbiorczą, i jest wyraźnie nałożony na ten dotyczący modelu tekstowego. Na dzień 21 listopada jest otwarty, niezmergowany, zawiera pojedynczy commit obejmujący osiem plików (+1,883 / −13), a wszystkie trzy sloty CI pokazują „Skipped — add the run-ci label”. Nie ukończono żadnej recenzji code-ownera. Obsługa tekstu, na której się opiera, również pozostaje otwarta. Tak więc nic z tego nie trafiło do wydanej kompilacji SGLang; wpis w cookbooku dla Hy4 flash nadal opisuje wyłącznie obsługę tekstu i wprost stwierdza, że obsługa „nie znajduje się jeszcze w wydanym wheelu SGLang”.
To, co robi ten diff, to podłączenie wieży wizyjnej do ścieżki serwowania od początku do końca. Najważniejsze elementy:
• ViT i jego projektor są podzielone na shardy w ramach tensorowej równoległości uwagi, dzięki czemu wieża obrazowa nie stanowi wąskiego gardła pojedynczego ranka w węźle z wieloma GPU.
• Multimodalne kodowanie pozycji to przeplatane MRoPE — pozycje (t, h, w) dla każdego slotu — przenoszone zarówno do warstw uwagi, jak i do rope'a IndexPool, którego warstwy rzadkie używają do wyboru kontekstu; to właśnie ta część po cichu by się zepsuła, gdyby przekonwertowano wyłącznie ścieżkę gęstą.
• Szkoli się haszowanie Engram, aby przywracało identyfikatory tokenów obrazów i wideo, które występują pod wartościami dopełnienia, oraz aby pomijało ich haszowanie, dzięki czemu tabele pamięci n-gramów nie zużywają tokenów multimediów tak, jakby były tekstem.
• Flaga language_model_only pozwala temu samemu silnikowi obsługiwać model tekstowy bez uruchamiania ścieżki multimodalnej.
Ten ostatni szczegół to uczciwe podsumowanie sytuacji: kod został napisany tak, aby obsługa wizji była opcjonalna, ponieważ w przypadku większości wdrożeń modelu z 12 mld aktywnych parametrów tak właśnie będzie.

Dlaczego 74,8 to nie jest skok o 22 punkty
Trzy rzeczy odróżniają liczbę z PR-u od liczby z karty, a każda z nich przesuwa ją w korzystnym kierunku.
Pierwsza kwestia to checkpoint. Karta Tencent podaje wyniki multimodalne wyłącznie dla modeli base i mówi to wprost: „Wyniki multimodalne są podawane tylko dla Hy4 flash Base i Hy4 Base”. Hy4 flash Base uzyskuje 52,0 w MMMU-Pro (Standard, 10 opcji, 4-shot); większy Hy4 Base uzyskuje 59,6. Checkpointy instruct — te, które faktycznie się wdraża — nie mają w ogóle opublikowanego wyniku multimodalnego. PR mierzy model instruct, więc wypełnia rzeczywistą lukę, a nie przebija liczby, z którą go porównano.
Drugi element to elicytacja. PR działa przy temperaturze 0,9 i top-p 1,0 z reasoning_effort=high oraz budżetem ukończenia wynoszącym 32 768 tokenów. Bazowa ewaluacja Tencenta to 4-shot, bez łańcucha myśli. W zadaniu wielokrotnego wyboru z dziesięcioma opcjami model instruowany, któremu pozwala się rozumować przed odpowiedzią, niemal z założenia pokona model bazowy w trybie 4-shot; ta różnica to post-training, a nie poprawa widzenia. Traktuj 74,8 jako „model instruowany, zapytany właściwie”, a 52,0 jako „model bazowy, zapytany w standardowy sposób”. To dwa różne pomiary dwóch różnych artefaktów.
Trzecia kwestia dotyczy podzbioru. PR ocenia pierwsze 300 przykładów, a nie pełny zbiór, i nie mówi, jak wybrano te 300. Przy 300 elementach i proporcji bliskiej 0,75 sam standardowy błąd próbkowania wynosi około 2,5 punktu, więc 95-procentowy przedział dla tej jednej liczby to mniej więcej ±5 punktów, zanim uwzględni się jakikolwiek efekt kolejności pytań. Trzy własne przebiegi PR dały wyniki 74,33, 75,33 i 74,67 — rozrzut wynoszący jeden punkt, który jest węższy niż błąd próbkowania, i warto o tym wiedzieć: wariancja między przebiegami na stałym podzbiorze zaniża to, jak bardzo liczba zmieniłaby się na innym zestawie 300 pytań. Druga konfiguracja w tym samym PR — pełny stos z kodem dekodowania spekulacyjnego, ale bez spekulacji — osiąga średnio 74,00 na tym samym podzbiorze i wykazuje rozrzut 5,3 punktu między trzema przebiegami. Żadna z tych liczb nie jest błędna. Żadna nie jest wynikiem benchmarku w takim sensie, jakiego potrzebuje decyzja zakupowa.
To, co PR faktycznie ustala — i ta część jest solidna — to że pipeline jest poprawnie spięty, a nie tylko się kompiluje. GSM8K na 200 elementach osiąga 97,00% przy załadowanej wieży wizyjnej — w granicach jednego punktu od tego, co raportowała gałąź tekstowa, więc ścieżka multimodalna nie pogarsza głowicy językowej. Syntetyczne prompty obrazowe obejmujące kształty i kolory, OCR, wykres słupkowy oraz zliczanie linii zostały poprawnie obsłużone. To test dymny, który przeszedł, i to jest właściwe stwierdzenie, jakie można sformułować na temat PR-a: kod działa. Liczba dokładności jest efektem ubocznym jego uruchomienia.
![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)
Tokeny wideo, które nie oznaczają wideo
Tytuł PR-a mówi o wejściu obrazu i wideo, diff zawiera video_start_token_id, video_end_token_id i video_token_id, a jeden ze zmodyfikowanych procesorów obsługuje próbkowanie klatek wideo. Na tej podstawie łatwo byłoby zaklasyfikować Hy4 flash jako model wideo. Nie rób tego. Ten sam diff zawiera wyraźny zabezpiecznik — „HYV4 vision does not support video token compression” — z obiema flagami kompresji przestrzennej i czasowej ustawionymi na false. Karta dostawcy nigdy nie twierdzi, że to wideo: mówi, że model „natywnie przyjmuje dane wejściowe w postaci tekstu i obrazów, generuje tekst”. A przepis vLLM, który już obsługuje model, ustawia --limit-mm-per-prompt '{"image":1,"video":0}', jeden obraz i brak wideo na prompt.
Stałe wideo to więc infrastruktura dla ścieżki zamkniętej z obu końców: framework rozpoznaje identyfikatory tokenów, żeby się na nich nie wywracać, i wyłącza kompresję, której potrzebowałaby prawdziwa implementacja wideo. Ktoś, kto w podsumowaniu PR czyta „obraz i wideo na wejściu” i planuje pipeline wideo wokół 220B modelu z otwartymi wagami, czyta plan rozwoju, a nie realną możliwość.
Co faktycznie możesz uruchomić już dziś
Obraz sytuacji różni się w zależności od środowiska uruchomieniowego i to jest praktyczny wniosek.
• vLLM — obsługuje już ścieżkę wizyjną. Opublikowana recepta wskazuje klasę HYV4FlashVLForConditionalGeneration i domyślnie pozwala na jeden obraz na prompt. To jest trasa, która istnieje obecnie.
• SGLang — serwowanie tekstu jest dostępne za pośrednictwem obrazu lmsysorg/sglang:hy4-flash, a poświęcona mu strona cookbook nie zawiera nigdzie żadnej wzmianki o wizji, obrazach ani funkcjach multimodalnych. Obsługa wizji to wspomniany powyżej otwarty PR; staje się dostępna, gdy stack zostanie scalony i zostanie wydany wheel — i nie wcześniej.
• Własne API Tencent — wejście obrazowe było częścią opisu premiery, a nasz katalog wymienia tencent/hy4-flash jako tekst+obraz→tekst z kontekstem 1 048 576 tokenów, 65 536 tokenami wyjściowymi i ceną 0,0175 USD za milion tokenów wejściowych wobec 0,07025 USD za milion tokenów wyjściowych. To wartości katalogowe odczytane dzisiaj, a nie ponowne wycenienie karty w RMB z tygodnia premiery, i te dwie wartości się nie zgadzają — stawki kontynentalne przeliczają się na około czterokrotność ceny wejściowej. Nie wysłaliśmy wywołania z obrazem, aby zweryfikować część wizyjną na potrzeby tego tekstu, a rozbieżność między tymi dwoma frameworkami obsługi to dobry powód, by przetestować to samodzielnie, zanim zaczniesz na tym polegać.

Powód, dla którego należy testować, a nie zakładać, jest taki, że model może być reklamowany jako multimodalny, być multimodalny w swoich wagach, a mimo to pozostawać wyłącznie tekstowy na punkcie końcowym, do którego akurat wywołujesz. Dokładnie w takim stanie Hy4 flash znajduje się od pięciu dni: enkoder wizji został dostarczony wraz z checkpointami, a stosy serwujące nadrabiały zaległości jedna PR na raz.
Gdzie to pozostawia wybór
Jeśli potrzebujesz dziś rozumienia obrazów z linii Hunyuan i ma to być rozstrzygnięte pytanie, a nie projekt integracyjny, odpowiedź nadal brzmi Tencent Hy4. Stał się powszechnie dostępny 4 listopada, a jego kluczowymi możliwościami są wizja i korzystanie z komputera; jego udokumentowane zachowanie obejmuje odczytywanie szczegółowych wykresów i diagramów, a nie domyślnego w przepisie flash układu jednego obrazu na prompt. Jest też kilkukrotnie droższy: $0.834 na wejściu i $2.501 na wyjściu za milion w tym samym katalogu. Hy4 flash w cenie $0.0175 to model wyceniony jak towar masowy, ze ścieżką wizyjną, która jest realna, ale świeżo podłączona.
Wynikająca z tego reguła decyzyjna jest mało efektowna. Kieruj teraz prace związane z tekstem i dokumentami do Hy4 flash. Kieruj prace związane z obrazami do Tencent Hy4 do momentu, gdy albo Tencent opublikuje wyniki multimodalne modelu instruct, albo stack SGLang zostanie scalony i będzie można przetestować wydany wheel — w zależności od tego, co nastąpi pierwsze, przy czym na dzień 21 listopada nie wydarzyło się ani jedno. Nie ma powodu wybierać jednego i porzucać drugiego: oba są tutaj na jednym kluczu, ceny listowe dostawcy są przenoszone z 0% marżą, a reguła routingu może kierować żądania zawierające obrazy do flagowego modelu, podczas gdy tekst trafia do taniego modelu — bez drugiej umowy i bez zmiany kodu. Automatyczne przełączanie awaryjne obejmuje przypadek, w którym nowsza ścieżka wizyjna okaże się tą, która zawodzi na rzeczywistych obrazach.
Co obejrzeć dalej
Trzy rzeczy zmieniłyby ten tekst, a każdą z nich można zweryfikować.
Scalanie stosu. PR dotyczący wizji opiera się na PR tekstowym, który sam nie został scalony; oba wymagają przeglądu, a CI nie uruchomiło się dla żadnego z nich. Dopóki nie zostanie wydany wheel, żaden użytkownik SGLang nie może serwować obrazów Hy4 flash, niezależnie od tego, co mówi diff.
Tencent publikuje multimodalne wyniki modeli instruct. Multimodalna tabela na karcie obejmuje wyłącznie bazowe checkpointy, a to nietypowe pominięcie jak na premierę, która stawiała na multimodalność. Wiersz MMMU-Pro dla pełnego zestawu dla Hy4 flash instruct, przeprowadzony przez Tencent lub niezależnego ewaluatora, zastąpiłby każde oszacowanie w tym artykule pomiarem.
Artificial Analysis dodaje model. Na dzień 21 listopada na liście rankingowej nie ma wpisu Hy4 flash — URL modelu zwraca 404 — więc nie ma zewnętrznego indeksu, prędkości ani wyniku znormalizowanego względem ceny, z którymi można by to porównać. Relacje z tygodnia premiery modelu opierały się na własnym pakiecie WorkIndex firmy Tencent i wewnętrznym ślepym teście na 85 osobach; żadne z nich nie dotyczy wizji.
Dopóki któreś z nich się nie pojawi, 74,8 należy podawać w zdaniu wraz z dołączonymi kwalifikatorami: checkpoint instruct, 300 elementów, wysoki wysiłek rozumowania, trzy przebiegi, wyrywkowe sprawdzenie przez jednego z autorów frameworka na PR, który nie został poddany przeglądowi. To najlepsza liczba, jaka istnieje dla strony wizyjnej Hy4 flash. To niższa poprzeczka, niż to brzmi, a uczciwa interpretacja jest taka, że można teraz wykazać, że wizja modelu została zaimplementowana, i wciąż jest w dużej mierze niezmierzona.
Porównane w tym artykule2
Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie
