Um cartão de título gerado com o texto 'Hy4 flash tem pesos abertos', com três blocos de repositório rotulados 'Hy4 flash', 'Hy4 flash-FP8' e 'Hy4 flash-Base', uma faixa de especificações com o texto '220B no total / 12B ativos / contexto de 1M / imagem de entrada, texto de saída', e um rodapé com o texto 'Pesos publicados em 17 de novembro de 2026 sob a Tencent Hy License v1.0.'
Guides & Insights

Hy4 flash agora tem pesos abertos: leia a Seção 10 antes de baixá-lo.

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

A Tencent Hy License, Version 1.0, é um derivado da Apache 2.0 com uma seção extra, e essa seção é o motivo para ler esta versão com atenção em vez de apenas baixar o checkpoint. A Seção 10.2 diz que, se você opera um negócio de modelo como serviço e sua receita bruta mundial exceder US$ 50 milhões em qualquer período de doze meses — ou se seu produto ultrapassar 100 milhões de usuários ativos mensais —, você precisa de uma licença escrita separada da Tencent antes de usar os pesos ou continuar a usá-los. A Seção 10.3 isenta o uso interno. A Seção 2 da concessão Apache é onde ficam os direitos livres de royalties, e a Seção 10.2 começa com as palavras "Não obstante as Seções 2 e 3". Portanto, o download é gratuito e a implantação não é incondicionalmente gratuita, e a linha entre os dois é traçada conforme terceiros possam ou não acessar o modelo por meio da sua infraestrutura.

Esse é o enquadramento do que a Tencent publicou em 17 de novembro de 2026 às 03:44 UTC, quando três repositórios apareceram no Hugging Face com noventa segundos de diferença entre si: Hy4 flash, o modelo de chat ajustado por instruções; Hy4 flash-FP8, o mesmo modelo em FP8; e Hy4 flash-Base, o checkpoint pré-treinado sem nenhum pós-treinamento. O modelo de instrução tem 220 bilhões de parâmetros totais, dos quais 64 bilhões estão em tabelas Engram, com 12 bilhões ativos por token; é nativamente multimodal na entrada e está configurado para um contexto de 1.048.576 tokens. É o mesmo modelo que a Tencent disponibilizou em sua API dois dias antes, em 16 de novembro, com a diferença de que agora você pode executá-lo em hardware próprio.

O que está realmente nos três repositórios?

A separação é mais limpa do que na maioria dos lançamentos de pesos abertos, porque os três checkpoints são genuinamente coisas diferentes, e não três nomes de arquivo para um único artefato.

• Hy4 flash — o modelo instruct, com template de chat e modos de raciocínio incluídos. Suporta reasoning_effort em high (o padrão, com raciocínio ativado) e no_think (respostas diretas). A Tencent recomenda temperature 0.9 e top_p 1.0.

• Hy4 flash-FP8 — os mesmos pesos quantizados para serving em produção. É para este que apontam as receitas oficiais do vLLM e do SGLang, e é este que a Tencent diz ultrapassar 150 tokens por segundo num nó tensor-parallel-8.

• Hy4 flash-Base — apenas pré-treinado. O cartão deixa explícito que este "é um modelo base pré-treinado, não um modelo de chat ajustado por instruções", o que importa porque todas as tabelas de benchmark do lançamento são tabelas de base contra base. Os números do modelo instruct são os dados de WorkIndex e de teste cego do fornecedor, não uma suíte pública de avaliação.

Dois detalhes nos metadados valem mais do que parecem. O primeiro é que os repositórios estão sinalizados como imagem-texto-para-texto no nível do pipeline, portanto o codificador de visão é enviado junto com os pesos, em vez de ser acoplado a jusante. O segundo é uma discrepância nos números: o material de lançamento da Tencent de 16 de novembro descrevia o modelo como 224B, e a tabela do próprio cartão do modelo soma 220,3B — 155,5B de backbone, 63,5B de Engram, 0,43B de ViT, 0,85B do modelo de rascunho DFly2. Nenhum dos números está errado no contexto; o valor de 224B parece incluir o modelo de rascunho DFly2 e arredondar de forma diferente, enquanto a tabela do cartão exclui Engram, ViT e DFly2 da sua própria linha de backbone de 155,5B e depois os adiciona de volta. Quando um fornecedor disponibiliza dois totais para um mesmo modelo, é o cartão que deve ser citado.

A generated reference card headed 'What the three repositories actually contain', listing the three checkpoints with a one-line description each and a separate outlined panel headed 'Tencent Hy License v1.0, section 10.2' noting the separate written licence above US$50M annual gross revenue or above 100M monthly active users as a service.

A arquitetura é um argumento de custo vestido com roupas de arquitetura

Muito pouco deste design faz sentido se lido como uma aposta em capacidade. Lido como uma forma de reduzir o cache KV e a etapa de decodificação, tudo nele faz sentido.

• Atenção — atenção esparsa IndexPool intercalada com atenção de janela deslizante de 512 tokens numa proporção de 1:3, sobre uma formulação de atenção latente multi-head (MLA). As camadas esparsas selecionam até 2.048 tokens por seleção em nível de grupo; há 12 camadas esparsas e 30 camadas SWA em todo o backbone de 42 camadas.

• Roteamento — 512 especialistas roteados mais um especialista compartilhado por camada MoE, 16 roteados ativados por token, operando em um espaço LatentMoE de dimensão 1.536 em vez da largura total do especialista.

• Engram — representações aprendidas de bigramas e trigramas recuperadas por consultas de hash multi-head nas camadas 1, 11, 21 e 31 do backbone. Esses são os 63.5B que o card contabiliza separadamente do backbone.

• Rascunhador — DFly2, um modelo de decodificação especulativa de 5 camadas e 0,85B que reutiliza o cache KV esparso e a seleção do indexador do modelo-alvo, em vez de manter os seus próprios. A Tencent afirma um custo de rascunho constante de cerca de 2.048 chaves por token de rascunho, independentemente do comprimento do contexto, e zero memória KV extra.

• Número de eficiência em destaque — cache KV a 1/24 do Hy3 e 1/6 do Hy4, informado pelo fornecedor e não medido de forma independente.

• Pós-treinamento — autodestilação a partir do Hy4 mais aprendizado por reforço, que, segundo a Tencent, reduz em 50% a média de tokens de saída de ponta a ponta. É das saídas mais curtas que vem, na verdade, boa parte da economia de custos, e é a parte menos visível em qualquer tabela de preços por token.

Em conjunto, trata-se de um modelo projetado para que um contexto de 1M de tokens não custe o que um contexto de 1M de tokens normalmente custa para ser servido. O comprimento do contexto é a frase de marketing; a fração de cache KV é a alegação de engenharia por trás dela.

Screenshot of the Hugging Face model card for tencent/Hy4-flash, showing the three-model release line, the Model Links table and the quickstart snippet.

O que a Tencent mediu, e o que não mediu.

Todos os números desta seção são da Tencent, produzidos na infraestrutura de testes da Tencent, e nada disso foi reproduzido fora da empresa. O Artificial Analysis não tem página para o Hy4 flash — a URL do modelo retorna 404 em 18 de novembro —, portanto não há pontuação de terceiros para colocar ao lado de qualquer um deles.

A tabela de modelos base compara o Hy4 flash-Base com o Hy4 Base, o Hy3 preview Base, o DeepSeek-V4-flash-Base e o DeepSeek-V4-Pro-Base, todos em um mesmo pipeline. É a tabela mais honesta do lançamento justamente porque perde linhas: o MMLU-Pro registra 71,1 para o Hy4 flash-Base contra 73,9 para o Hy4 Base e 73,4 para o DeepSeek-V4-Pro-Base; o SimpleQA registra 37,5 contra 57,2 e 52,1. Onde vence, vence por uma margem grande nas linhas de chinês e multilíngues — C-Eval 92,0, CMMLU 91,6, AGIEval Chinese 90,6, Belebele 93,8, INCLUDE 82,8 — o que era de se esperar de um modelo construído primeiro para os próprios produtos da Tencent.

Leia as letras miúdas do cartão antes de ler as pontuações. A Tencent afirma que a exposição intensa a dados sintéticos de instrução durante o treinamento intermediário deixa o modelo ocasionalmente incapaz de seguir "o formato de resposta esperado em avaliações com poucos exemplos, o que pode distorcer as pontuações" — um fornecedor sinalizando que algumas de suas próprias linhas podem estar medindo conformidade de formato em vez de capacidade. Trate cada número abaixo como um limite superior até que seu próprio harness concorde.

O modelo instruct não tem nenhuma tabela pública de benchmark. O que ele tem, em vez disso, é o WorkIndex, uma suíte interna de oito famílias de tarefas — criação de slides, edição de slides, coescrita de slides entre humanos e IA, coescrita de Markdown, edição de documentos, reparo de planilhas, processamento de áudio/vídeo e compreensão visual. O Hy4 flash marca 42,1 ali, contra 39,7 do Hy4 preview e 51,4 do próprio Hy4, a um custo médio por tarefa que a empresa estima em 1/13 do Hy4 preview, 1/20 do Hy4 e 1/8 do DeepSeek-V4.1-Flash-1017 com preços de horário de pico. E há uma avaliação cega com 85 usuários internos do WorkBuddy em 259 tarefas de 27 categorias, na qual o Hy4 flash obtém 2,79 de 4 em satisfação, contra 2,81 do Claude Haiku 5.5, com mediana de 6,7 minutos e RMB 0,26 por tarefa.

Essas são medições reais de uma população real. Também são medições de funcionários da Tencent fazendo um trabalho moldado pela Tencent, avaliados segundo uma rubrica escrita pela Tencent, e a diferença de 0,02 ponto em relação à pontuação de satisfação de um concorrente está bem dentro de qualquer faixa plausível de ruído. Trate a ordenação do WorkIndex como um sinal direcional do fornecedor e nada mais.

É na licença que este lançamento será realmente avaliado.

Pesos abertos não são código aberto, e a Licença Tencent Hy torna a distinção excepcionalmente concreta. Quatro cláusulas decidem o que uma determinada equipe pode fazer:

• Concessão de base — as permissões da Apache 2.0, incluindo uso comercial, modificação e redistribuição, aplicam-se aos pesos, parâmetros, configuração, código de inferência e documentação.

• O gatilho de MaaS — é necessária uma licença escrita separada se você fornecer acesso remoto de terceiros à inferência ou ao ajuste fino e ultrapassar US$ 50 milhões em receita bruta mundial em qualquer período de doze meses. A receita derivada do modelo conta, e a receita que não tem nada a ver com ele também: a cláusula diz "quer ou não tal receita seja derivada da Obra."

• O gatilho de escala — o mesmo requisito se aplica antes de usar os pesos em qualquer produto com mais de 100 milhões de usuários ativos mensais em um mês civil, em qualquer nível de receita.

• Duas exceções — produtos para usuário final cujo acesso ao modelo está restrito a funcionalidades específicas, em vez de prompting de uso geral, ficam fora da definição de MaaS, e "apenas repassar solicitações a um serviço de modelo de terceiros operado de forma independente" também está excluído. O uso exclusivamente interno é isento de forma absoluta.

Compare isso com a licença do checkpoint ERNIE 5.5 Flash Base, que exclui totalmente a UE, o Reino Unido e a Coreia do Sul como territórios. A Tencent não exclui qualquer território. Em vez disso, tributa a escala. Para uma startup que cria um produto sobre os pesos, esse é um documento substancialmente mais favorável do que uma proibição territorial. Para um fornecedor de inferência de média dimensão, é um telefonema para [email protected] antes do lançamento.

Servindo-o: três caminhos reais, todos eles fixados

A narrativa de implantação é mais completa do que a narrativa da API na semana de lançamento, e também é mais frágil do que um produto com suporte, exatamente da forma como o suporte inicial a frameworks sempre é.

• vLLM — a imagem oficial vllm/vllm-openai:hy4-flash, tensor-parallel 8, o checkpoint FP8, --attention-backend FLASHMLA_SPARSE, decodificação especulativa DFly com 5 tokens e os parsers de chamada de ferramenta e de raciocínio hy_v4.

• SGLang — lmsysorg/sglang:hy4-flash, multi-arquitetura em x86 e Arm, tensor-parallel 8, --speculative-algorithm DFLY com tamanho de bloco 6.

• Transformers — ainda não está em uma versão lançada. O card orienta a instalar a partir de uma ref de pull request (refs/pull/50903/head) até que o merge seja concluído, o que é o sinal mais claro possível de quão novo isso é.

Quantização — uma build GGUF do kit AngelSlim está disponível por link para testes de ponta a ponta, e um guia de ajuste fino acompanha o repositório.

Imagens fixadas e uma referência de PR significam que o modelo funciona hoje nas builds exatas que a Tencent testou e pode não funcionar na próxima versão menor de qualquer um dos frameworks. Vale a pena saber disso antes de colocá-lo atrás de um endpoint de produção, e é por isso que as receitas de framework importam mais do que a tabela de benchmark para quem realmente está implantando.

O que os pesos abertos fazem com o preço da API

O preço de tabela da Tencent na China continental para o Hy4 flash é ¥0,5 por milhão de tokens de entrada, ¥2 por milhão de saída e ¥0,02 por acerto de cache — aproximadamente US$ 0,070, US$ 0,281 e US$ 0,003 às taxas atuais. Esses são os preços de tabela do fornecedor, não uma medição.

Esse preço não é o que muda quando os pesos são distribuídos. O que muda é o piso sob ele. Um modelo que você pode baixar tem um segundo preço, que é o custo das GPUs em que você o executa, e toda a arquitetura descrita acima é um argumento de que esse segundo preço é incomumente baixo para um modelo com contexto de 1M. As próprias proporções de custo por tarefa de 1/8 a 1/20 da Tencent são esse argumento em aritmética de fornecedor.

OrcaRouter roteia mais de 200 modelos por trás de uma única API com o preço de tabela do provedor repassado com 0% de markup, então uma alteração de preço do fornecedor entra em vigor do nosso lado no mesmo dia, em vez de só na próxima reconstrução do catálogo. O Hy4 flash em si ainda não está nesse catálogo — o que está lá é tencent/hy4-preview, o modelo professor de 770B/49B do qual este foi destilado, a US$ 0,834 de entrada e US$ 2,501 de saída por milhão, com uma taxa de leitura de cache de US$ 0,042. Se você quiser avaliar a família antes de se comprometer com uma implantação FP8 auto-hospedada, o preview é o modelo que você pode chamar hoje; os pesos são para o que você migra quando os números se sustentam. O failover automático é a outra metade dessa postura, porque um checkpoint de dois dias rodando em um build de Transformers de PR-ref é exatamente o tipo de dependência que você quer ter uma segunda rota por trás.

Screenshot of the tencent/hy4-preview model page, showing the per-million-token input, output and cache-read prices the routed preview model is listed at.

O que assistir

Três coisas vão determinar se este lançamento será relevante daqui a seis meses, e nenhuma delas é a tabela de benchmarks.

Primeiro, o 404. O Hy4 flash não tem pontuação independente. Até que a Artificial Analysis ou equivalente o avalie, toda alegação de capacidade neste texto é da Tencent, e a posição honesta é que o modelo é não medido, e não bem medido. Segundo, as mesclagens no framework: quando o suporte no Transformers sair do pull request 50903 e as imagens do vLLM e do SGLang deixarem de estar fixadas, o modelo deixa de ser um artefato de pesquisa e passa a ser infraestrutura. Terceiro, as interpretações da licença — a primeira empresa a operar um negócio de MaaS de US$ 60 milhões com esses pesos dirá a todos como a Seção 10.2 é realmente lida.

A Tencent encerrou seu anúncio com a frase "fique ligado, o Hy4 vem a seguir", que é uma promessa de que o modelo com 51,4 no WorkIndex nos gráficos de custo receberá o mesmo tratamento. Se isso acontecer, a pergunta interessante deixa de ser se a Tencent consegue lançar um modelo flash aberto e barato e passa a ser se ela consegue lançar um caro que compita em capacidade, e não em preço.

Comparados neste artigo2

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente