Um cartão de destaque gerado intitulado 'Hy4 flash vs Qwen3.8-Flash', com um bloco esquerdo mostrando Tencent, 16 de novembro de 2026, $0.070 de entrada e $0.281 de saída por milhão, 220B no total com 11,3B ativos, contexto de 1.048.576 tokens, entrada de texto e imagem com saída de texto, e ainda sem pontuação independente; e um bloco direito mostrando Alibaba, no QwenCloud desde 26 de agosto de 2026, $0.15 de entrada e $0.47 de saída por milhão, MoE de 125B com cerca de 6B ativos, contexto de 1M e saída máxima de 131K, entrada de texto, imagem e vídeo com saída de texto, e um Índice de Inteligência de 28,6 para a versão de pesos abertos. Um rodapé informa que os preços do Hy4 flash são as tarifas de tabela da Tencent, os preços do Qwen3.8-Flash são a tabela do QwenCloud, e o valor do índice é do Artificial Analysis v5.0.1 para o Qwen3.8-Flash-Next.
Guides & Insights

Hy4 flash vs. Qwen3.8-Flash: o dobro dos parâmetros ativos, metade do preço por token

Autor

jinhao.song

Data de publicação

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

O modelo mais barato aqui é o maior. Hy4 flash ativa 11,3 bilhões de parâmetros de texto em cada token e tem preço de US$ 0,070 por milhão de tokens de entrada. Qwen3.8-Flash ativa cerca de 6 bilhões e tem preço de US$ 0,15. Quase o dobro de computação ativa por token, menos da metade do preço de entrada — e nenhum desses dois números é o que decide qual modelo você realmente deve chamar.

O Hy4 flash tem dois dias. A Tencent o disponibilizou em sua própria API em 16 de novembro de 2026, publicou os pesos no dia seguinte e lançou três repositórios para ele: o checkpoint instruct, uma versão FP8 e um modelo base. É uma mistura de especialistas de 220 bilhões de parâmetros, com 12 bilhões ativos, contexto de 1.048.576 tokens, entrada de imagem e saída de texto, sob a Licença Tencent Hy. O Qwen3.8-Flash está no QwenCloud desde que a Alibaba o abriu junto com os pesos do Qwen3.8-Flash-Next em 26 de agosto de 2026: um corpo de especialistas de 125 bilhões de parâmetros ativando cerca de 6 bilhões, além de uma tabela de embeddings n-gram de 51 bilhões de parâmetros, recebendo texto, imagem e vídeo e retornando texto, com contexto de 1M e saída máxima de 131K.

Então o formato desta comparação é incomum. Um modelo é a faixa barata mais bem documentada do mercado, e o outro é a menos documentada. Um tem uma linha de benchmark independente, e o outro tem um 404. E os dois cartões de preço estão denominados em moedas diferentes, vendidos em mercados diferentes e protegidos por diferentes quantidades de letras miúdas. A parte interessante não é o 2,1x na linha de entrada — é o que acontece com essa diferença quando você deixa de precificar tokens e começa a precificar trabalho concluído.

A inversão na tabela de preços, antes de qualquer outra coisa.

A tabela de preços da Tencent para a Hy4 flash na China continental indica ¥0,5 por milhão de tokens de entrada, ¥2 por milhão de saída e ¥0,02 por milhão de entrada em cache. A Tencent apresenta as mesmas três linhas em dólares como $0,070, $0,281 e $0,003. A tabela de preços da QwenCloud para o Qwen3.8-Flash indica $0,15 de entrada, $0,47 de saída, $0,016 por leitura de cache e $0,20 por milhão para criar explicitamente um cache de cinco minutos.

• Entrada — $0.070 contra $0.15. Hy4 flash é 2,1x mais barato.

• Saída — $0,281 contra $0,47. Hy4 flash é 1,7x mais barato.

Entrada em cache — US$ 0,003 contra US$ 0,016. O Hy4 flash é 5,3x mais barato no item de linha que domina qualquer agente que reenvie um prompt fixo.

Combinado na proporção de 3:1 entre entrada e saída — cerca de US$ 0,123 por milhão contra US$ 0,230.

• Mistura de 1:3, com predominância de saída — cerca de US$ 0,228 contra US$ 0,390.

Essa é uma diferença real e menor do que a proporção anunciada sugere, porque a coluna de saída é onde os dois modelos realmente gastam dinheiro em trabalho agêntico, e a diferença de saída é de apenas 1,7x. Ela também é menor do que a diferença que qualquer um desses modelos apresenta em relação a um carro-chefe ocidental, que é a empresa que cada um deles mantém nessa faixa.

A ressalva honesta em todas as cinco linhas: estes não são o mesmo tipo de preço. O da Tencent é um preço de tabela em RMB para a China continental que a Tencent converteu para leitores de língua inglesa, e a Tencent já aplicou descontos promocionais a este modelo na primeira semana. O da QwenCloud é um preço de tabela em USD num endpoint global. Uma equipa que compre em dólares fora da China continental deve encarar os valores do Hy4 flash como o piso do que está disponível, e não como o número pelo qual será faturada, e deve reler o quadro de preços antes de modelar qualquer coisa com base nele.

Rode o volume mesmo assim, porque o formato se sustenta. Dez milhões de tokens de entrada e dois milhões de tokens de saída por dia custam US$ 1,26 no Hy4 flash e US$ 2,44 no Qwen3.8-Flash — US$ 461 contra US$ 891 ao longo de um ano, uma diferença de cerca de US$ 430 para um tamanho de carga de trabalho que uma equipe pequena realmente consegue gerar. Desloque a mistura para o cache, como qualquer agente de múltiplos turnos faz, e a diferença aumenta: dois milhões de entrada nova, oito milhões de leituras de cache e dois milhões de saída chegam a US$ 0,73 por dia contra US$ 1,37, porque a proporção de leitura de cache é de 5,3x em vez de 2,1x.

A generated two-column scoreboard for Hy4 flash and Qwen3.8-Flash across six shared dimensions: input price $0.070 against $0.15, output price $0.281 against $0.47, cached input $0.003 against $0.016, active parameters 11.3B of 220B against roughly 6B of 125B, video input no against yes, and independent score none against 28.6. A footer notes the prices are Tencent and QwenCloud list rates and the 28.6 is Artificial Analysis Intelligence Index v5.0.1 for Qwen3.8-Flash-Next.

Ambos os fornecedores gastaram quase um terço dos parâmetros na mesma ideia

Esta é a parte da comparação que nenhum dos posts de lançamento dos fornecedores coloca ao lado da do outro, e é o motivo pelo qual os dois modelos têm preços dentro de um fator de dois, em vez de um fator de dez.

O Hy4 flash carrega 63,5 bilhões de parâmetros Engram — representações aprendidas de bigramas e trigramas, recuperadas por meio de consultas hash multi-head, inseridas no backbone nas camadas 1, 11, 21 e 31. Isso representa 28,9% dos 220 bilhões de parâmetros do modelo, situados em uma tabela de consulta em vez de nos especialistas. O Qwen3.8-Flash carrega uma tabela de embeddings n-gram de 51 bilhões de parâmetros, indexada pelo token atual mais vários anteriores, de aproximadamente 180 bilhões de parâmetros em disco — 28,3%.

Dois laboratórios, duas gerações, a mesma conclusão: a forma mais barata de adicionar capacidade a um modelo esparso é parar de pagar computação por token por isso. Ambas as tabelas podem residir na memória do host e ser pré-carregadas de forma assíncrona, então nenhuma ocupa permanentemente a memória da GPU. Nenhuma adiciona uma multiplicação de matrizes ao forward pass. Ambas são, na prática, uma aposta de que uma grande fração do que um modelo de linguagem precisa saber é localmente previsível a partir dos últimos poucos tokens, e que o corpo esparso de especialistas deve ser reservado para o que não é.

As pilhas de atenção também rimam. O Hy4 flash intercala atenção esparsa IndexPool com janelas deslizantes de 512 tokens numa proporção de 1:3 em 42 camadas, e a Tencent relata que o KV cache resultante é 1/24 do de Hy3 e 1/6 do de Hy4. O Qwen3.8-Flash usa Gated DeltaNet com Qwen Sparse Attention, comprimindo o histórico em estados de tamanho fixo em três de cada quatro camadas e encaminhando o restante por um indexador em nível de bloco. Ambos são respostas para a mesma pergunta — como servir uma janela de um milhão de tokens sem pagar por um KV cache de um milhão de tokens — e ambas as respostas chegam a alguma variedade de "não aplicar atenção a tudo".

A diferença está no que os parâmetros ativos extras proporcionam. O Hy4 flash roda 11,3 bilhões de parâmetros de texto contra os 6 bilhões do Qwen3.8-Flash, em 41 camadas MoE com 16 de 512 especialistas roteados mais um especialista compartilhado, num espaço latente de 1.536 dimensões. Isso é quase o dobro de compute por token, num modelo que cobra menos da metade por token. Seja o que for que também seja verdade, a Tencent não está recuperando esse custo do cliente — está recuperando da pilha de serving: pesos de 4 bits, megakernels e o DFly2, um drafter de 0,85 bilhão de parâmetros que reutiliza o KV esparso e as seleções de índice do modelo-alvo, de modo que cada token de draft atende a no máximo cerca de 2.000 chaves, independentemente do comprimento do contexto. Com esses três juntos, a Tencent coloca a decodificação acima de 150 tokens por segundo.

O que 29,5 minutos por tarefa realmente rendem

Os preços por token são a unidade errada para ambos estes modelos, e os dados independentes tornam isso concreto em um dos lados da comparação.

A Artificial Analysis atribui ao Qwen3.8-Flash-Next — o artefato de pesos abertos, não o SKU hospedado — uma pontuação de 28,6 no Intelligence Index v5.0.1, a US$ 0,569 por tarefa, mais de 29,5 minutos por tarefa, a 83,6 tokens de saída por segundo, com 2,5 segundos até o primeiro token e 68,3 segundos até o primeiro token de resposta.

Esses cinco números, multiplicados, resultam em algo mais útil do que qualquer um deles isoladamente. A 83,6 tokens por segundo durante 1.768 segundos, uma tarefa produz cerca de 148.000 tokens de saída. A US$ 0,47 por milhão, isso dá cerca de sete centavos de saída. Os outros cinquenta centavos dos US$ 0,569 são de entrada, o que, a US$ 0,15 por milhão, implica pelo menos 3,3 milhões de tokens de entrada ao longo da tarefa — mais se parte dela tiver sido servida a partir do cache à taxa mais barata. Uma entrada de 3,3 milhões de tokens contra um contexto de 1M não é um único prompt. É um loop: ler, agir, ler de novo, vinte ou trinta turnos de profundidade, com o contexto reconstruído ou carregado adiante a cada vez.

Essa é a carga de trabalho para a qual ambos os modelos foram criados, e é por isso que as escolhas de design do Hy4 flash são o que são. O pipeline de pós-treinamento da Tencent reduziu a saída média ponta a ponta em 50% por meio de aprendizado por reforço, e sua avaliação cega interna relata um tempo mediano de conclusão de tarefa de 6,7 minutos a RMB 0,26 por tarefa — cerca de US$ 0,037 às taxas vigentes. Seu conjunto interno WorkIndex coloca o Hy4 flash em 42,1 contra 39,7 do Hy4 preview, a um custo médio por tarefa que a Tencent declara ser um treze avos do Hy4 preview, um vinte avos do Hy4 e um oitavo do DeepSeek-V4.1-Flash-1017 no preço de horário de pico.

Não divida essas cifras pelas da Artificial Analysis. Uma mediana de 6,7 minutos em 259 tarefas do WorkBuddy, entre 85 usuários internos, não é uma mediana de 29,5 minutos no Intelligence Index, e um valor por tarefa em RMB proveniente do harness do próprio fornecedor não é um valor por tarefa em dólares proveniente de um harness independente. A comparação que eles sustentam é direcional, e vale dizer com clareza: o custo por tarefa medido do Qwen3.8-Flash é dominado por quantos tokens ele gasta e por quanto tempo leva, não pelo que cobra por token. Um modelo que escreve metade e termina em um quinto do tempo pode ser 1,7x mais barato por token de saída e uma ordem de magnitude mais barato por trabalho concluído. Se o Hy4 flash é, de fato, esse modelo é exatamente o que ninguém mediu ainda.

O placar tem uma única linha, e ela não é para o modelo que você chamaria.

Duas revelações, ambas alterando o quanto de peso os números acima podem ter.

Primeiro: {{1}}Hy4 flash{{/1}} não tem página no Artificial Analysis. Não é uma pontuação baixa, nem uma entrada não classificada — https://artificialanalysis.ai/models/hy4-flash devolveu 404 em 18 de novembro de 2026, três dias depois de a API ter sido aberta e um dia depois de os pesos terem sido disponibilizados. Não existe qualquer medição independente deste modelo. A tabela de benchmarks publicada pela Tencent abrange os checkpoints base pré-treinados, Hy4 flash Base versus Hy4 Base e os modelos base da DeepSeek, o que fornece informações sobre o pré-treinamento e nenhuma sobre o modelo de instrução ou o modo de raciocínio que realmente utilizaria. A única evidência relativa ao modelo de instrução é da própria Tencent: WorkIndex, o teste cego e um rácio de custo por tarefa.

Segundo: o 28,6 e os US$ 0,569 pertencem ao Qwen3.8-Flash-Next, o checkpoint baixável. O Qwen3.8-Flash hospedado no QwenCloud é uma build de serving ajustada separadamente; a Alibaba o vende como o membro da linha preparado para produção, e os dois não são intercambiáveis. A Artificial Analysis também registra o Qwen3.8-Flash-Next com um contexto de 256.000 tokens — a janela nativa do checkpoint antes da extensão YaRN —, enquanto o QwenCloud serve o modelo hospedado em 1M com entrada máxima de 991K. Se você está precificando o modelo hospedado, está se baseando no card do QwenCloud e nas avaliações da própria Alibaba para tudo, exceto a pontuação de inteligência, que é a do checkpoint.

Portanto, a assimetria é gritante de uma forma fácil de enunciar e difícil de resolver: um modelo tem uma pontuação independente que pertence a um artefacto diferente, e o outro não tem pontuação independente nenhuma. Qualquer artigo que lhe apresente aqui um vencedor em capacidade está a inventar um. O que se pode dizer é mais restrito e ainda assim útil. O Qwen3.8-Flash, com 28,6, fica abaixo do Tencent Hy4, o modelo principal de 770 mil milhões de parâmetros da mesma família, com 34,6, e abaixo do Claude Haiku 5.5, com 36,5, na mesma versão do índice — uma pontuação sólida de nível intermédio, que é o que um pequeno modelo flash deve produzir. O Hy4 flash, na suíte interna da própria Tencent, pontua acima do Hy4 preview e bem abaixo do Hy4, que é a mesma posição relativa por um instrumento diferente.

O vídeo é a única linha que se decide sozinha

Tudo acima é discutível. Isto não.

• Entrada flash do Hy4 — texto e imagens, por meio de um codificador derivado do SigLIP2-So400m sobre um projetor MLP. A saída é texto.

• Entrada do Qwen3.8-Flash — texto, imagem e vídeo. A saída é texto.

Se o seu pipeline ingere uma gravação de tela, uma captura de chamada ou um arquivo de vídeo, o Hy4 flash não consegue aceitar, e o Qwen3.8-Flash consegue. Os pesos abertos não ajudam, um adaptador não ajuda, e nenhuma vantagem de preço resolve isso. Ambos suportam um milhão de tokens de contexto, ambos lidam com documentos e capturas de tela, e nesse terreno comum a comparação permanece em aberto; em vídeo, ela está encerrada.

As cargas de trabalho recomendadas pela própria Tencent para o Hy4 flash são coerentes com essa fronteira — pesquisa profunda, processamento de documentos, criação de slides, demonstrações simples de frontend, uso do computador — e sua própria orientação direciona a engenharia de software de horizonte longo para o Hy4. Trata-se de um fornecedor admitindo um teto, o que é mais informativo do que a maioria dos textos de lançamento e vale a pena ser levado ao pé da letra.

Ambos podem ser baixados, e os downloads não são equivalentes.

A screenshot of the Hugging Face model card for tencent/Hy4-flash, showing the Image-Text-to-Text pipeline tag, the Tencent Hy License, a 220B parameter model size in BF16 with F32 tensor type, mixture-of-experts, multimodal, instruct and conversational tags, 96 likes, and a table of contents covering model introduction, capability, cost efficiency, blind evaluation, benchmark results, the DFly2 speculative draft model and quantisation.

O Hy4 flash foi lançado como pesos abertos em 17 de novembro: tencent/Hy4-flash, tencent/Hy4-flash-FP8 e tencent/Hy4-flash-base. Uma listagem de arquivos de 18 de novembro indica que o checkpoint BF16 tem 440,5 GB distribuídos em 148 shards e a versão FP8 tem 287,1 GB. O Qwen3.8-Flash-Next está público desde 24 de agosto e totaliza 360,0 GB distribuídos em 131 shards.

• Receita de serving — a Tencent publica imagens com versões fixadas, vllm/vllm-openai:hy4-flash e lmsysorg/sglang:hy4-flash, com as flags tensor-parallel-8 e de decodificação especulativa explicitadas. O Qwen3.8-Flash-Next tem suporte a SGLang, vLLM e Transformers desde a semana de seu lançamento.

• Transformers — Hy4 flash requer uma instalação a partir de uma ref de pull request, refs/pull/50903/head, porque o suporte ainda não está na main. Qwen3.8-Flash-Next carrega a partir da main.

• Quantização — a Tencent disponibiliza uma build oficial em FP8 e um GGUF AngelSlim; o ecossistema Qwen já teve quatro meses para produzir quantizações comunitárias próprias.

• Sinal do ecossistema — Qwen3.8-Flash-Next registrou 2.983.542 downloads no último mês e 7.276 curtidas em 18 de novembro. Hy4 flash, publicado no dia anterior, apresentou 96 curtidas e contagem de downloads zero.

• Hardware — 440 GB de pesos BF16 não cabem em oito placas de 80 GB, então a versão FP8 com 287 GB distribuída entre oito H100s é a implantação realista em nó único, e essa é exatamente a configuração TP=8 que a própria receita da Tencent especifica.

Imagens fixadas e uma instalação via referência de PR não são desqualificantes; significam que você está executando os builds que a Tencent testou, em vez de builds que foram lançados, o que é uma diferença em quem é responsável pelo próximo bug. A vantagem do Qwen aqui é inteiramente função de quatro meses decorridos, e ela vai diminuir. Hoje ela é real, e é a segunda maior lacuna nesta comparação, depois da linha de benchmark ausente.

As duas licenças têm ambas uma cláusula de modelo como serviço, e são cláusulas diferentes

Ambos os modelos são gratuitos para download e nenhum deles é incondicionalmente gratuito para revenda, mas os gatilhos não têm o mesmo formato, e a diferença é importante se você hospeda modelos para outras pessoas.

• Licença Tencent Hy v1.0 — um derivado do Apache 2.0. A Seção 10.2 exige uma licença escrita separada se você operar um negócio de modelo como serviço e a sua receita bruta mundial exceder US$50 milhões em qualquer período de doze meses, ou se o seu produto ultrapassar 100 milhões de usuários ativos mensais. A Seção 10.3 isenta o uso interno.

• Qwen Community License 1.0 — exige uma licença separada para qualquer negócio de Model-as-a-Service ou AI Work Assistant, independentemente do porte, com uso interno isento. Exige separadamente que o nome do modelo seja exibido em destaque caso você ultrapasse 100 milhões de usuários ativos mensais ou US$ 20 milhões em receita mensal.

• A ressalva do Qwen que merece ser lida duas vezes — a licença exclui explicitamente "o mero repasse de solicitações a modelos hospedados por outros terceiros" da sua definição de Modelo como Serviço. A licença da Tencent não traz frase equivalente.

Nenhuma das duas impõe restrição territorial, o que não se pode dizer de várias licenças chinesas de pesos abertos. Se você está criando uma ferramenta interna, ambas são gratuitas em qualquer escala. Se você está criando um produto que revende inferência, o limiar da Tencent é mais simples e a exceção de relay do Qwen é mais permissiva para um tipo específico de intermediário, e qual delas vincula você depende de em qual desses dois negócios você atua.

O que pode ser chamado hoje, em uma única tecla

A screenshot of the OrcaRouter model page for qwen/qwen3.8-flash, showing the Qwen3.8 Flash heading, a 1M-token context and 131K maximum output, text, image and video input with text output, vision, tools, JSON and reasoning capability tags attributed to Qwen with a 26 August 2026 date, zero data retention availability, a 10.00-second p50 time to first token, and the start of the model description as a multimodal reasoning model from Alibaba.

O Qwen3.8-Flash está no catálogo do OrcaRouter como qwen/qwen3.8-flash, a US$ 0,15 por milhão de entrada e US$ 0,47 por milhão de saída, com leitura de cache a US$ 0,0184 — as tarifas de prompt e conclusão publicadas pela QwenCloud repassadas com 0% de markup, então um corte do fornecedor neste modelo chega até você no dia em que acontece, em vez de na próxima sincronização do catálogo.

O Hy4 flash ainda não está no catálogo. O que existe para esta família é tencent/hy4-preview a $0,834 e $2,501 por milhão, com leitura de cache a $0,042 — o modelo do qual o Hy4 flash foi destilado, e a linha de base certa para comparar com a própria API da Tencent enquanto você espera a rota flash ficar disponível. Dizer o contrário seria alegar uma rota que não temos.

O que essa assimetria lhe dá é uma forma barata de resolver a discussão você mesmo. Execute suas vinte tarefas mais representativas no qwen/qwen3.8-flash com a chave que você já tem, e no Hy4 flash com a chave da Tencent. Registre tokens de entrada, tokens de saída, acertos de cache, tempo real e se a saída foi utilizável. A proporção por tarefa que você obtiver é a única versão da alegação de um treze avos da Tencent que se aplica ao seu tráfego, e custa uma tarde em vez de uma migração.

Quando a rota flash finalmente chegar, o padrão útil é uma regra de roteamento, e não um switch: coloque a camada de ingestão de vídeo na rota Qwen, porque é a única das duas que aceita vídeo, e a camada de texto e documentos no modelo que seus próprios números favorecerem. A DSL de roteamento expressa essa divisão em um único endpoint, o failover automático faz com que a degradação de uma rota não comprovada, com dois dias de existência, não leve o pipeline junto, e a mesma chave alcança mais de 200 modelos sem um segundo contrato.

A decisão, enunciada em três casos

Se você precisa de entrada de vídeo, a comparação termina aqui. O Qwen3.8-Flash aceita, o Hy4 flash não, e nenhum argumento de preço resiste à falta de uma modalidade.

Se você precisa de um modelo com uma pontuação independente antes que ele chegue a um caminho voltado ao cliente, você já tem sua resposta pelo mesmo motivo. 28,6 no Intelligence Index v5.0.1 é um número modesto — abaixo dos 34,6 do carro-chefe da própria Tencent e abaixo do Claude Haiku 5.5, com 36,5 —, mas é medido, público e reproduzível, e o Hy4 flash não tem nada do tipo. Isso provavelmente mudará; é a coisa mais valiosa que alguém poderia publicar sobre este modelo.

Se sua carga de trabalho for texto e documentos de alto volume, sensível à latência, e você puder executar sua própria avaliação, o Hy4 flash vale dedicar uma tarde. Quase o dobro dos parâmetros ativos por menos da metade do preço de entrada não é uma troca normal, a linha de entrada em cache a $0.003 torna quase gratuito o re-prompt de agentes de longa duração, e os pesos significam que o preço é uma opção, e não a única. Entre sabendo que você é a primeira pessoa a medi-lo, que sua tabela de benchmarks publicada descreve um checkpoint diferente daquele que você vai chamar, e que 440 GB de pesos BF16 não caberão em um único nó sem a build FP8.

O número a acompanhar não é outro post de lançamento. É uma linha do Artificial Analysis para o Hy4 flash, porque isso converte a proporção interna de um fornecedor em um valor que você pode comparar diretamente com os US$ 0,569 por tarefa do Qwen3.8-Flash-Next em 29,5 minutos. Se o Hy4 flash ficar significativamente abaixo disso em custo por tarefa, mantendo-se dentro de alguns pontos de índice, a diferença de preço é toda a história e essa faixa se reorganiza em torno dela. Se ele sair barato porque faz menos trabalho por tarefa, então é um modelo para documentos e slides com uma tabela de preços excepcionalmente boa, e a própria orientação de implantação da Tencent já diz isso.

Comparados neste artigo3

Detectado a partir deste artigo