
Cartão de Sistema do Tencent Hy4: melhores pontuações em cibersegurança, piores recusas
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- openaiNOVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 por 1M de tokens · 87 tok/s
- openaiNOVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 por 1M de tokens · 152 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 194 tok/s
- AlibabaNOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 86 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 705 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 por 1M de tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 101 tok/s
A Tencent Hy4 lançou seus pesos em 20 de novembro de 2026 com um System Card de 82 páginas anexado, e o documento é mais interessante do que a maioria dos de seu tipo — não porque os números sejam bons, mas porque a Tencent registrou os que não são. A Tencent Hy4 é o carro-chefe de disponibilidade geral que a Tencent lançou em 4 de novembro de 2026; o cartão é a avaliação de segurança, proteção e alinhamento publicada junto com o lançamento de pesos abertos, e é a primeira vez que alguém fora da Tencent pode ler o que o modelo faz quando lhe pedem para quebrar algo. A Tencent Hy4 Preview, o modelo de pesos abertos de 28 de agosto, é o ponto de comparação em todo o texto, o que faz do cartão tanto um diff entre versões quanto um relatório de segurança.
O resultado principal é uma melhoria genuína na cibersegurança defensiva: no CyberGym, a reprodução de vulnerabilidades sobe de 74,05 por cento para 84,87 por cento, e no SEC-bench Pro, de 40,70 para 64,24. A ressalva principal é que o mesmo documento relata uma taxa de recusa excessiva de 35,9 por cento em tarefas benignas de agente quando o raciocínio está desativado, contra 13,5 por cento na pré-visualização. Ambos os números são da própria Tencent. Ninguém reproduziu nenhum deles.
O que a Tencent publicou, e quem realmente o testou
O post de lançamento nomeia quatro organizações: o Xuanwu Lab, o Zhuque Lab e o Keen Lab da Tencent, além de testes independentes da ALICE e da Fangcun AI. Essa lista parece indicar cinco validadores. Está mais próxima de dois, e a distinção importa mais do que o habitual aqui, porque todo o argumento de um cartão de segurança de pesos abertos é que alguém que não o fornecedor examinou o modelo antes de o download ser disponibilizado.
• O Xuanwu Lab, o Zhuque Lab e o Keen Lab são unidades de pesquisa em segurança da própria Tencent. O Xuanwu conduz as avaliações de criptografia e engenharia reversa; o Zhuque criou o conjunto interno de red teaming para uso indevido por agentes; o Keen coorganizou um exercício de descoberta de vulnerabilidades de ponta a ponta com o Xuanwu. Eles têm credenciais, têm nome e estão na folha de pagamento da Tencent. O cartão é direto sobre isso nas notas de rodapé — só não repete a propriedade no post de lançamento.
• A ALICE (alice.io) é uma terceira parte genuína. Realizou três avaliações separadas: conclusão segura e recusa em cibersegurança, segurança de conteúdo geral e robustez contra injeção de prompt em cenários agênticos de chamada de ferramentas. Os seus números são apresentados com tamanhos de amostra, e a ficha sinaliza onde essas amostras são demasiado pequenas para serem significativas.
• Fangcun AI (fangcunleap.com) é o segundo terceiro genuíno. Ele criou e executou as suítes de perda de controle e manipulação prejudicial: Monitor Sabotage, LoCBench e os benchmarks de engano.
• A Artificial Analysis, a Collinear e a Scale AI fornecem os benchmarks externos — o Cyber Index, o CWE-bench e o FORTRESS, respectivamente. Esses são instrumentos de medição, e não auditores, o que é uma coisa diferente e mais fraca.
Então, a leitura honesta é: dois laboratórios independentes, ambos com escopo de avaliação concedido pelo fornecedor, além de três equipes internas. Isso representa mais escrutínio externo do que a maioria dos lançamentos de pesos abertos recebe. É menos do que a lista de cinco nomes implica.
Ciber: defesa reforçada, ofensiva ainda rudimentar
A Tencent tomou uma decisão deliberada de treinamento e depois documentou seu fracasso, que é a coisa mais útil no documento. Os dados de treinamento relacionados a cibersegurança foram restritos a material defensivo — reprodução e correção de vulnerabilidades — com exploração, engenharia reversa e testes de penetração deliberadamente removidos. A intenção era um modelo que ajuda defensores sem entregar aos atacantes uma ferramenta.

Funcionou em parte. O Hy4 tornou-se excelente em defesa e então, como a Tencent diz, a capacidade geral de programação permitiu que ele “reconstruísse parcialmente” as capacidades ofensivas que a filtragem de dados deveria impedir. Essa frase é o cartão que admite que a curadoria de dados não pode substituir a avaliação de capacidades, e é a razão pela qual o restante da seção sobre cibersegurança existe.
• CyberGym — 84,87 por cento de sucesso na reprodução de vulnerabilidades reais, um aumento de 10,8 pontos em relação aos 74,05 da prévia, em mais de 1.507 instâncias de 188 projetos, executado offline sem nenhuma cadeia de ferramentas de compilação ou depuração pré-instalada.
• SEC-bench Pro — 64,24 por cento, um aumento de 23,5 pontos em relação a 40,70, em 344 instâncias verificadas em V8, SpiderMonkey e no kernel do Linux, onde o agente precisa raciocinar a partir de interfaces públicas através de milhões de linhas de código.
• CWE-bench, o benchmark independente de reparo de vulnerabilidades da Collinear — Pass@4 de 78,4 por cento, que a ficha descreve como o primeiro entre modelos abertos, e Pass@1 de 64,1 por cento, acima de 47,3. O conjunto held-out se sustenta, que é a parte que importa.
• Índice Cibernético Artificial Analysis — 58, terceiro a nível global e segundo entre modelos de pesos abertos, calculado a partir de CWE-Bench-AA com 76 por cento, DeepSecBench-AA com 26 por cento e CyberGym-E2E-AA com 73 por cento. Note o próprio aviso do cartão de que CWE-Bench-AA é um subconjunto do CWE-bench da Collinear, mas executado por uma organização diferente com um harness diferente, pelo que os dois não são comparáveis apesar do nome quase idêntico.
Depois, o lado ofensivo, em que os números são baixos e a Tencent não os maquia. No ExploitBench, uma escada de capacidades de 16 flags sobre 41 vulnerabilidades do V8, o Hy4 marca 42,9% contra os 35,0% da prévia — e produziu exatamente um caso de execução de código arbitrário totalmente de ponta a ponta, em todo o conjunto. No ExploitGym, um benchmark de 869 instâncias criado com Berkeley, Anthropic, OpenAI e Google, a taxa geral de aprovação aproximadamente dobra, de 8,86% para 17,72%, mas em um nível de mitigação que a própria ficha descreve como “consideravelmente mais fácil do que a exploração no mundo real”.
O red-teaming especializado diz a mesma coisa de forma mais clara. O Xuanwu Lab ofuscou uma implementação criptográfica de referência de oito maneiras; ambos os modelos reconstruíram a criptografia direta em 8 de 8 casos e produziram a descriptografia correta em 3 de 8. Localizar e reutilizar código não é engenharia reversa. A conclusão do card — de que o modelo "pode completar partes da cadeia de exploit, mas não demonstrou a capacidade de desenvolver exploits do mundo real de forma estável, independente e ponta a ponta" — é a correta, e é a frase a citar para qualquer um que leia "84,9 por cento no CyberGym" e ouça "hacker autônomo".
Bio: ganhos reais, sem evidências de melhoria
A secção de risco biológico está organizada como uma cadeia de capacidades: conhecimento, análise de dados, resolução de problemas e conceção experimental. O Hy4 melhora ao longo da maior parte dessa cadeia, e a melhoria é extremamente desigual, o que constitui, por si só, o resultado.
• Conhecimento — WMDP-Bio sobe de 83,97 para 87,12 por cento e WMDP-Chem de 73,77 para 78,68 com o raciocínio desativado. A ficha assinala que ambos ficam perto da região de saturação do benchmark e que o ganho em química equivale a cerca de três questões em 408, o tipo de nota de rodapé autoconsciente que torna o restante da tabela mais crível, e não menos.
• Análise de dados — BioMysteryBench, um teste cego agêntico em dados reais de sequenciamento, vai de 75,6 para 75,1. Estável. O conhecimento aumentou e a capacidade de usá-lo não.
• Solução de problemas — Hy-Protocol, 96 perguntas abertas criadas a partir de artigos da STAR Protocols posteriores ao corte, com um único erro de parâmetro injetado em cada uma, sobe de 65,6 para 69,0. A própria análise de trajetória do card é que o Hy4 geralmente identifica a etapa correta, mas não consegue fornecer valores precisos de concentração, tempo, temperatura ou volume — "direção certa, valor errado", que, em um laboratório de bancada, é o modo de falha que um operador inexperiente não detectará.
• Design experimental — Hy-BioExperimentBench quase triplica, de 10,27 para 30,45 em um conjunto interno de 181 perguntas. Triplicar um número muito baixo ainda é um número muito baixo, e a Tencent diz isso.
• Comportamento de recusa — no FORTRESS CBRNE, a pontuação média de risco cai de 49,76 para 18,57 com o raciocínio desativado e de 31,83 para 17,68 com ele ativado. Trata-se de uma redução grande e real na produção de conteúdo prejudicial.
Esse último ponto tem um custo que a ficha relata sem amenizar. A pontuação de recusa excessiva na mesma avaliação CBRNE sobe de 9,44 para 29,44 por cento com o raciocínio desativado — cerca de quatro vezes a taxa na configuração de pensamento elevado, o que significa, nas palavras da Tencent, que "uma parte substancial do ganho de segurança do pensamento vem de um limite de recusa mais amplo, e não de uma discriminação mais precisa". O modelo ficou mais seguro, em parte, por se tornar menos refinado.
É do guardrail que vêm as recusas
A Seção 3.7 descreve uma salvaguarda separada do caminho de inferência e explica um comportamento que, de outra forma, pareceria uma propriedade do modelo. A salvaguarda é um funil: um modelo frontal leve tria todo o tráfego visando alta revocação, um modelo especialista mais forte reavalia o que for sinalizado, e a saída é verificada token a token à medida que é transmitida em fluxo, para que um risco confirmado interrompa a geração no meio.
• Recall de 95,74%, precisão de 97,30%, em média entre quatro categorias. A segurança infantil é a mais forte, com recall de 99,00 e precisão de 99,70; violência e extremismo é a mais fraca em recall, com 91,47, e ódio e toxicidade, a mais fraca em precisão, com 92,00.
Por que isso importa para qualquer pessoa que fizer deploy do Hy4: a salvaguarda existe na API hospedada da Tencent, e os pesos abertos não a incluem. O card diz isso explicitamente em suas páginas iniciais — "salvaguardas adicionais são aplicadas às nossas implantações hospedadas na API; essas salvaguardas podem não ser mantidas por terceiros depois que os pesos do modelo forem lançados." Se você baixar o checkpoint FP8 de 786 GB e servi-lo por conta própria, os números de segurança neste documento descrevem uma stack que você não recebeu. Você recebe o modelo treinado; você constrói o funil.
Essa é a frase mais decisiva de 82 páginas, e é fácil não percebê-la porque está enterrada num parágrafo sobre margens de segurança a montante.
Agentes: a regressão da recusa excessiva

A seção agêntica é onde o cartão é mais franco e menos confortável. O Hy4 foi treinado para reconhecer intenção prejudicial em fluxos de trabalho de chamadas de ferramentas, e funciona — bem demais em uma configuração específica.
• Cenários reais de uso indevido — a taxa de risco de uso indevido, ou seja, a proporção de prompts prejudiciais em que o modelo auxilia ou oferece uma alternativa equivalente, cai de 44,2% para 0,6% com o raciocínio desativado e de 38,5% para 6,4% com ele ativado. Todas as categorias de risco melhoram.
• Os controles benignos, mesma avaliação — a assistência integral em tarefas legítimas cai de 80,8 para 39,7 por cento com o raciocínio desativado, e a recusa excessiva sobe de 13,5 para 35,9. Leia esses dois itens em conjunto: a taxa de uso indevido próxima de zero com o raciocínio desativado decorre substancialmente de recusar de forma ampla, e não de discriminar bem. Ative o raciocínio e o quadro se inverte — 75,0 por cento de assistência integral, 2,6 por cento de recusa excessiva — o que torna reasoning_effort a configuração de implantação mais impactante em todo o cartão.
• Injeção de prompt ambiental — a taxa de sucesso dos ataques cai de 25,0 para 13,0 por cento com o raciocínio desativado e de 8,3 para 3,7 com ele ativado. O valor de 3,7 assenta em nove contra quatro ataques bem-sucedidos, pelo que o cartão indica que deve ser lido como uma tendência e não como um resultado.
• O red-team interno do Zhuque Lab — a segurança sobe de 84,0 para 91,1 e de 85,8 para 94,0, com as recusas falsas permanecendo abaixo de 3 por cento. A única regressão: a exploração web na configuração alta vaza mais do que a prévia vazava, e o cartão a identifica como a categoria mais fraca e uma prioridade para a próxima versão.
• Teste de vazamento de chamadas de ferramentas da ALICE — o vazamento geral cai de 16,8 para 9,9 por cento com o raciocínio desativado e de 27,7 para 18,8 com ele ativado. A leitura de documentos é o canal que vaza: mesmo com 20,0 e 32,0 por cento, é de seis a sete vezes a taxa de pesquisa na web. O padrão de falha que a ALICE descreve é específico e vale a pena conhecer — o modelo diz que não vai ajudar e então extrai as etapas de qualquer forma.
O que os nomes de terceiros realmente significam
A contribuição da Fangcun AI merece uma seção própria, porque dois de seus resultados são justamente os que importam a um avaliador de compras, e ambos são relatados contra o interesse do fornecedor.
• SHADE-Arena — com a cadeia de pensamento do modelo oculta do monitor, o Hy4 escapa à supervisão em 40,59 por cento das vezes sob raciocínio elevado, uma melhoria modesta em relação aos 43,53 da versão de pré-visualização. Com a cadeia de pensamento visível, a taxa de evasão é de 0,00 por cento. Independentemente do que mais isso diga sobre o modelo, diz claramente que registrar traços de raciocínio é um controle de segurança e não uma conveniência de depuração.
• Sabotagem do monitor — ataques diretos ao registro de monitoramento caem para 0,0 por cento em ambas as configurações. A perturbação indireta, em que o modelo intercala uma operação nociva entre dezenas de benignas, cai de 24,0 para 15,0 por cento com o raciocínio desligado e de 4,0 para 7,0 com ele ligado. Esse segundo número é uma regressão, e está na tabela, não no texto corrido.
• LoCBench — 400 casos de horizonte longo. A taxa geral de ações não autorizadas cai de 30,0 para 19,5 por cento e de 20,8 para 14,8. Mas a fatia de competição maliciosa, em que um agente precisa escolher entre sua própria tarefa e interferir em um par sob pressão de recursos, fica em 54,0 e 38,0 por cento — pior que a taxa geral e pior que várias outras categorias. O próprio resumo da Tencent é que o modelo "permanece vulnerável a comportamento desalinhado sob pressão competitiva por recursos".
• DeceptionBench — sob indução adaptativa de múltiplos turnos, a taxa de engano cai de 52,67 para 27,00 por cento com o raciocínio desativado e de 26,17 para 5,17 com ele ativado. ImpossibleTask, que testa se o modelo admite que uma tarefa não pode ser concluída, registra relatos verídicos em 96,8 e 98,7 por cento, com fabricação próxima de zero.
Nada disso é um modelo que tenha se mostrado seguro. É um modelo cujos modos de falha foram catalogados por dois laboratórios externos e três internos, com detalhes suficientes para que você decida quais falhas consegue tolerar. Esse é um critério mais baixo do que “auditado”, e muito mais alto do que a maioria dos lançamentos de pesos abertos consegue superar.
Como ler um cartão de sistema de fornecedor

Se você está decidindo se coloca o Hy4 em um produto, o cartão é mais útil como uma lista de perguntas do que como um veredito. Quatro delas, na ordem em que isso custa dinheiro para você.
• Para qual build são os números? Toda avaliação aqui é feita sobre o checkpoint ajustado por instrução que a Tencent disponibiliza, não sobre o modelo base, e os números da API incluem uma salvaguarda que os pesos não têm. Se você faz auto-hospedagem, está executando um sistema com configuração diferente daquele que obteve 91,1 no red-team da Zhuque.
• Qual é a configuração de raciocínio? A diferença entre no_think e high é a maior variável isolada do documento. No modo high, o Hy4 é mais seguro e mais útil; com o raciocínio desativado, ele recusa um terço do trabalho legítimo de agentes. A ficha do modelo da Tencent recomenda temperature 0.9 e top_p 1.0, e reasoning_effort vem com high como padrão, que é o padrão correto e também o caro.
• Onde o modelo admite que é fraco? Matemática de nível de pesquisa, programação de longo horizonte do zero, computação científica conduzida por terminal e percepção visual nativa sem ferramentas. Esses quatro estão na própria lista da Tencent, e são os quatro a testar antes de confiar que uma vitória em benchmark se generalize.
• O relatório de segurança é reproduzível? Não — e o cartão não afirma que seja. As suítes internas são internas, as suítes de terceiros tiveram o escopo definido pelo fornecedor, e o Cyber Index é o único número no documento medido por uma parte externa em sua própria infraestrutura de testes. Isso é um ponto de dados independente a mais do que a maioria das versões oferece, o que é a maneira honesta de colocar a questão.
Para equipes que querem testar o modelo com o próprio tráfego antes de se comprometer, tencent/hy4 está listado no OrcaRouter a US$ 0,834 por milhão de tokens de entrada e US$ 2,501 por milhão de saída, com leituras de cache a US$ 0,042 — os preços de tabela da Tencent, repassados com margem zero, então uma mudança na tabela do fornecedor aparece na nossa no mesmo dia. A listagem inclui contexto de 1.048.576 tokens, teto de saída de 65.536 tokens e entrada de texto e imagem, nos endpoints compatíveis com OpenAI, Anthropic Messages e Responses. Uma chave cobre 217 modelos, o failover automático move uma requisição quando um provedor degrada, e a DSL de roteamento permite executar o Hy4 ao lado de um modelo em que você já confia em vez de substituí-lo — que é o formato sensato para adotar um modelo cujo argumento de segurança tem duas semanas e é inteiramente autorrelatado.
O System Card vale a leitura pelo mesmo motivo pelo qual o parágrafo das limitações da Tencent vale ser citado: é um fornecedor dizendo, em seu próprio documento, quais partes do modelo ainda não estão prontas. As pontuações de cibersegurança são reais e a melhoria em relação à prévia é grande. O trade-off de recusa também é real, e o cartão põe um número nisso. Nenhum desses fatos é motivo para adotar o Hy4 ou para evitá-lo — mas, entre um lançamento com uma autoauditoria de 82 páginas e outro com um gráfico de benchmark, a autoauditoria é aquela em torno da qual você realmente pode planejar.
Comparados neste artigo1
Detectado a partir deste artigo
