GPT-6.1 Sol vs Tencent Hy4 Preview: Att betala 10 $ per utdatatoken mot en öppen modell för 2,50 $

Ställ de två prislistorna sida vid sida och gapet är inte subtilt. Tencent Hy4 Preview listas på $0,834 per miljon indatatokens, $2,501 per miljon utdatatokens och $0,042 per miljon cachade indata på sin internationella endpoint. GPT-6.1 Sol listas på $2,00, $10,00 respektive $0,10. Det är en 4× skillnad på utdatatokens och en 2,4× skillnad på indata, och eftersom båda modellerna är prissatta per token är frågan som skillnaden väcker inte vilken som är billigare — Hy4 Preview är billigare på varje rad — utan om den dyrare utför tillräckligt mycket mer arbete per anrop för att motivera det. Ingen av leverantörerna har publicerat en siffra som svarar på det direkt, och den här artikeln handlar till stor del om varför de uppenbara siffrorna på båda sidor inte är svaret.

Tencent släppte och öppnade källkoden för Hy4 Preview den 2026-08-28; Open​AI släppte GPT-6.1 Sol på API:et den 2026-09-29. Båda är textkapabla agentiska modeller med kontextfönster på en miljon token, båda är tillgängliga i dag, och båda finns i vår katalog — vilket gör detta till den sällsynta jämförelsen i den här serien där per-token-beräkningen kan göras mot två aktiva rader i stället för mot ett pressmeddelande. Siffrorna nedan kommer från Tencents release-material och modelldokumentation, Open​AI:s modell- och prissidor, våra egna katalogposter och publicerade utvärderingar enligt notering, lästa den 2026-10-12. Varje siffra som är en leverantörs egen körning är märkt som en sådan.

Vad varje modell faktiskt är

Börja med arkitekturen, eftersom de två modellerna löser samma serveringsproblem med samma teknik.

• Parametrar — Hy4 Preview är en mixture-of-experts-modell på 770B med 49B aktiva per token över 78 lager, med 256 routade experter plus 1 delad expert. GPT-6.1 Sol är en proprietär Open​AI-modell placerad en nivå under GPT-6 Astra i samma generation; Open​AI publicerar inte antalet parametrar.

• Kontext och utdata — båda dokumenterar ungefär en miljon token indatakontext. Vår katalogpost för Hy4 Preview har 1 048 576 token kontext med en maximal completion på 64 000 token; Tencents eget material beskriver ett kontextfönster som överstiger 1M token med en maximal indata på 960 000 token. GPT-6.1 Sol dokumenterar 1 050 000 token kontext med en maximal utdata på 128 000 token — dubbelt så högt som Hy4:s completion-tak, vilket är den specifikation som biter när man vill ha en lång strukturerad artefakt från ett enda anrop.

• Modalitet — båda är enbart text på indatasidan, med den verktygsanvändning och strukturerade utdata som du kan förvänta dig av en aktuell agentisk modell. Ingen av dem är en visionsmodell.

• Resonemangsinställningar — Hy4 Preview erbjuder hög, låg och ingen, med hög som standard; en temperatur på 0.9 och top_p på 1.0 är de rekommenderade samplingsinställningarna. GPT-6.1 Sol erbjuder låg, medium (standard), hög, xhigh och max, utan något avstängningsläge alls — resonemang är alltid aktiverat, och samplingsparametrar som temperatur och top_p avvisas direkt.

• Vikter — Hy4 Preview är öppen källkod under Apache 2.0 och kan laddas ner redan idag. GPT-6.1 Sol är stängd, endast via API, och kommer aldrig att kunna egenhostas.

Den sista raden är den som skiljer dessa två modeller åt mer än något benchmark. En 770B/49B Apache 2.0-modell är en ägodel; en proprietär API-modell är en prenumeration. Allt annat på den här sidan handlar om vilken av dessa två saker din arbetsbelastning behöver.

Prisraderna, med uträkningen utförd

Båda prislistorna är publicerade och båda förmedlas vidare av oss utan påslag, så det här avsnittet är verifierbart snarare än rapporterat.

• Utdata – GPT-6.1 Sol $10.00 per miljon mot Hy4 Preview $2.501 per miljon. För varje miljon utdatatoken som en arbetsbelastning avger är skillnaden $7.50, och utdata är den mätare som en resonemangsmodell spenderar mest på.

• Indata — $2,00 per miljon mot $0,834. En 2,4× skillnad på den rad som dominerar varje långkontextpipeline, eftersom en prompt i repositorie- eller dokumentuppsättningsskala skickar ett stort prefix igen vid varje tur.

• Cachad indata — 0,10 $ per miljon mot 0,042 $. Båda leverantörerna rabatterar omlästa prefix kraftigt, och Hy4:s cache-pris är mindre än hälften av GPT-6.1 Sol:s.

• Cache-skrivningar — GPT-6.1 Sol tar 2,50 USD per miljon för att skriva ett cachelagrat prefix. Hy4 Previews publicerade internationella priser har ingen separat rad för cache-skrivning, vilket innebär att den första skrivningen prissätts som vanlig indata i stället för som en premie.

Kör en form som är vanlig för båda modellerna: 500 000 indatatokens varav 460 000 är ett cachat prefix, och 20 000 utdatatokens, i ett enda anrop.

• På GPT-6.1 Sol — 460 000 cachade tokens till $0.10/M är $0.046, 40 000 nya indatatokens till $2.00/M är $0.080, och 20 000 utdatatokens till $10.00/M är $0.200. Totalt $0.326.

• På Hy4 Preview — 460 000 cachade tokens till $0,042/M är $0,019, 40 000 nya indatatoken till $0,834/M är $0,033 och 20 000 utdatatoken till $2,501/M är $0,050. Totalt $0,102.

Hy4-anropet är lite mindre än en tredjedel av GPT-6.1 Sol-anropet i den här formen. Nu till förbehållet som gör jämförelsen ärlig: detta är en jämförelse av två prislistor tillämpade på ett identiskt tokenantal, och tokenmängderna är inte identiska mellan modeller. En modell som resonerar längre innan den svarar avger fler utdatatoken för samma uppgift, och det finns dokumentation på att GPT-6.1 Sol producerar 10–30 % fler utdatatoken än sin föregångare GPT-6 Sol vid jämförbart arbete. Om Hy4 Previews standard för resonemang "high" gör den lika ordrik, krymper gapet i verkligheten; om OpenAI:s modell är den mer ordrika av de två, ökar gapet bortom de 3,2× som aritmetiken visar. Prislistor talar om priset för en token. De talar inte om hur många token en uppgift kostar, och bara att köra din egen arbetsbelastning avgör saken.

Där benchmarkarna hjälper och inte hjälper

Det här är avsnittet där de två modellernas beviskvalitet skiljer sig åt, och skillnaden är själva poängen.

Tencents huvudutvärdering för Hy4 Preview är ett blindt sida-vid-sida-preferenstest, och resultatet är 2,99 för Hy4 Preview mot 2,92 för GLM 5.3 och 2,94 för Kimi K3. Läs det noggrant: det är Tencents egen utvärdering, det är en preferenspoäng snarare än en träffsäkerhetspoäng, segermarginalen är sju hundradelar av en poäng på en ungefärlig trepunktsskala, och jämförelseuppsättningen är två andra öppna modeller. Det är ett bevis på att Hy4 Preview är konkurrenskraftig mot den nuvarande nivån av öppna vikter. Det är inte ett bevis på att den är konkurrenskraftig mot en proprietär modell i framkanten, och ingen testsvit i lanseringsmaterialet gör något sådant påstående.

Tencent rapporterar också om en förbättring av genomströmningen på 31,8 % från modellens eget självoptimeringsarbete, och arkitekturen innehåller ett inbyggt lager för multi-token-förutsägelse för spekulativ avkodning. Båda är leverantörens påståenden om serveringseffektivitet, inte reproducerade av någon annan, och båda är trovärdiga för en 770B/49B MoE byggd med det lagret – men de beskriver hur snabbt modellen svarar, inte hur bra den är.

GPT-6.1 Sol har det starkare bevisläget och det är värt att vara precis om varför. Dess oberoende Intelligence Index-rad vid maximal resonemangsansträngning är 52, med en uppmätt kostnad för körning på 0,72 dollar per uppgift och en utdatahastighet på ungefär 65 till 67 tokens per sekund — en tredje part körde den, poängsatte den och rapporterade vad körningen kostade. Dess värde för Artificial Analysis Terminal-Bench 4.0 är 56,06, mot 43,94 för föregångaren GPT-6 Sol, vilket placerar generationsskiftet i shellbaserade agentiska uppgifter på omkring tolv punkter. Mot detta står OpenAI:s egna huvudevalueringar för modellen — inklusive ett Terminal-Bench Science-resultat som anger 5,47 dollar per uppgift vid maximal ansträngning mot 23,21 dollar för Claude Opus 5.5 — och de är leverantörens körningar med leverantörens baslinjer, och ingen har reproducerat dem.

Så den ärliga sammanfattningen av bevisningen är ensidig och pekar bara åt ett håll: GPT-6.1 Sol har en tredjepartsmätning av både kvalitet och kostnad per uppgift, och Hy4 Preview har en preferenspoäng från leverantören gentemot andra öppna modeller. Det betyder inte att Hy4 Preview är sämre än vad preferenspoängen antyder. Det betyder att ingen utanför Tencent har mätt den, vilket är ett annat påstående, och en anledning att testa den på dina egna uppgifter i stället för att lita på någon av sidornas siffror.

Frågan om självhosting, med riktiga siffror

Hy4 Previews öppna vikter är anledningen till att ta det på allvar bortom API-priset, och anledningen till att det inte heller är en enkel seger.

De praktiska siffrorna, så som de publicerats: en Q4_K_M-kvantisering av modellen uppgår till ungefär 435 GiB, en 1-bitars kvantisering till ungefär 213 GiB, och den fullt okvantiserade modellen kräver i storleksordningen 1,5 TB VRAM. Siffran 213 GiB för 1-bitarskvantiseringen är den enda av de tre som en enda nod med hög minneskapacitet kan rymma, och det är också den som kommer att kosta dig mest i kvalitet. Siffran 435 GiB för Q4_K_M kräver multi-GPU-infrastruktur som de flesta team inte har stående oanvänd.

Vad det innebär i praktiken: att själv hosta Hy4 Preview är ett verkligt alternativ för organisationer som redan kör den typen av hårdvara, och ett investeringsprojekt för alla andra. Om du tillhör den första gruppen är API-priset ovan irrelevant för dig – du byter en mätarbaserad faktura mot en fast, och Apache 2.0 medför ingen licenskostnad utöver. Om du tillhör den andra gruppen är API-taxan det enda tal som spelar roll, och taxorna $0.834 / $2.501 / $0.042 är anledningen till att överhuvudtaget titta på modellen.

Ett förbehåll från användare, och det gäller kostnad snarare än förmåga: Hy4 Previews dokumenterade skavanker är överdrivet resonerande och överdrivet verifierande – att göra av med fler tokens än en uppgift behöver, att kontrollera arbete som redan är korrekt. I ett avgiftsbelagt API syns det beteendet på utdataraden vid $2.501 per miljon; på självhostad hårdvara syns det som latens. Hur som helst är den rekommenderade temperaturen på 0.9 och standardinställningen för resonemang "high" konfigurationsval värda att justera innan du bedömer modellen utifrån kostnad.

Vilket kort du bör hålla

De två modellerna är inte substitut för samma köpare, och uppdelningen är tydlig.

Välj GPT-6.1 Sol om arbetsbelastningen är dyr att få fel och billig i förhållande till kostnaden för misslyckande — långa agentiska kodningsloopar, datoranvändning, dokumenttungt professionellt arbete där en uppgift som misslyckas kostar mer än de tokens som producerade den. Den har de oberoende mätningarna, den bredare kontexten, dubbelt så högt utdatatak och en kunskapsavgränsning den 2026-04-30. Budgetera för att dess utdatamätare är där pengarna går, och designa runt tröskeln på 272 000 indatatoken över vilken Open​AI ändrar priset för hela begäran. Den finns i vår katalog till Open​AI:s listpriser med 0 % påslag: https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

Välj Hy4 Preview om arbetsbelastningen är högvolym, kostnadskänslig och tolerant mot en modell som ingen utanför dess tillverkare har benchmarkat — bulkextraktion, klassificering, sammanfattning, verktygsanropande agenter där uppgiften är väl specificerad och ett misslyckande är billigt att försöka igen. Vid $0.834 / $2.501 / $0.042 är det en tredjedel av kostnaden vid samma tokenantal, det är öppen källkod under Apache 2.0 om du någon gång vill sluta hyra den, och den finns i vår katalog till Tencents listpriser utan påslag: https://www.orcarouter.ai/models/tencent/hy4-preview. Samma regel om 0 % påslag gäller båda raderna, vilket innebär att en leverantörs prissänkning landar i katalogen samma dag som den landar på leverantörens sida, i stället för efter att en återförsäljare har märkt det.

Den konfiguration som de flesta team faktiskt vill ha är båda, där den billiga modellen tar volymen och den dyra tar den svåra svansen — och det är precis den uppsättning som en enda slutpunkt med automatisk failover över 200+ modeller finns för att göra billig, eftersom en obeprövad modell som Hy4 Preview är mycket lättare att prova när den ligger bakom samma nyckel som en modell du redan litar på, med en rutt som faller tillbaka automatiskt i stället för en andra integration att underhålla.