
Hy4 flash har nu öppna vikter: Läs avsnitt 10 innan du laddar ner den
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 138 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 176 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 118 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 187 tok/s
Tencent Hy License, Version 1.0, är en Apache 2.0-derivata med ett extra avsnitt, och det avsnittet är anledningen till att läsa den här utgåvan noggrant i stället för att bara hämta checkpointen. Avsnitt 10.2 säger att om du driver en model-as-a-service-verksamhet och din globala bruttointäkt överstiger 50 miljoner US-dollar under någon tolvmånadersperiod – eller din produkt passerar 100 miljoner månatliga aktiva användare – behöver du en separat skriftlig licens från Tencent innan du använder vikterna, eller fortsätter använda dem. Avsnitt 10.3 undantar intern användning. I avsnitt 2 av Apache-medgivandet finns de royaltyfria rättigheterna, och avsnitt 10.2 inleds med orden "Utan hinder av avsnitten 2 och 3." Så nedladdningen är gratis och driftsättningen är inte villkorslöst gratis, och gränsen mellan de två dras vid huruvida utomstående kan nå modellen via din infrastruktur.
Det är ramen för vad Tencent publicerade den 17 november 2026 kl. 03:44 UTC, när tre repositorier dök upp på Hugging Face inom nittio sekunder från varandra: Hy4 flash, den instruktionstränade chattmodellen; Hy4 flash-FP8, samma modell i FP8; och Hy4 flash-Base, den förtränade checkpointen utan någon efterträning alls. Instruktionsmodellen har totalt 220 miljarder parametrar, varav 64 miljarder i Engram-tabeller och 12 miljarder aktiva per token; den har inbyggd multimodalitet på ingångssidan och är konfigurerad för en kontext på 1 048 576 token. Det är samma modell som Tencent gjorde tillgänglig via sitt API två dagar tidigare, den 16 november, med skillnaden att du nu kan köra den på hårdvara du äger.
Vad finns det egentligen i de tre repositorierna?
Uppdelningen är tydligare än i de flesta lanseringar med öppna vikter, eftersom de tre checkpunkterna verkligen är olika saker och inte tre filnamn för en och samma artefakt.
• Hy4 flash — instruktionsmodellen, chattmallen och resonemangslägena ingår. Stöder reasoning_effort med high (standard, tänkande på) och no_think (direkta svar). Tencent rekommenderar temperature 0.9 och top_p 1.0.
• Hy4 flash-FP8 — samma vikter kvantiserade för produktionsdrift. Det är den som de officiella recepten för vLLM och SGLang pekar på, och den som Tencent säger klarar 150 token per sekund på en nod med tensor-parallel-8.
• Hy4 flash-Base – endast förtränad. Modellkortet säger uttryckligen att detta "är en förtränad basmodell, inte en instruktionstrimmad chattmodell", vilket spelar roll eftersom varje benchmarktabell i lanseringen är en bas-mot-bas-tabell. Instruct-modellens siffror är leverantörens WorkIndex- och blindtestvärden, inte en offentlig utvärderingssvit.
Två detaljer i metadatan är värda mer än de ser ut. Den första är att reporna är flaggade som image-text-to-text på pipeline-nivå, så visionskodaren levereras med vikterna i stället för att eftermonteras nedströms. Den andra är en nummeravvikelse: Tencents lanseringsmaterial den 16 november beskrev modellen som 224B, och modellkortets egen tabell summerar till 220,3B – 155,5B backbone, 63,5B Engram, 0,43B ViT, 0,85B DFly2-drafter. Inget av siffrorna är fel i sitt sammanhang; 224B-siffran verkar räkna med DFly2-draftern och avrunda på ett annat sätt, medan kortets tabell utesluter Engram, ViT och DFly2 från sin egen 155,5B-backbone-rad och sedan lägger tillbaka dem. När en leverantör levererar två totalsummor för en modell är det modellkortet man ska citera.

Arkitekturen är ett kostnadsargument klätt i arkitekturens kläder.
Väldigt lite av den här designen är vettigt om man läser den som en kapacitetssatsning. Läst som ett sätt att krympa KV-cachen och avkodningssteget blir allt begripligt.
• Attention – gles IndexPool-attention som varvas med glidande fönster-attention på 512 token i förhållandet 1:3, ovanpå en multi-head latent attention (MLA)-formulering. Glesa lager väljer upp till 2 048 token genom urval på gruppnivå; det finns 12 glesa lager och 30 SWA-lager över en backbone med 42 lager.
• Routing — 512 routade experter plus en delad expert per MoE-lager, 16 routade experter aktiveras per token, och arbetar i ett LatentMoE-utrymme med dimensionen 1 536 i stället för den fulla expertbredden.
• Engram – inlärda bigram- och trigramrepresentationer som hämtas med multi-head-hashuppslagningar i backbone-lagren 1, 11, 21 och 31. Det är de 63,5B som kortet räknar separat från backbone.
• Drafter — DFly2, en 5-lagers 0,85B-modell för spekulativ avkodning som återanvänder målmodellens glesa KV-cache och indexeringsurval i stället för att hålla en egen. Tencent hävdar en konstant utkastkostnad på cirka 2 048 nycklar per utkasttoken, oavsett hur lång kontexten är, och noll extra KV-minne.
• Rubrikens effektivitetssiffra — KV-cache vid 1/24 av Hy3:s och 1/6 av Hy4:s, leverantörsrapporterad och inte oberoende uppmätt.
• Efterträning – självdestillation från Hy4 plus förstärkningsinlärning, vilket Tencent säger minskar genomsnittliga end-to-end-utdatatokens med 50 %. Kortare utdata är där en stor del av kostnadsbesparingen faktiskt kommer ifrån, och det är den del som är minst synlig i någon prislista per token.
Sammantaget är det en modell som konstruerats så att en kontext på 1M tokens inte kostar vad en kontext på 1M tokens normalt kostar att betjäna. Kontextlängden är marknadsföringsraden; andelen KV-cache är det tekniska påståendet bakom den.

Vad Tencent mätte, och vad det inte gjorde
Alla siffror i det här avsnittet är Tencents, framtagna i Tencents testramverk, och inget av det har återgivits utanför företaget. Artificial Analysis har ingen sida för Hy4 flash – modellens URL returnerar 404 sedan den 18 november – så det finns ingen poäng från tredje part att ställa bredvid något av det.
Basmodellstabellen jämför Hy4 flash-Base mot Hy4 Base, Hy3 preview Base, DeepSeek-V4-flash-Base och DeepSeek-V4-Pro-Base, alla i samma pipeline. Det är den mest ärliga tabellen i släppet just för att den har rader där den förlorar: MMLU-Pro ligger på 71,1 för Hy4 flash-Base mot 73,9 för Hy4 Base och 73,4 för DeepSeek-V4-Pro-Base; SimpleQA ligger på 37,5 mot 57,2 och 52,1. Där den vinner, vinner den med stor marginal på kinesiska och flerspråkiga rader – C-Eval 92,0, CMMLU 91,6, AGIEval Chinese 90,6, Belebele 93,8, INCLUDE 82,8 – vilket är vad man skulle förvänta sig av en modell som i första hand byggts för Tencents egna produkter.
Läs det finstilta på kortet innan du läser resultaten. Tencent uppger att kraftig exponering för syntetisk instruktionsdata under mellanträningen gör att modellen ibland inte kan följa ”det förväntade svarsformatet i few-shot-utvärderingar, vilket kan snedvrida resultaten” — en leverantör som flaggar att några av dess egna rader kan mäta formatefterlevnad i stället för förmåga. Behandla varje siffra nedan som en övre gräns tills din egen testrigg ger samma resultat.
Instruct-modellen har ingen offentlig prestandatabell alls. Det den har i stället är WorkIndex, en intern svit med åtta uppgiftsfamiljer – skapande av bildspel, redigering av bildspel, människa-AI-samskrivning av bildspel, Markdown-samskrivning, dokumentredigering, reparation av kalkylblad, ljud-/videobearbetning och visuell förståelse. Hy4 flash får 42,1 där mot 39,7 för Hy4 preview och 51,4 för Hy4 själv, till en genomsnittlig kostnad per uppgift som företaget anger till 1/13 av Hy4 preview, 1/20 av Hy4 och 1/8 av DeepSeek-V4.1-Flash-1017 vid prissättning under högtrafik. Och det finns en blind utvärdering med 85 interna WorkBuddy-användare över 259 uppgifter i 27 kategorier, där Hy4 flash får 2,79 av 4 i nöjdhet mot 2,81 för Claude Haiku 5.5, med en median på 6,7 minuter och 0,26 RMB per uppgift.
De är verkliga mätningar av en verklig population. De är också mätningar av Tencent-anställda som utför Tencent-format arbete, poängsatta enligt en bedömningsmall som Tencent har skrivit, och gapet på 0,02 poäng till en konkurrents nöjdhetsbetyg ligger långt inom vilket rimligt brusintervall som helst. Behandla WorkIndex-ordningen som en riktningssignal från leverantören och inget mer.
Det är licensen som avgör hur den här utgåvan faktiskt bedöms.
Öppna vikter är inte öppen källkod, och Tencent Hy-licensen gör skillnaden ovanligt konkret. Fyra klausuler avgör vad ett givet team kan göra:
• Baslicens — Apache 2.0:s tillstånd, inklusive kommersiell användning, modifiering och vidaredistribution, gäller för vikterna, parametrarna, konfigurationen, inferenskoden och dokumentationen.
• MaaS-utlösaren – en separat skriftlig licens krävs om du tillhandahåller tredjeparts fjärråtkomst till inferens eller finjustering och överstiger 50 miljoner US-dollar i globala bruttointäkter under någon tolvmånadersperiod. Intäkter som härrör från modellen räknas, och det gör även intäkter som inte har något med den att göra: klausulen lyder "oavsett om sådana intäkter härrör från Verket eller inte."
• Skalutlösaren – samma krav gäller innan vikterna används i någon produkt med fler än 100 miljoner månatliga aktiva användare under en kalendermånad, oavsett intäktsnivå.
• Två undantag – slutanvändarprodukter vars modellåtkomst är begränsad till specifika funktioner snarare än allmän promptning ligger utanför definitionen av MaaS, och "att bara vidarebefordra förfrågningar till en oberoende driven tredjepartstjänst för modeller" utesluts också. Enbart intern användning är helt undantagen.
Jämför det med licensen för checkpointen ERNIE 5.5 Flash Base, som helt utesluter EU, Storbritannien och Sydkorea som territorier. Tencent utesluter inga territorier. I stället tar man ut en avgift baserad på skala. För en startup som bygger en produkt ovanpå vikterna är det ett väsentligt vänligare dokument än ett territoriellt förbud. För en medelstor inferensleverantör är det ett telefonsamtal till [email protected] innan man lanserar.
Serverar det: tre riktiga sökvägar, alla fästa
Berättelsen om driftsättning är mer komplett än API-berättelsen från lanseringsveckan var, och den är också skörare än en produkt med support, på det specifika sätt som tidigt ramverksstöd alltid är.
• vLLM — den officiella avbilden vllm/vllm-openai:hy4-flash, tensor-parallell 8, FP8-kontrollpunkten, --attention-backend FLASHMLA_SPARSE, DFly:s spekulativa avkodning vid 5 tokens samt hy_v4-parserna för verktygsanrop och resonemang.
• SGLang — lmsysorg/sglang:hy4-flash, multiarkitektur för x86 och Arm, tensor-parallel 8, --speculative-algorithm DFLY med blockstorlek 6.
• Transformers – ännu inte i en release. Kortet säger att du ska installera från en pull request-ref (refs/pull/50903/head) tills sammanslagningen har landat, vilket är den tydligaste möjliga signalen på hur nytt detta är.
• {{1}}Kvantisering{{/1}} — en GGUF-build från AngelSlim-verktygslådan är länkad för end-to-end-testning, och en finjusteringsguide medföljer i repositoryt.
Pinnade images och en PR-ref innebär att modellen fungerar idag på exakt de byggen som Tencent testade och kanske inte fungerar på nästa mindre version av något av ramverken. Det är värt att veta innan du sätter den bakom en produktionsendpoint, och det är därför ramverksrecepten spelar större roll än benchmark-tabellen för alla som faktiskt driftsätter.
Vad öppna vikter gör med API-priset
Tencents listpris för Hy4 flash på det kinesiska fastlandet är 0,5 ¥ per miljon indatatoken, 2 ¥ per miljon utdatatoken och 0,02 ¥ för en cacheträff – ungefär 0,070 $, 0,281 $ och 0,003 $ i aktuella kurser. Det är leverantörens prislista, inte en mätning.
Det priset är inte det som förändras när vikterna levereras. Det som förändras är golvet under det. En modell som du kan ladda ner har ett andra pris, vilket är kostnaden för de GPU:er du kör den på, och hela arkitekturen som beskrivs ovan är ett argument för att detta andra pris är ovanligt lågt för en modell med 1M-kontext. Tencents egna kostnadsförhållanden per uppgift på 1/8 till 1/20 är det argumentet i leverantörsmatematik.
OrcaRouter dirigerar 200+ modeller bakom ett enda API med leverantörens listpris vidarebefordrat med 0 % påslag, så en leverantörsprisändring blir aktiv hos oss samma dag i stället för vid nästa katalogombyggnad. Hy4 flash finns ännu inte i den katalogen – det som finns där är tencent/hy4-preview, den 770B/49B stora lärarmodellen som den här destillerades från, till $0,834 för input och $2,501 för output per miljon med en cache-läsningsavgift på $0,042. Om du vill utvärdera familjen innan du binder upp dig till en självhostad FP8-distribution, är förhandsversionen modellen du kan anropa i dag; vikterna är det du går över till när siffrorna håller. Automatisk failover är den andra halvan av det upplägget, eftersom en två dagar gammal checkpoint som körs på en Transformers-build från en PR-ref är precis den typ av beroende där du vill ha en andra rutt bakom.

Vad du ska titta på
Tre saker kommer att avgöra om den här utgåvan spelar någon roll om sex månader, och ingen av dem är benchmarktabellen.
För det första, 404:an. Hy4 flash har inget oberoende betyg. Tills Artificial Analysis eller en motsvarande aktör kör den är varje kapacitetspåstående i den här texten Tencents, och den ärliga hållningen är att modellen är omätt snarare än välmätt. För det andra, ramverkssammanslagningarna: när Transformers-stödet lämnar pull request 50903 och vLLM- och SGLang-avbildningarna slutar vara pinnade, upphör modellen att vara en forskningsartefakt och blir infrastruktur. För det tredje, licenstolkningarna – det första företaget som driver en MaaS-verksamhet värd 60 miljoner dollar på dessa vikter kommer att berätta för alla hur avsnitt 10.2 faktiskt läses.
Tencent avslutade sitt tillkännagivande med raden "håll utkik efter Hy4 som kommer härnäst", vilket är ett löfte om att modellen med 51,4 på WorkIndex i kostnadsdiagrammen får samma behandling. Om så sker upphör den intressanta frågan att vara huruvida Tencent kan lansera en billig flashmodell med öppna vikter och blir i stället huruvida det kan lansera en dyr sådan som konkurrerar på förmåga snarare än pris.
Jämförda i den här artikeln1
Identifierat från den här artikeln
