
Hy4 flash vs Qwen3.8-Flash: Dubbelt så många aktiva parametrar, halva priset per token
- 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 · 175 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 · 86 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 · 120 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 · 92 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 · 116 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Den billigare modellen här är den större. Hy4 flash aktiverar 11,3 miljarder textparametrar för varje token och listas till $0.070 per miljon indatatoken. Qwen3.8-Flash aktiverar ungefär 6 miljarder och listas till $0.15. Nästan dubbelt så mycket aktiv beräkningskraft per token, mindre än halva indatapriset – och inget av de två talen är det som avgör vilken modell du faktiskt bör anropa.
{{1}}Hy4 flash{{/1}} är två dagar gammal. {{2}}Tencent{{/2}} lade upp den på sitt eget API den {{3}}16 november 2026{{/3}}, publicerade vikterna dagen därpå och släppte tre repositorier för den: instruct-checkpointen, en {{4}}FP8{{/4}}-version och en basmodell. Det är en mixture-of-experts-modell med {{5}}220 miljarder parametrar{{/5}} och {{6}}12 miljarder aktiva{{/6}}, en {{7}}kontext på 1 048 576 token{{/7}}, bildinmatning och textutmatning, under {{8}}Tencent Hy License{{/8}}. {{9}}Qwen3.8-Flash{{/9}} har funnits på {{10}}QwenCloud{{/10}} sedan {{11}}Alibaba{{/11}} lanserade den tillsammans med vikterna för {{12}}Qwen3.8-Flash-Next{{/12}} den {{13}}26 augusti 2026{{/13}}: en expertkropp med {{14}}125 miljarder parametrar{{/14}} som aktiverar cirka {{15}}6 miljarder{{/15}}, plus en n-gram-inbäddningstabell med {{16}}51 miljarder parametrar{{/16}}, som tar in text, bild och video och returnerar text, vid {{17}}1M kontext{{/17}} och en {{18}}maximal utmatning på 131K{{/18}}.
Utformningen av den här jämförelsen är ovanlig. Den ena modellen är den bäst dokumenterade billiga nivån på marknaden och den andra är den minst dokumenterade. Den ena har en oberoende benchmarkrad och den andra har en 404. Och de två priskorten är denominerade i olika valutor, säljs på olika marknader och hedgas av olika mängder finstilt. Det intressanta är inte 2,1x på inmatningsraden — det är vad som händer med den skillnaden när man slutar prissätta tokens och börjar prissätta färdigt arbete.
Inversionen på prislistan, före allt annat
Tencent:s prislista för fastlandet för Hy4 flash anger ¥0,5 per miljon indata, ¥2 per miljon utdata och ¥0,02 per miljon cachad indata. Tencent anger samma tre poster i dollar som $0,070, $0,281 och $0,003. QwenClouds prislista för Qwen3.8-Flash anger $0,15 in, $0,47 ut, $0,016 för en cacheläsning och $0,20 per miljon för att uttryckligen skapa en femminuterscache.
• Indata – 0,070 USD mot 0,15 USD. Hy4 flash är 2,1 gånger billigare.
• Utdata – 0,281 $ mot 0,47 $. Hy4 flash är 1,7 gånger billigare.
• Cachad indata — $0,003 mot $0,016. Hy4 flash är 5,3 gånger billigare på den radpost som dominerar för varje agent som återsänder en fast prompt.
• Blandat i förhållandet 3:1 mellan indata och utdata – cirka 0,123 $ per miljon jämfört med 0,230 $.
• Blandat 1:3, output-dominerande – cirka 0,228 USD mot 0,390 USD.
Det är en verklig lucka, och en mindre sådan än det förhållande som rubriken antyder, eftersom outputkolumnen är där båda modellerna faktiskt lägger pengar på agentiskt arbete, och outputluckan är bara 1,7x. Den är också mindre än den lucka som endera av dessa modeller uppvisar mot en västerländsk flaggskeppsmodell, vilket är det sällskap som var och en av dem håller sig med i den här nivån.
Den ärliga varningen för alla fem raderna: dessa är inte samma slags pris. Tencents är ett listpris i RMB för fastlandet som Tencent har omvandlat för engelskspråkiga läsare, och Tencent har redan kört kampanjrabatter på den här modellen under dess första vecka. QwenClouds är ett listpris i USD på en global slutpunkt. Ett team som köper i dollar utanför Fastlandskina bör behandla Hy4 flash-siffrorna som golvet för vad som är tillgängligt snarare än det belopp de kommer att faktureras, och bör läsa kortet igen innan de modellerar något utifrån det.
Kör volymen ändå, eftersom formen håller. Tio miljoner indatatoken och två miljoner utdatatoken per dag kostar 1,26 USD på Hy4 flash och 2,44 USD på Qwen3.8-Flash – 461 USD mot 891 USD över ett år, en skillnad på cirka 430 USD vid en arbetsbelastningsstorlek som ett litet team faktiskt kan generera. Flytta mixen mot cache, som alla multi-turn-agenter gör, och gapet ökar: två miljoner färska indata, åtta miljoner cacheläsningar och två miljoner utdata uppgår till 0,73 USD per dag mot 1,37 USD, eftersom cache-läsningskvoten är 5,3x i stället för 2,1x.

Båda leverantörerna lade nästan en tredjedel av parametrarna på samma idé
Det här är den del av jämförelsen som ingen av leverantörernas lanseringsinlägg ställer bredvid den andras, och det är anledningen till att de två modellerna är prissatta inom en faktor två i stället för en faktor tio.
Hy4 flash har 63,5 miljarder Engram-parametrar – inlärda bigram- och trigramrepresentationer som hämtas via multi-head-hashuppslagningar och kopplas in i stommen vid lager 1, 11, 21 och 31. Det är 28,9 % av modellens 220 miljarder parametrar som ligger i en uppslagstabell i stället för i experter. Qwen3.8-Flash har en n-gram-inbäddningstabell med 51 miljarder parametrar, indexerad på den aktuella token plus flera föregående, av cirka 180 miljarder parametrar på disk – 28,3 %.
Två labb, två generationer, samma slutsats: det billigaste sättet att ge en gles modell mer kapacitet är att sluta betala beräkning per token för den. Båda tabellerna kan ligga i värdminnet och förhämtas asynkront, så ingen av dem upptar GPU-minne permanent. Ingen av dem lägger till en matrismultiplikation i framåtpassningen. Båda är i praktiken en satsning på att en stor del av det en språkmodell behöver veta är lokalt förutsägbart från de senaste få tokenarna, och att den glesa expertkroppen bör reserveras för det som inte är det.
Även uppmärksamhetsstackarna rimmar. Hy4 flash varvar IndexPool gles uppmärksamhet med glidande fönster på 512 token i förhållandet 1:3 över 42 lager, och Tencent rapporterar att den resulterande KV-cachen är 1/24 av Hy3:s och 1/6 av Hy4:s. Qwen3.8-Flash använder Gated DeltaNet med Qwen Sparse Attention, komprimerar historiken till tillstånd av fast storlek i tre av var fyra lager och dirigerar resten genom en indexerare på blocknivå. Båda är svar på samma fråga – hur betjänar man ett fönster på en miljon token utan att betala för en KV-cache på en miljon token – och båda svaren landar i någon variant av "rikta inte uppmärksamheten mot allt".
Skillnaden är vad de extra aktiva parametrarna ger. Hy4 flash kör 11,3 miljarder textparametrar mot Qwen3.8-Flashs 6 miljarder, på 41 MoE-lager med 16 av 512 routade experter plus en delad expert, i ett latent rum på 1 536 dimensioner. Det är nästan dubbelt så mycket beräkning per token, i en modell som tar mindre än hälften betalt per token. Oavsett vad annat som är sant, tar Tencent inte igen den kostnaden från kunden – de tar igen den från serveringsstacken: 4-bitarsvikter, megakärnor och DFly2, en drafter på 0,85 miljarder parametrar som återanvänder målmodellens glesa KV- och indexval så att varje utkasttoken bearbetar högst cirka 2 000 nycklar oavsett kontextlängd. Tencent uppger avkodning över 150 token per sekund med dessa tre tillsammans.
Vad 29,5 minuter per uppgift faktiskt ger
Priser per token är fel enhet för båda dessa modeller, och den oberoende datan gör det konkret på ena sidan av jämförelsen.
Artificial Analysis poängsätter Qwen3.8-Flash-Next – den öppna viktartefakten, inte den hostade SKU:n – till 28,6 på Intelligence Index v5.0.1, till $0,569 per uppgift, över 29,5 minuter per uppgift, vid 83,6 utdatatokens per sekund, med 2,5 sekunder till första token och 68,3 sekunder till första svartoken.
De fem siffrorna ger tillsammans något mer användbart än någon av dem var för sig. Vid 83,6 token per sekund i 1 768 sekunder producerar en uppgift ungefär 148 000 utdatatoken. Till $0,47 per miljon blir det ungefär sju cent i utdata. De övriga femtio centen av $0,569 är indata, vilket vid $0,15 per miljon innebär minst 3,3 miljoner indatatoken för hela uppgiften – mer om en del av den serverades från cache till den lägre taxan. En indata på 3,3 miljoner token mot en kontext på 1M är inte en enda prompt. Det är en loop: läs, agera, läs igen, tjugo eller trettio turer djupt, med kontexten återuppbyggd eller vidareförd varje gång.
Det är arbetsbelastningen som båda modellerna är byggda för, och det är därför Hy4 flashs designval framstår som de gör. Tencent:s efterträningspipeline minskade den genomsnittliga end-to-end-utdata med 50 % genom förstärkningsinlärning, och dess interna blindutvärdering rapporterar en median på 6,7 minuter för slutförande av en uppgift till 0,26 RMB per uppgift – cirka 0,037 USD enligt gällande kurser. Dess interna WorkIndex-svit placerar Hy4 flash på 42,1 mot 39,7 för Hy4 preview, till en genomsnittlig kostnad per uppgift som Tencent anger som en trettondel av Hy4 preview, en tjugondel av Hy4 och en åttondel av DeepSeek-V4.1-Flash-1017 vid prissättning för högtrafik.
Dela inte de siffrorna med Artificial Analysis. En median på 6,7 minuter för 259 WorkBuddy-uppgifter bland 85 interna användare är inte en median på 29,5 minuter i Intelligence Index, och en RMB-siffra per uppgift från en leverantörs egen testrigg är inte en dollar-siffra per uppgift från en oberoende sådan. Jämförelsen som de stödjer är riktningsgivande, och det är värt att säga rakt ut: Qwen3.8-Flashs uppmätta kostnad per uppgift domineras av hur många tokens den förbrukar och hur lång tid den tar, inte av vad den tar betalt per token. En modell som skriver hälften så mycket och blir klar på en femtedel av tiden kan vara 1,7 gånger billigare per token i utdata och en storleksordning billigare per slutfört jobb. Huruvida Hy4 flash faktiskt är den modellen är precis det som ingen ännu har mätt.
Resultattavlan har en rad, och den är inte för den modell du skulle kalla.
Två avslöjanden, som båda förändrar hur mycket tyngd siffrorna ovan kan bära.
Först: Hy4 flash har ingen sida på Artificial Analysis. Inte ett lågt betyg, inte en orankad post – https://artificialanalysis.ai/models/hy4-flash returnerade 404 den 18 november 2026, tre dagar efter att API:et öppnades och en dag efter att vikterna släpptes. Det finns över huvud taget ingen oberoende mätning av den här modellen. Tencents publicerade benchmarktabell omfattar de förtränade bascheckpunkterna, Hy4 flash Base mot Hy4 Base och DeepSeeks basmodeller, vilket säger något om förträning men inget om instruktionsmodellen eller det resonemangsläge du faktiskt skulle anropa. Det enda beviset för instruktionsmodellen är Tencents eget: WorkIndex, blindtestet och en kostnadskvot per uppgift.
För det andra: 28,6 och $0,569 tillhör Qwen3.8-Flash-Next, den nedladdningsbara kontrollpunkten. Den hostade Qwen3.8-Flash på QwenCloud är en separat finjusterad serveringsbuild; Alibaba säljer den som den produktionsiserade medlemmen av serien och de två är inte utbytbara. Artificial Analysis registrerar också Qwen3.8-Flash-Next med en kontext på 256 000 token – kontrollpunktens inbyggda fönster före YaRN-utökning – medan QwenCloud serverar den hostade modellen med 1M och en maximal indata på 991K. Om du prissätter den hostade modellen förlitar du dig på QwenClouds modellkort och Alibabas egna utvärderingar för allt utom intelligenspoängen, som är kontrollpunktens.
Så asymmetrin är påtaglig på ett sätt som är lätt att konstatera och svårt att lösa: den ena modellen har en oberoende poäng som tillhör en annan artefakt, och den andra har ingen oberoende poäng alls. Varje artikel som utnämner en vinnare när det gäller förmåga här hittar på en. Vad som kan sägas är snävare och fortfarande användbart. Qwen3.8-Flash på 28,6 ligger under Tencent Hy4, flaggskeppsmodellen med 770 miljarder parametrar från samma familj, på 34,6, och under Claude Haiku 5.5 på 36,5 på samma indexversion – en stabil poäng på mellannivå, vilket är vad en liten flash-modell bör producera. Hy4 flash, på Tencent egen interna svit, får högre poäng än Hy4 preview och klart lägre än Hy4, vilket är samma relativa position via ett annat instrument.
Video är den enda raden som bestämmer sig själv.
Allt ovanstående är diskutabelt. Det här är det inte.
• Hy4 flash-indata – text och bilder, via en encoder härledd från SigLIP2-So400m över en MLP-projektor. Utdata är text.
• Qwen3.8-Flash-indata – text, bild och video. Utdata är text.
Om din pipeline tar in en skärminspelning, en samtalsinspelning eller en videofil kan Hy4 flash inte ta emot den, medan Qwen3.8-Flash kan. De öppna vikterna hjälper inte, en adapter hjälper inte, och ingen prisfördel, hur stor den än är, stänger gapet. Båda rymmer en miljon tokens i kontext, båda hanterar dokument och skärmbilder, och på den gemensamma grunden förblir jämförelsen öppen; för video är den stängd.
Tencents egna rekommenderade arbetsbelastningar för Hy4 flash stämmer väl överens med den gränsen – djup sökning, dokumentbearbetning, skapande av presentationer, enkla frontend-demos, computer use – och deras egen vägledning hänvisar i stället långsiktig mjukvaruutveckling till Hy4. Det är en leverantör som medger ett tak, vilket är mer informativt än det mesta av lanseringstexter och är värt att ta för vad det är.
Båda är nedladdningsbara, och nedladdningarna är inte likvärdiga

Hy4 flash släpptes som öppna vikter den 17 november: tencent/Hy4-flash, tencent/Hy4-flash-FP8 och tencent/Hy4-flash-base. En fillista den 18 november anger BF16-checkpointen till 440,5 GB fördelat på 148 shards och FP8-versionen till 287,1 GB. Qwen3.8-Flash-Next har varit offentlig sedan den 24 augusti och mäter 360,0 GB fördelat på 131 shards.
• Serveringsrecept — Tencent publicerar pinnade avbildningar, vllm/vllm-openai:hy4-flash och lmsysorg/sglang:hy4-flash, med flaggorna tensor-parallel-8 och speculative-decoding utskrivna. Qwen3.8-Flash-Next har haft stöd för SGLang, vLLM och Transformers sedan sin lanseringsvecka.
• Transformers – Hy4 flash kräver en installation från en pull-request-ref, refs/pull/50903/head, eftersom stödet ännu inte finns på main. Qwen3.8-Flash-Next laddas från main.
• Kvantisering – Tencent levererar en officiell FP8-version och en AngelSlim GGUF; Qwen-ekosystemet har haft fyra månader på sig att ta fram egna kvantiseringar från communityn.
• Ekosystemsignal — Qwen3.8-Flash-Next registrerade 2 983 542 nedladdningar den senaste månaden och 7 276 gillningar den 18 november. Hy4 flash, som publicerades dagen före, visade 96 gillningar och noll nedladdningar.
• Hårdvara – 440 GB BF16-vikter får inte plats på åtta 80 GB-kort, så FP8-bygget på 287 GB över åtta H100 är den realistiska driftsättningen på en enda nod, och det är exakt den TP=8-konfiguration som Tencents eget recept anger.
Pinnade avbildningar och en installation från en PR-referens är inte diskvalificerande; de innebär att du kör de byggen som Tencent testade i stället för byggen som har släppts, vilket är en skillnad i vem som äger nästa bugg. Qwens fördel här är helt och hållet en funktion av fyra månaders förfluten tid, och den kommer att urholkas. I dag är den verklig, och den är den näst största luckan i den här jämförelsen efter den saknade benchmarkraden.
De två licenserna har båda en klausul om modell-som-tjänst, och de är olika klausuler.
Båda modellerna är gratis att ladda ned, och ingen av dem får ovillkorligt säljas vidare, men triggarna har inte samma form och skillnaden spelar roll om du hostar modeller åt andra.
• Tencent Hy License v1.0 — en derivata av Apache 2.0. Avsnitt 10.2 kräver en separat skriftlig licens om du bedriver verksamhet med model-as-a-service och dina globala bruttointäkter överstiger 50 miljoner US-dollar under någon tolvmånadersperiod, eller om din produkt passerar 100 miljoner månatligt aktiva användare. Avsnitt 10.3 undantar intern användning.
• Qwen Community License 1.0 – kräver en separat licens för all Model-as-a-Service- eller AI Work Assistant-verksamhet oavsett storlek, medan intern användning är undantagen. Den kräver dessutom separat att modellnamnet visas på ett framträdande sätt om du överskrider 100 miljoner månatligt aktiva användare eller 20 miljoner US-dollar i månatliga intäkter.
• Qwen-undantaget är värt att läsas två gånger – licensen utesluter uttryckligen "den blotta vidarebefordran av förfrågningar till modeller som hostas av andra tredjeparter" från sin definition av Model as a Service. Tencents licens har ingen motsvarande mening.
Ingendera har någon territoriell begränsning, vilket är mer än man kan säga om flera kinesiska licenser för öppna modellvikter. Om du bygger ett internt verktyg är båda gratis oavsett skala. Om du bygger en produkt som återförsäljer inferens är Tencents tröskel enklare och Qwens undantag för vidarebefordran mer tillåtande för en viss typ av mellanhand, och vilken av dem som är bindande för dig beror på vilken av dessa två verksamheter du befinner dig i.
Vad är inlösbart idag, med en enda knapp

Qwen3.8-Flash finns i OrcaRouter-katalogen som qwen/qwen3.8-flash, till $0.15 per miljon indatatoken och $0.47 per miljon utdatatoken med en cacheläsning på $0.0184 – QwenClouds publicerade priser för prompt och completion förs vidare med 0 % påslag, så en sänkning från leverantören för den här modellen når dig samma dag som den sker i stället för vid nästa katalogsynkronisering.
Hy4 flash finns inte i katalogen ännu. Det som finns för den här familjen är tencent/hy4-preview till $0.834 och $2.501 per miljon med en cacheläsning på $0.042 – modellen som Hy4 flash destillerades från, och den rätta baslinjen att köra mot Tencents eget API medan du väntar på att flash-vägen ska lanseras. Att säga något annat vore att hävda en väg som vi inte har.
Det den asymmetrin ger dig är ett billigt sätt att avgöra saken själv. Kör dina tjugo mest representativa uppgifter på qwen/qwen3.8-flash via nyckeln du redan har, och på Hy4 flash via Tencent:s. Anteckna indatatokens, utdatatokens, cacheträffar, väggklockstid och om utdata gick att använda. Kvoten per uppgift som du får fram är den enda versionen av Tencents påstående om en trettondel som gäller för din trafik, och den kostar en eftermiddag i stället för en migrering.
När flash-rutten väl är på plats är det användbara mönstret en routningsregel snarare än en switch: lägg videoinmatningsnivån på Qwen-rutten eftersom den är den enda av de två som tar emot video, och text- och dokumentnivån på den modell som dina egna siffror talar för. Routnings-DSL:en uttrycker den uppdelningen i en enda endpoint, automatisk failover innebär att en oprövad rutt som är två dagar gammal och börjar försämras inte tar hela pipelinen med sig, och samma nyckel når fler än 200 modeller utan ett andra avtal.
Beslutet, uttryckt som tre fall
Om du behöver videoinmatning slutar jämförelsen här. Qwen3.8-Flash klarar det, Hy4 flash gör det inte, och inget prisargument överlever en saknad modalitet.
Om du behöver en modell med en oberoende poäng innan den når en kundvänd miljö har du redan ditt svar av samma anledning. 28,6 på Intelligence Index v5.0.1 är en blygsam siffra – under Tencent:s egen flaggskeppsmodells 34,6 och under Claude Haiku 5.5 på 36,5 – men den är uppmätt, offentlig och reproducerbar, och Hy4 flash har inget liknande. Det kommer förmodligen att ändras; det är det enskilt mest värdefulla som någon skulle kunna publicera om den här modellen.
Om din arbetsbelastning består av stora mängder text och dokument, är latenskänslig och du kan köra din egen utvärdering är Hy4 flash värd en eftermiddag. Nästan dubbelt så många aktiva parametrar till mindre än halva indatapriset är inget vanligt byte, raden för cachad indata på $0.003 gör det nästan gratis att skicka om prompten för långkörande agenter, och vikterna innebär att priset är ett alternativ snarare än det enda. Gå in med vetskapen om att du är den första personen att mäta det, att dess publicerade benchmarktabell beskriver en annan checkpoint än den du kommer att anropa, och att 440 GB BF16-vikter inte får plats på en enda nod utan FP8-bygget.
Det tal du ska hålla ögonen på är inte ännu ett lanseringsinlägg. Det är en rad i Artificial Analysis för Hy4 flash, eftersom den omvandlar en leverantörs interna kvot till en siffra som du direkt kan ställa mot Qwen3.8-Flash-Nexts $0,569 per uppgift över 29,5 minuter. Om Hy4 flash landar betydligt under det i kostnad per uppgift samtidigt som den håller sig inom några indexpoäng, är prisskillnaden hela historien och den här nivån omorganiseras kring den. Om den landar billigt eftersom den gör mindre arbete per uppgift, då är det en dokument- och bildspelsmodell med ett ovanligt bra prisblad, och Tencents egen driftsättningsvägledning säger redan det.
Jämförda i den här artikeln3
Identifierat från den här artikeln
