
Hy4 flash Vision: 74.8 MMMU-Pro และเหตุใด 52.0 จึงยังคงอยู่
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 184 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 675 tok/s
- Alibabaใหม่Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 ต่อ 1 ล้านโทเค็น · 385 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
เมื่อวันที่ 20 พฤศจิกายน 2026 มี pull request แบบเปิดที่ยื่นต่อ SGLang เสนอการรองรับภาพและภาษา สำหรับ Hunyuan-4-Flash — ชื่อที่เฟรมเวิร์กใช้เรียก Hy4 flash ซึ่งเป็นโมเดลขนาด 220 พันล้านพารามิเตอร์ที่ Tencent เปิดให้ใช้ผ่าน API เมื่อวันที่ 16 พฤศจิกายน และเปิด weights ในอีกหนึ่งวันถัดมา ฝังอยู่ในคำอธิบาย PR ใต้หัวข้อที่ชื่อ "Accuracy / Tests" คือตัวเลข MMMU-Pro ตัวแรกที่ใครก็ตามเคยเผยแพร่สำหรับบิลด์ instruct ของโมเดลนี้: 74.78% โดยเฉลี่ยจากการรัน 3 ครั้งบน 300 ตัวอย่างแรก การ์ดโมเดลของ Tencent เองรายงานว่า Hy4 flash ได้ 52.0 บน MMMU-Pro ตัวเลขทั้งสองห่างกัน 22.8 จุด และไม่ควรนำมาลบกัน เพราะทั้งสองไม่ได้อธิบายสิ่งเดียวกัน การหาว่าแต่ละตัวอธิบายอะไรจริง ๆ เป็นส่วนใหญ่ของสิ่งที่ผู้อ่านต้องรู้ก่อนตัดสินใจว่า Tencent Hy4 ยังเป็นโมเดลที่ควรเรียกใช้เมื่อมีภาพเข้ามาเกี่ยวข้องหรือไม่
สิ่งที่ pull request มีอยู่จริง
PR นี้เป็นหนึ่งในสาม PR ที่แยกออกมาจากการเปลี่ยนแปลงแบบรวมฉบับก่อนหน้า และถูกระบุอย่างชัดเจนว่าต่อยอดซ้อนอยู่บน PR ที่เกี่ยวกับ text-model ณ วันที่ 21 พฤศจิกายน PR นี้ยังเปิดอยู่ ยังไม่ถูก merge มีคอมมิตเดียวครอบคลุมแปดไฟล์ (+1,883 / −13) และช่อง CI ทั้งสามช่องแสดงข้อความ "Skipped — add the run-ci label" ยังไม่มีการรีวิวจาก code-owner ที่เสร็จสมบูรณ์ การรองรับข้อความที่มันต่อยอดนั้นก็ยังเปิดอยู่เช่นกัน ดังนั้นจึงยังไม่มีสิ่งใดในนี้ที่ถูกปล่อยในบิลด์ SGLang ที่เผยแพร่แล้ว รายการ cookbook สำหรับ Hy4 flash ยังคงอธิบายเฉพาะการให้บริการข้อความ และระบุตรงๆ ว่าการรองรับดังกล่าว "is not in a released SGLang wheel yet"
สิ่งที่ diff นี้ทำคือเชื่อมต่อ vision tower เข้ากับเส้นทางการให้บริการแบบครบวงจร ส่วนที่สำคัญมีดังนี้:
• ViT และโปรเจกเตอร์ของมันถูกแบ่งพาร์ทิชัน (sharded) ผ่าน attention tensor parallelism ดังนั้น image tower จึงไม่ใช่คอขวดบนอันดับเดียว (single-rank bottleneck) บนโหนดที่มีหลาย GPU
• การเข้ารหัสตำแหน่งแบบมัลติโมดัลคือ MRoPE แบบสลับ — ตำแหน่ง (t, h, w) ต่อสล็อต — ซึ่งถูกส่งต่อไปยังทั้งเลเยอร์ attention และ rope ของ IndexPool ที่เลเยอร์ sparse ใช้เลือกบริบท นี่คือส่วนที่จะพังเงียบ ๆ หากแปลงเฉพาะเส้นทาง dense
• Engram hashing ถูกสอนให้กู้คืน token id ของภาพและวิดีโอที่อยู่ภายใต้ค่า padding และข้ามการแฮชรายการเหล่านั้น เพื่อให้ตารางหน่วยความจำ n-gram ไม่นำโทเคนสื่อไปใช้ราวกับว่าเป็นข้อความ
• แฟล็ก language_model_only ช่วยให้เอนจินเดียวกันให้บริการโมเดลข้อความได้ โดยไม่ต้องตั้งเส้นทางมัลติโมดัลขึ้นมาเลย
รายละเอียดสุดท้ายนั้นคือบทสรุปที่ตรงไปตรงมาว่าสถานะนี้อยู่ตรงไหน: โค้ดถูกเขียนขึ้นเพื่อให้ความสามารถด้านภาพเป็นตัวเลือกเสริม เพราะสำหรับการนำโมเดล 12B-active ไปใช้งานส่วนใหญ่แล้ว มันจะเป็นเช่นนั้น

ทำไม 74.8 จึงไม่ใช่การเพิ่มขึ้น 22 คะแนน
มีสามสิ่งที่ทำให้ตัวเลขของ PR ต่างจากตัวเลขบนการ์ด และแต่ละอย่างก็ทำให้ตัวเลขนั้นเคลื่อนไปในทางที่ดูดีขึ้น
ประการแรกคือเช็กพอยต์ การ์ดของ Tencent รายงานคะแนนมัลติโหมดสำหรับโมเดลฐานเท่านั้น และระบุไว้ตรง ๆ ว่า "ผลลัพธ์แบบมัลติโหมดจะรายงานเฉพาะสำหรับ Hy4 flash Base และ Hy4 Base เท่านั้น" Hy4 flash Base ได้ 52.0 บน MMMU-Pro (Standard, 10 ตัวเลือก, 4-shot); Hy4 Base ที่ใหญ่กว่าได้ 59.6 เช็กพอยต์ instruct — ตัวที่ใคร ๆ ก็ใช้งานจริง — ไม่มีคะแนนมัลติโหมดที่เผยแพร่เลย PR วัดโมเดล instruct ดังนั้นจึงเป็นการเติมช่องว่างที่มีอยู่จริง มากกว่าจะเป็นการเอาชนะตัวเลขที่มันถูกนำไปเปรียบเทียบด้วย
ข้อที่สองคือการดึงความสามารถออกมา PR ทำงานที่ temperature 0.9 และ top-p 1.0 โดยมี reasoning_effort=high และงบประมาณการสร้างคำตอบ 32,768 โทเคน การประเมินฐานของ Tencent เป็นแบบ 4-shot ไม่มี chain of thought ในงานเลือกตอบหลายตัวเลือกสิบตัวเลือก โมเดล instruct ที่ได้รับอนุญาตให้ใช้เหตุผลก่อนตอบจะชนะโมเดลฐานแบบ 4-shot แทบจะโดยโครงสร้างอยู่แล้ว ช่องว่างนั้นคือ post-training ไม่ใช่การปรับปรุงด้านวิสัยทัศน์ ให้ถือว่า 74.8 คือ "โมเดล instruct ที่ถูกถามอย่างเหมาะสม" และ 52.0 คือ "โมเดลฐานที่ถูกถามในแบบมาตรฐาน" ทั้งสองคือการวัดที่แตกต่างกันของอาร์ติแฟกต์สองอย่างที่แตกต่างกัน
ข้อที่สามคือชุดย่อย PR ประเมินตัวอย่าง 300 รายการแรก ไม่ใช่ชุดทั้งหมด และไม่ได้ระบุว่าทั้ง 300 รายการนั้นถูกสุ่มมาอย่างไร ที่จำนวน 300 รายการและสัดส่วนใกล้ 0.75 ความคลาดเคลื่อนมาตรฐานจากการสุ่มเพียงอย่างเดียวอยู่ที่ประมาณ 2.5 จุด ดังนั้นช่วงความเชื่อมั่น 95% ของค่าตัวเลขเดียวนี้จึงอยู่ที่ประมาณ ±5 จุด ก่อนจะพิจารณาผลจากลำดับคำถามใด ๆ การรันสามครั้งของ PR เองได้ค่า 74.33, 75.33 และ 74.67 — ช่วงต่างหนึ่งจุด ซึ่งแคบกว่าความคลาดเคลื่อนจากการสุ่ม และนั่นเป็นสิ่งที่ควรรู้: ความแปรปรวนระหว่างการรันบนชุดย่อยคงที่หนึ่งชุดประเมินค่าต่ำเกินไปว่าตัวเลขจะเคลื่อนไหวมากเพียงใดเมื่อใช้คำถามอีก 300 ข้อที่ต่างออกไป การตั้งค่าที่สองใน PR เดียวกัน คือสแต็กเต็มที่มีโค้ด speculative-decoding แต่ไม่มีการคาดเดา มีค่าเฉลี่ย 74.00 บนชุดย่อยเดียวกัน และมีช่วงต่าง 5.3 จุดในการรันสามครั้ง ตัวเลขทั้งสองไม่ได้ผิด และทั้งสองก็ไม่ใช่ผลลัพธ์ benchmark ในความหมายที่การตัดสินใจจัดซื้อจัดจ้างต้องการ
สิ่งที่ PR ยืนยันได้จริง และส่วนนี้หนักแน่น คือ pipeline ถูกต่อสายอย่างถูกต้อง ไม่ใช่แค่คอมไพล์ผ่าน GSM8K จำนวน 200 รายการทำคะแนนได้ 97.00% เมื่อโหลด vision tower แล้ว — ต่างจากที่สาขา text-only รายงานไว้ไม่ถึงหนึ่งจุด ดังนั้นเส้นทาง multimodal จึงไม่ได้ทำให้ language head ด้อยลง พรอมต์ภาพสังเคราะห์ที่ครอบคลุมรูปทรงและสี OCR กราฟแท่ง และการนับเส้น ได้รับคำตอบอย่างถูกต้อง นั่นคือ smoke test ที่ผ่าน และเป็นคำกล่าวอ้างที่เหมาะสมเกี่ยวกับ PR: โค้ดทำงานได้ ตัวเลขความแม่นยำเป็นผลพลอยได้จากการรันมัน
![A screenshot of the SGLang pull request 51937 page on GitHub, showing the title '[Feat] models: Hunyuan-4-Flash vision-language support', a single commit from branch hy4f/4-vl into hy4f/3-text-model, eight files changed, and an Accuracy / Tests section listing three MMMU-Pro runs at 74.33, 75.33 and 74.67 percent on the first 300 examples plus GSM8K at 97.00 percent.](https://cms.orcarouter.ai/api/media/file/3-4342.png)
โทเค็นวิดีโอที่ไม่ได้หมายถึงวิดีโอ
ชื่อ PR ระบุว่ามีอินพุตรูปภาพและวิดีโอ diff มี {{1}}video_start_token_id{{/1}}, {{2}}video_end_token_id{{/2}} และ {{3}}video_token_id{{/3}} และหนึ่งในโปรเซสเซอร์ที่แก้ไขจัดการการสุ่มตัวอย่างเฟรมวิดีโอ บนพื้นฐานนั้น การจัดประเภท Hy4 flash เป็นโมเดลวิดีโอก็เป็นเรื่องง่าย อย่าทำเช่นนั้น diff เดียวกันมีตัวป้องกันที่ชัดเจน — "{{4}}HYV4 vision does not support video token compression{{/4}}" — โดยตั้งแฟล็กการบีบอัดเชิงพื้นที่และเชิงเวลาเป็น false ทั้งคู่ การ์ดของผู้จำหน่ายไม่เคยอ้างว่าเป็นวิดีโอ: ระบุว่าโมเดล "natively accepts text and image inputs, generates text" และสูตร vLLM ที่ให้บริการโมเดลนี้อยู่แล้วตั้งค่า {{5}}--limit-mm-per-prompt '{"image":1,"video":0}'{{/5}} คือหนึ่งรูปภาพและไม่มีวิดีโอต่อพรอมป์
ดังนั้นค่าคงที่วิดีโอจึงเป็นเพียงระบบท่อรองรับเส้นทางที่ถูกปิดทั้งสองด้าน: เฟรมเวิร์ก recognises token ids เพื่อไม่ให้สะดุดกับมัน และปิดการบีบอัดที่implementation วิดีโอจริงจะต้องใช้ ใครก็ตามที่อ่าน “image and video input” ในสรุป PR แล้ววางแผนไปป์ไลน์วิดีโอโดยอิงกับโมเดล open-weight ขนาด 220B กำลังอ่าน roadmap ไม่ใช่ capability
สิ่งที่คุณสามารถรันได้จริงในวันนี้
ภาพที่ได้จะแตกต่างกันไปตามรันไทม์ ซึ่งเป็นข้อสรุปที่นำไปใช้ได้จริง
• {{1}}vLLM{{/1}} — ให้บริการเส้นทางวิชันอยู่แล้ว สูตรที่เผยแพร่ระบุชื่อคลาสว่า {{2}}HYV4FlashVLForConditionalGeneration{{/2}} และอนุญาตให้ใช้หนึ่งภาพต่อพรอมต์โดยค่าเริ่มต้น นี่คือเส้นทางที่มีอยู่ในปัจจุบัน
• SGLang — การให้บริการข้อความมีอยู่ผ่านอิมเมจ lmsysorg/sglang:hy4-flash และหน้า cookbook สำหรับอิมเมจนี้ไม่มีการกล่าวถึง vision, image หรือ multimodal ที่ใดเลย Vision คือ PR ที่เปิดอยู่ด้านบน; จะพร้อมใช้งานเมื่อสแตกถูก merge และมี wheel ออกมาเท่านั้น ไม่ใช่ก่อนหน้านั้น
• API ของ Tencent เอง — อินพุตรูปภาพเป็นส่วนหนึ่งของคำอธิบายตอนเปิดตัว และแคตตาล็อกของเราเองระบุ tencent/hy4-flash ว่าเป็นข้อความ+รูปภาพ→ข้อความ พร้อมบริบท 1,048,576 โทเคน เอาต์พุต 65,536 โทเคน และ $0.0175 ต่อล้านโทเคนอินพุต เทียบกับ $0.07025 ต่อล้านโทเคนเอาต์พุต นี่คือค่าในแคตตาล็อกที่อ่านในวันนี้ ไม่ใช่การอ้างราคาซ้ำจากการ์ดราคาสกุลหยวนในสัปดาห์เปิดตัว และทั้งสองไม่ตรงกัน — อัตราของจีนแผ่นดินใหญ่แปลงแล้วมีราคาอินพุตประมาณสี่เท่า เราไม่ได้ส่งคำขอเรียกใช้รูปภาพเพื่อตรวจสอบส่วนที่เกี่ยวกับการมองเห็นสำหรับบทความนี้ และความไม่ตรงกันระหว่างกรอบการให้บริการทั้งสองเป็นเหตุผลที่ดีที่คุณควรทดสอบด้วยตัวเองก่อนจะพึ่งพา

เหตุผลที่ต้องทดสอบแทนที่จะสันนิษฐานคือ โมเดลอาจถูกโฆษณาว่าเป็นมัลติโมดัล มีความเป็นมัลติโมดัลอยู่ในน้ำหนักของมัน และยังคงเป็นข้อความล้วนบน endpoint ที่คุณบังเอิญเรียกใช้ก็ได้ นั่นคือสถานะที่ Hy4 flash เป็นมาห้าวันแล้ว: ตัวเข้ารหัสภาพถูกจัดส่งพร้อมกับเช็กพอยต์ และสแต็กการให้บริการต่าง ๆ กำลังตามให้ทันทีละ PR
จุดที่เรื่องนี้ทิ้งทางเลือกไว้
หากคุณต้องการความเข้าใจภาพจากสาย Hunyuan วันนี้ และต้องการให้มันเป็นคำถามที่ตัดสินได้แล้วมากกว่าจะเป็นโครงการบูรณาการ คำตอบก็ยังคงเป็น Tencent Hy4 โดยเปิดให้ใช้ทั่วไปเมื่อวันที่ 4 พฤศจิกายน ด้วยความสามารถด้านภาพและการใช้คอมพิวเตอร์เป็นความสามารถเด่น และพฤติกรรมที่เอกสารระบุไว้รวมถึงการอ่านแผนภูมิและไดอะแกรมที่มีรายละเอียดปลีกย่อย แทนการจัดรูปแบบหนึ่งภาพต่อหนึ่งพรอมต์ซึ่งเป็นค่าเริ่มต้นของสูตร flash นอกจากนี้ยังมีราคาสูงกว่าหลายเท่า: อินพุต $0.834 และเอาต์พุต $2.501 ต่อล้านรายการในแคตตาล็อกเดียวกัน Hy4 flash ที่ $0.0175 เป็นโมเดลที่ตั้งราคาแบบสินค้าโภคภัณฑ์ ซึ่งมีเส้นทางภาพที่เป็นของจริงแต่เพิ่งเชื่อมต่อใหม่
กฎการตัดสินใจที่ตามมาคือไม่หวือหวา ส่งงานข้อความและเอกสารไปที่ Hy4 flash ตอนนี้เลย ส่งงานภาพไปที่ Tencent Hy4 จนกว่าอย่างใดอย่างหนึ่งจะเกิดขึ้น: Tencent เผยแพร่คะแนน multimodal ของ instruct-model หรือสแต็ก SGLang รวมโค้ดและมี wheel ที่เผยแพร่ให้ทดสอบได้ — แล้วแต่อย่างไหนจะเกิดก่อน และ ณ วันที่ 21 พฤศจิกายน ยังไม่มีอย่างใดเกิดขึ้นเลย ไม่มีเหตุผลที่จะเลือกอย่างหนึ่งแล้วทิ้งอีกอย่าง: ทั้งสองอยู่บนคีย์เดียวที่นี่ ราคาตามรายการของผู้ให้บริการส่งผ่านมาโดยไม่มีมาร์กอัป 0% และกฎการกำหนดเส้นทางสามารถส่งคำขอที่มีภาพไปยังโมเดลเรือธง ในขณะที่ข้อความไปยังโมเดลราคาถูก โดยไม่ต้องมีสัญญาที่สองหรือแก้โค้ด การ failover อัตโนมัติ ครอบคลุมกรณีที่เส้นทางวิชันใหม่กว่ากลายเป็นเส้นทางที่พังเมื่อเจอภาพจริง
สิ่งที่ควรดูต่อไป
มีสามสิ่งที่จะเปลี่ยนชิ้นงานนี้ และแต่ละอย่างตรวจสอบได้
การ merge ทั้งสแตก PR ด้าน vision อยู่บน PR ด้านข้อความที่ยังไม่ได้ merge ซึ่งตัวมันเองก็ยังไม่ถูก merge; ทั้งคู่ต้องได้รับการรีวิว และ CI ยังไม่ได้รันบนทั้งสองตัว จนกว่าจะมี wheel ออกมา ผู้ใช้ SGLang จะไม่สามารถให้บริการภาพ Hy4 flash ได้ ไม่ว่า diff จะระบุว่าอย่างไร
Tencent เผยแพร่ตัวเลขมัลติโมดัลของโมเดล instruct ตารางมัลติโมดัลในการ์ดครอบคลุมเฉพาะ base checkpoint เท่านั้น และนั่นเป็นการละเว้นที่แปลกสำหรับการเปิดตัวที่ชูมัลติโมดัลเป็นจุดเด่น แถว MMMU-Pro แบบชุดเต็มสำหรับ Hy4 flash instruct ซึ่งรันโดย Tencent หรือผู้ประเมินอิสระ จะแทนที่ค่าประมาณทุกค่าในบทความนี้ด้วยผลการวัด
Artificial Analysis กำลังเพิ่มโมเดลนี้ ไม่มีรายการ Hy4 flash บนลีดเดอร์บอร์ด ณ วันที่ 21 พฤศจิกายน — URL ของโมเดลขึ้น 404 — จึงไม่มีดัชนี คะแนนความเร็ว หรือคะแนนที่ปรับตามราคาจากบุคคลที่สามให้ใช้ตรวจสอบสิ่งใด ๆ เหล่านี้ได้ การรายงานข่าวในช่วงสัปดาห์เปิดตัวของโมเดลอาศัยชุด WorkIndex ของ Tencent เองและการทดสอบแบบปิดตาภายในกับผู้เข้าร่วม 85 คน ทั้งสองอย่างไม่ได้ครอบคลุมด้าน vision
จนกว่าหนึ่งในนั้นจะเกิดขึ้นจริง 74.8 ต้องอยู่ในประโยคที่แนบเงื่อนไขกำกับไว้ครบ: instruct checkpoint, 300 ข้อ, high reasoning effort, สามรอบ, การตรวจสอบแบบเจาะจงของผู้เขียนเฟรมเวิร์กคนหนึ่งบน PR ที่ยังไม่ได้รับการรีวิว นี่คือตัวเลขที่ดีที่สุดที่มีอยู่สำหรับด้าน vision ของ Hy4 flash มาตรฐานนี้ต่ำกว่าที่ฟังดู และการอ่านตามจริงคือ vision ของโมเดลตอนนี้พิสูจน์ได้แล้วว่าถูกนำไปใช้งานจริง และยังคงแทบไม่ถูกวัดผลเลย
การเปรียบเทียบในบทความนี้1
ตรวจพบจากบทความนี้
