การ์ดชื่อเรื่องที่สร้างขึ้นซึ่งมีข้อความว่า 'Hy4 flash เป็นโมเดลเปิดน้ำหนัก' พร้อมไทล์รีโพซิทอรีสามไทล์ที่ติดป้ายว่า 'Hy4 flash', 'Hy4 flash-FP8' และ 'Hy4 flash-Base' แถบสเปกที่ระบุว่า '220B ทั้งหมด / 12B ที่ใช้งาน / บริบท 1M / รับภาพเข้า ส่งข้อความออก' และส่วนท้ายที่ระบุว่า 'เผยแพร่น้ำหนักเมื่อวันที่ 17 พฤศจิกายน 2026 ภายใต้ Tencent Hy License v1.0'
Guides & Insights

Hy4 flash เป็น Open Weight แล้วตอนนี้: อ่านหัวข้อที่ 10 ก่อนดาวน์โหลด

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

Tencent Hy License เวอร์ชัน 1.0 เป็นสัญญาอนุญาตที่ดัดแปลงมาจาก Apache 2.0 โดยมีเพิ่มเติมหนึ่งข้อ และข้อนั้นเป็นเหตุผลที่ควรอ่านรีลีสนี้อย่างละเอียด แทนที่จะเพียงดึงเช็กพอยต์ไปใช้ ข้อ 10.2 ระบุว่า หากคุณดำเนินธุรกิจแบบ model-as-a-service และรายได้รวมทั่วโลกของคุณเกิน 50 ล้านดอลลาร์สหรัฐในช่วงสิบสองเดือนใด ๆ — หรือผลิตภัณฑ์ของคุณมีผู้ใช้ที่ใช้งานรายเดือนเกิน 100 ล้านคน — คุณต้องได้รับสัญญาอนุญาตเป็นลายลักษณ์อักษรแยกต่างหากจาก Tencent ก่อนที่คุณจะใช้น้ำหนักโมเดล หรือใช้ต่อไป ข้อ 10.3 ยกเว้นการใช้งานภายใน ข้อ 2 ของการอนุญาตภายใต้ Apache คือที่ซึ่งสิทธิ์แบบไม่มีค่าภาคหลวงตั้งอยู่ และข้อ 10.2 ขึ้นต้นด้วยถ้อยคำที่ว่า “แม้จะมีบทบัญญัติในข้อ 2 และ 3” ดังนั้นการดาวน์โหลดจึงฟรี แต่การนำไปใช้งานจริงไม่ได้ฟรีอย่างไม่มีเงื่อนไข และเส้นแบ่งระหว่างสองสิ่งนี้อยู่ที่ว่าบุคคลภายนอกสามารถเข้าถึงโมเดลผ่านโครงสร้างพื้นฐานของคุณได้หรือไม่

นี่คือกรอบของสิ่งที่ Tencent เผยแพร่เมื่อวันที่ 17 พฤศจิกายน 2026 เวลา 03:44 UTC เมื่อมีสาม repository ปรากฏบน Hugging Face ห่างกันภายในเก้าสิบวินาที: Hy4 flash โมเดลแชตที่ปรับแต่งด้วยคำสั่ง; Hy4 flash-FP8 โมเดลเดียวกันใน FP8; และ Hy4 flash-Base เช็กพอยต์ที่ผ่านการพรีเทรนโดยไม่มีการทำ post-training เลย โมเดลแบบ instruction มีพารามิเตอร์รวม 220 พันล้านตัว โดย 64 พันล้านตัวอยู่ในตาราง Engram, เปิดใช้งาน 12 พันล้านตัวต่อโทเคน, รองรับมัลติโมดัลโดยกำเนิดในฝั่งอินพุต และกำหนดค่าสำหรับบริบท 1,048,576 โทเคน เป็นโมเดลเดียวกันกับที่ Tencent วางบน API ของตนเมื่อสองวันก่อน ในวันที่ 16 พฤศจิกายน โดยมีความต่างตรงที่ตอนนี้คุณสามารถรันมันบนฮาร์ดแวร์ที่คุณเป็นเจ้าของได้

จริง ๆ แล้วมีอะไรอยู่ในรีโพซิทอรีทั้งสาม

การแบ่งแยกนี้ชัดเจนกว่าการเผยแพร่แบบ open-weight ส่วนใหญ่ เพราะเช็กพอยต์ทั้งสามเป็นสิ่งที่แตกต่างกันจริง ๆ ไม่ใช่แค่ชื่อไฟล์สามชื่อสำหรับอาร์ติแฟกต์เดียว

• Hy4 flash — โมเดล instruct เทมเพลตแชต และโหมดการให้เหตุผลรวมอยู่ด้วย รองรับ reasoning_effort ที่ high (ค่าเริ่มต้น เปิดการคิด) และ no_think (ตอบโดยตรง) Tencent แนะนำ temperature 0.9 และ top_p 1.0

• Hy4 flash-FP8 — น้ำหนักโมเดลชุดเดียวกันที่ควอนไทซ์สำหรับการให้บริการในโปรดักชัน นี่คือตัวที่สูตรอย่างเป็นทางการของ vLLM และ SGLang ชี้ไปที่ และเป็นตัวที่ Tencent กล่าวว่าทำได้เกิน 150 โทเคนต่อวินาทีบนโหนด tensor-parallel-8

• Hy4 flash-Base — แบบ pre-trained เท่านั้น การ์ดโมเดลระบุชัดเจนว่าโมเดลนี้ "เป็นโมเดลฐานที่ผ่านการ pre-trained ไม่ใช่โมเดลแชตที่ปรับแต่งตามคำสั่ง" ซึ่งสำคัญเพราะตาราง benchmark ทุกตารางในรีลีสเป็นการเปรียบเทียบ base กับ base ตัวเลขของโมเดล instruct เป็นตัวเลข WorkIndex และ blind-test ของผู้จำหน่าย ไม่ใช่ชุดการประเมินสาธารณะ

รายละเอียดสองอย่างในเมทาดาทามีคุณค่ามากกว่าที่เห็นในตอนแรก อย่างแรกคือรีโพซิทอรีถูกทำเครื่องหมายเป็น image-text-to-text ที่ระดับไปป์ไลน์ ดังนั้นตัวเข้ารหัสภาพจึงจัดส่งมาพร้อมกับเวตแทนที่จะถูกต่อเติมภายหลัง อย่างที่สองคือความคลาดเคลื่อนของตัวเลข: เอกสารเปิดตัวของ Tencent วันที่ 16 พฤศจิกายน ระบุว่าโมเดลมีขนาด 224B ขณะที่ตารางในโมเดลการ์ดเองรวมได้ 220.3B — backbone 155.5B, Engram 63.5B, ViT 0.43B, DFly2 drafter 0.85B ไม่มีตัวเลขใดผิดในบริบทของมัน ตัวเลข 224B ดูเหมือนจะนับ DFly2 drafter และปัดเศษต่างออกไป ส่วนตารางในการ์ดตัด Engram, ViT และ DFly2 ออกจากบรรทัด backbone 155.5B ของตัวเอง แล้วจึงบวกกลับเข้ามา เมื่อผู้ขายส่งตัวเลขรวมสองแบบสำหรับโมเดลเดียว ควรอ้างอิงจากโมเดลการ์ด

A generated reference card headed 'What the three repositories actually contain', listing the three checkpoints with a one-line description each and a separate outlined panel headed 'Tencent Hy License v1.0, section 10.2' noting the separate written licence above US$50M annual gross revenue or above 100M monthly active users as a service.

สถาปัตยกรรมนี้คือข้อโต้แย้งเรื่องต้นทุนที่สวมคราบของสถาปัตยกรรม

การออกแบบนี้แทบไม่สมเหตุสมผลเลยหากมองว่าเป็นเรื่องของการแสดงศักยภาพ แต่หากมองว่าเป็นวิธีลดขนาด KV cache และขั้นตอน decode ทุกอย่างกลับสมเหตุสมผลทั้งหมด

• Attention — sparse IndexPool attention ที่สลับกับการทำ attention แบบ sliding-window ขนาด 512 โทเคนในอัตราส่วน 1:3 บนรูปแบบ multi-head latent attention (MLA) เลเยอร์ sparse จะเลือกได้สูงสุด 2,048 โทเคนด้วยการเลือกในระดับกลุ่ม มีเลเยอร์ sparse 12 เลเยอร์และเลเยอร์ SWA 30 เลเยอร์ทั่วทั้ง backbone ขนาด 42 เลเยอร์

• Routing — routed expert 512 ราย พร้อม shared expert หนึ่งรายต่อเลเยอร์ MoE โดยเปิดใช้งาน routed expert 16 รายต่อโทเคน และทำงานในพื้นที่ LatentMoE ที่มีมิติ 1,536 แทนความกว้างเต็มของ expert

• Engram — ตัวแทนไบแกรมและไตรแกรมที่เรียนรู้แล้ว ซึ่งถูกดึงมาด้วยการค้นหาแฮชแบบหลายหัวที่เลเยอร์แบ็กโบน 1, 11, 21 และ 31 นั่นคือ 63.5B ที่การ์ดนับแยกต่างหากจากแบ็กโบน

• Drafter — DFly2 เป็นโมเดล speculative decoding ขนาด 0.85B จำนวน 5 เลเยอร์ ที่นำ KV cache แบบ sparse และการเลือก indexer ของโมเดลเป้าหมายกลับมาใช้ซ้ำ แทนที่จะเก็บของตัวเอง ข้ออ้างของ Tencent คือต้นทุนการ draft ที่คงที่ประมาณ 2,048 คีย์ต่อ draft token โดยไม่ขึ้นกับความยาวของบริบท และใช้หน่วยความจำ KV เพิ่มเป็นศูนย์

• ตัวเลขประสิทธิภาพหลัก — KV cache อยู่ที่ 1/24 ของ Hy3 และ 1/6 ของ Hy4 โดยเป็นข้อมูลที่ผู้จำหน่ายรายงานและไม่ได้วัดอย่างเป็นอิสระ

• การฝึกหลังการฝึก (post-training) — การกลั่นความรู้ด้วยตนเองจาก Hy4 ร่วมกับการเรียนรู้แบบเสริมกำลัง ซึ่ง Tencent กล่าวว่าช่วยลดจำนวนโทเค็นเอาต์พุตแบบ end-to-end โดยเฉลี่ยได้ 50% เอาต์พุตที่สั้นลงคือแหล่งที่มาของการประหยัดต้นทุนส่วนใหญ่จริง ๆ และเป็นส่วนที่มองเห็นได้น้อยที่สุดในตารางราคาต่อโทเค็นใด ๆ

เมื่อนำมารวมกัน นั่นคือโมเดลที่ถูกออกแบบมาเพื่อให้บริบทขนาด 1M โทเคนไม่ได้มีต้นทุนในการให้บริการเท่ากับที่บริบทขนาด 1M โทเคนปกติต้องใช้ ความยาวบริบทคือข้อความทางการตลาด ส่วนสัดส่วน KV cache คือข้ออ้างเชิงวิศวกรรมที่อยู่เบื้องหลัง

Screenshot of the Hugging Face model card for tencent/Hy4-flash, showing the three-model release line, the Model Links table and the quickstart snippet.

สิ่งที่ Tencent วัดผล และสิ่งที่ยังไม่ได้วัด

ทุกตัวเลขในส่วนนี้เป็นของ Tencent ซึ่งสร้างขึ้นบนฮาร์เนสของ Tencent และไม่มีข้อมูลใดเลยที่ถูกทำซ้ำภายนอกบริษัท Artificial Analysis ไม่มีหน้าสำหรับ Hy4 flash — URL ของโมเดลส่งคืน 404 ณ วันที่ 18 พฤศจิกายน — ดังนั้นจึงไม่มีคะแนนจากบุคคลที่สามให้วางเทียบกับข้อมูลใด ๆ เหล่านี้

ตารางโมเดลฐานเปรียบเทียบ Hy4 flash-Base กับ Hy4 Base, Hy3 preview Base, DeepSeek-V4-flash-Base และ DeepSeek-V4-Pro-Base ทั้งหมดบนไปป์ไลน์เดียวกัน ตารางนี้เป็นตารางที่ซื่อสัตย์ที่สุดในรีลีสนี้ именно потому, что он проигрывает строки: MMLU-Pro อยู่ที่ 71.1 สำหรับ Hy4 flash-Base เทียบกับ 73.9 สำหรับ Hy4 Base และ 73.4 สำหรับ DeepSeek-V4-Pro-Base; SimpleQA อยู่ที่ 37.5 เทียบกับ 57.2 และ 52.1 จุดที่ชนะนั้นชนะขาดในแถวภาษาจีนและหลายภาษา — C-Eval 92.0, CMMLU 91.6, AGIEval Chinese 90.6, Belebele 93.8, INCLUDE 82.8 — ซึ่งเป็นสิ่งที่คุณคาดว่าจะเห็นได้จากโมเดลที่สร้างขึ้นสำหรับผลิตภัณฑ์ของ Tencent เป็นอันดับแรก

อ่านข้อความตัวเล็กบนการ์ดก่อนอ่านคะแนน Tencent ระบุว่าการได้รับข้อมูลคำสั่งสังเคราะห์ในปริมาณมาก währendการฝึกช่วงกลาง ทำให้โมเดลบางครั้งไม่สามารถทำตาม "รูปแบบคำตอบที่คาดหวังในการประเมินแบบ few-shot ซึ่งอาจบิดเบือนคะแนน" ได้ — เป็นการที่ผู้ให้บริการชี้ว่าบางแถวของตนเองอาจกำลังวัดการปฏิบัติตามรูปแบบแทนที่จะวัดความสามารถ ให้ถือว่าทุกตัวเลขด้านล่างเป็นขอบเขตบนจนกว่าระบบทดสอบของคุณเองจะเห็นพ้องต้องกัน

โมเดล instruct ไม่มีตาราง benchmark สาธารณะเลย สิ่งที่มีแทนคือ WorkIndex ซึ่งเป็นชุดทดสอบภายในที่ประกอบด้วยกลุ่มงานแปดกลุ่ม ได้แก่ การสร้างสไลด์ การแก้ไขสไลด์ การร่วมเขียนสไลด์ระหว่างมนุษย์กับ AI การร่วมเขียน Markdown การแก้ไขเอกสาร การซ่อมแซมสเปรดชีต การประมวลผลเสียง/วิดีโอ และการทำความเข้าใจภาพ Hy4 flash ทำคะแนนได้ 42.1 ในชุดนี้ เทียบกับ 39.7 ของ Hy4 preview และ 51.4 ของ Hy4 เอง ด้วยต้นทุนเฉลี่ยต่องานที่บริษัทระบุไว้ที่ 1/13 ของ Hy4 preview, 1/20 ของ Hy4 และ 1/8 ของ DeepSeek-V4.1-Flash-1017 เมื่อคิดตามราคาช่วงพีก และยังมีการประเมินแบบปกปิดตัวตนกับผู้ใช้ WorkBuddy ภายใน 85 คน ครอบคลุม 259 งานใน 27 หมวดหมู่ โดย Hy4 flash ได้คะแนนความพึงพอใจ 2.79 จาก 4 เทียบกับ 2.81 ของ Claude Haiku 5.5 โดยมีค่ามัธยฐาน 6.7 นาที และ RMB 0.26 ต่องาน

นั่นคือการวัดจริงจากประชากรจริง แต่ก็เป็นการวัดพนักงาน Tencent ที่ทำงานในลักษณะแบบ Tencent โดยให้คะแนนตามเกณฑ์ที่ Tencent เขียนขึ้น และช่องว่าง 0.02 คะแนนเมื่อเทียบกับคะแนนความพึงพอใจของคู่แข่งนั้นอยู่ในช่วงความคลาดเคลื่อนที่เป็นไปได้ทั้งหมดอย่างมาก ให้ถือว่าการจัดอันดับของ WorkIndex เป็นเพียงสัญญาณเชิงทิศทางจากผู้ขายเท่านั้น ไม่มากไปกว่านั้น

ไลเซนส์คือจุดที่การเปิดตัวครั้งนี้จะถูกตัดสินอย่างแท้จริง

เวตแบบเปิดไม่ใช่โอเพนซอร์ส และ Tencent Hy License ทำให้ความแตกต่างนี้เป็นรูปธรรมอย่างผิดปกติ มีสี่ข้อกำหนดที่ตัดสินว่าทีมใดทีมหนึ่งทำอะไรได้บ้าง:

• การอนุญาตพื้นฐาน — สิทธิ์การอนุญาตของ Apache 2.0 ซึ่งรวมถึงการใช้เชิงพาณิชย์ การแก้ไข และการแจกจ่ายซ้ำ มีผลกับน้ำหนัก พารามิเตอร์ การกำหนดค่า โค้ดการอนุมาน และเอกสารประกอบ

• เงื่อนไขทริกเกอร์ MaaS — ต้องมีใบอนุญาตเป็นลายลักษณ์อักษรแยกต่างหาก หากคุณให้บุคคลภายนอกเข้าถึง inference หรือ fine-tuning จากระยะไกล และมีรายได้รวมทั่วโลกเกิน 50 ล้านดอลลาร์สหรัฐภายในช่วงเวลา 12 เดือนใด ๆ รายได้ที่ได้มาจากโมเดลนั้นนับรวม และรายได้ที่ไม่เกี่ยวข้องกับโมเดลเลยก็นับรวมด้วย โดยข้อกำหนดระบุว่า "ไม่ว่ารายได้ดังกล่าวจะได้มาจาก Work หรือไม่ก็ตาม"

• ตัวกระตุ้นด้านขนาด — ข้อกำหนดเดียวกันนี้ใช้บังคับก่อนการใช้งานน้ำหนักในผลิตภัณฑ์ใด ๆ ที่มี {{1}}ผู้ใช้งานที่ใช้งานอยู่รายเดือน 100 ล้านคน{{/1}}ขึ้นไป ในหนึ่งเดือนตามปฏิทิน ไม่ว่าจะอยู่ในระดับรายได้ใดก็ตาม

• ข้อยกเว้นสองประการ — ผลิตภัณฑ์สำหรับผู้ใช้ปลายทางซึ่งการเข้าถึงโมเดลถูกจำกัดให้อยู่เฉพาะฟีเจอร์ที่กำหนด แทนที่จะเป็นการพรอมต์แบบอเนกประสงค์ อยู่นอกนิยามของ MaaS และ "การเพียงส่งต่อคำขอไปยังบริการโมเดลของบุคคลที่สามที่ดำเนินการโดยอิสระ" ก็ถูกยกเว้นเช่นกัน การใช้งานภายในเท่านั้นได้รับการยกเว้นโดยสิ้นเชิง

เทียบกับสัญญาอนุญาตของเช็กพอยต์ ERNIE 5.5 Flash Base ซึ่งไม่รวมสหภาพยุโรป สหราชอาณาจักร และเกาหลีใต้เป็นดินแดนทั้งหมด Tencent ไม่ได้ยกเว้นดินแดนใดเลย แต่คิดค่าธรรมเนียมตามขนาดแทน สำหรับสตาร์ทอัพที่สร้างผลิตภัณฑ์บนน้ำหนักโมเดล เอกสารนั้นเป็นมิตรกว่าการห้ามตามดินแดนอย่างมีนัยสำคัญ而对于ผู้ให้บริการ inference ขนาดกลาง นั่นหมายถึงการโทรหา [email protected] ก่อนส่งมอบ

การให้บริการสิ่งนี้: สามเส้นทางจริง ซึ่งทั้งหมดถูกปักหมุดไว้

เรื่องราวการดีพลอยนั้นครบถ้วนกว่าที่เรื่องราว API ในสัปดาห์เปิดตัวเคยเป็น และยังเปราะบางกว่าผลิตภัณฑ์ที่ได้รับการรองรับ ในแบบเฉพาะที่การรองรับเฟรมเวิร์กในระยะแรกเป็นอยู่เสมอ

• vLLM — อิมเมจอย่างเป็นทางการ vllm/vllm-openai:hy4-flash, tensor-parallel 8, เช็กพอยต์ FP8, --attention-backend FLASHMLA_SPARSE, การถอดรหัสเชิงคาดการณ์ของ DFly ที่ 5 โทเคน และตัวแยกวิเคราะห์ tool-call และ reasoning ของ hy_v4

• SGLang — lmsysorg/sglang:hy4-flash รองรับหลายสถาปัตยกรรมทั้ง x86 และ Arm, tensor-parallel 8, --speculative-algorithm DFLY โดยมีขนาดบล็อก 6

• Transformers — ยังไม่อยู่ในเวอร์ชันที่เผยแพร่ การ์ดบอกให้คุณติดตั้งจาก ref ของ pull request (refs/pull/50903/head) จนกว่าการ merge จะเกิดขึ้น ซึ่งเป็นสัญญาณที่ชัดเจนที่สุดเท่าที่จะเป็นไปได้ว่าสิ่งนี้ใหม่แค่ไหน

• การควอนไทซ์ — มีลิงก์บิลด์ GGUF จากชุดเครื่องมือ AngelSlim สำหรับการทดสอบแบบ end-to-end และมีคู่มือ fine-tuning อยู่ในรีโพซิทอรี

การที่อิมเมจถูกปักหมุดไว้และการอ้างอิง PR หมายความว่าโมเดลใช้งานได้ในวันนี้บนบิลด์ที่ Tencent ทดสอบไว้พอดี และอาจใช้งานไม่ได้กับ minor release ถัดไปของเฟรมเวิร์กใดเฟรมเวิร์กหนึ่งในสองตัว นี่เป็นสิ่งที่ควรรู้ก่อนนำไปวางไว้หลัง endpoint สำหรับโปรดักชัน และเป็นเหตุผลว่าทำไมสูตรการใช้งานเฉพาะเฟรมเวิร์กจึงสำคัญกว่าตาราง benchmark สำหรับใครก็ตามที่นำไป deploy จริง

open weights ส่งผลต่อราคา API อย่างไร

ราคาตามรายการในจีนแผ่นดินใหญ่ของ Tencent สำหรับ Hy4 flash คือ ¥0.5 ต่อหนึ่งล้านโทเค็นอินพุต, ¥2 ต่อหนึ่งล้านโทเค็นเอาต์พุต และ ¥0.02 ต่อแคชฮิต — หรือประมาณ $0.070, $0.281 และ $0.003 ตามอัตราแลกเปลี่ยนปัจจุบัน นั่นคือราคาที่ผู้ขายประกาศไว้ ไม่ใช่ค่าที่วัดได้

ราคานั้นไม่ใช่สิ่งที่เปลี่ยนเมื่อมีการปล่อยน้ำหนักโมเดล สิ่งที่เปลี่ยนคือพื้นราคาใต้ราคานั้น โมเดลที่คุณดาวน์โหลดได้มีราคาที่สอง ซึ่งก็คือต้นทุนของ GPU ที่คุณใช้รันมัน และสถาปัตยกรรมทั้งหมดที่อธิบายข้างต้นคือข้อโต้แย้งว่าราคาที่สองนี้ต่ำเป็นพิเศษสำหรับโมเดลบริบท 1M อัตราส่วนต้นทุนต่องานที่ Tencent ระบุเองที่ 1/8 ถึง 1/20 คือข้อโต้แย้งนั้นในรูปเลขคณิตของผู้ขาย

OrcaRouter เชื่อมเส้นทางไปยังโมเดลกว่า 200+ รุ่นผ่าน API เดียว โดยส่งต่อราคาตามรายการของผู้ให้บริการในอัตรากำไร 0% ดังนั้นเมื่อผู้ขายปรับราคา ฝั่งเราจะอัปเดตทันทีในวันเดียวกัน แทนที่จะรอสร้างแค็ตตาล็อกใหม่รอบถัดไป ทั้งนี้ Hy4 flash เองยังไม่อยู่ในแค็ตตาล็อกนั้น — สิ่งที่มีอยู่คือ tencent/hy4-preview ซึ่งเป็นโมเดลครูขนาด 770B/49B ที่รุ่นนี้ถูกกลั่นออกมา ในราคาอินพุต $0.834 และเอาต์พุต $2.501 ต่อล้านโทเคน พร้อมอัตราการอ่านแคช $0.042 หากคุณต้องการประเมินตระกูลโมเดลนี้ก่อนตัดสินใจลงทุนกับการติดตั้ง FP8 บนเซิร์ฟเวอร์ของคุณเอง รุ่น preview คือโมเดลที่คุณเรียกใช้ได้วันนี้ ส่วนน้ำหนักโมเดลคือสิ่งที่คุณจะย้ายไปใช้เมื่อตัวเลขผลลัพธ์เป็นที่น่าพอใจ การสลับอัตโนมัติเมื่อระบบล้มเหลวเป็นอีกครึ่งหนึ่งของแนวทางนี้ เพราะเช็กพอยต์ที่อายุสองวันซึ่งรันอยู่บนบิลด์ Transformers จาก PR-ref เป็น dependency แบบที่คุณอยากมีเส้นทางสำรองรองรับไว้พอดี

Screenshot of the tencent/hy4-preview model page, showing the per-million-token input, output and cache-read prices the routed preview model is listed at.

ดูอะไรดี

มีสามสิ่งที่จะตัดสินว่าการเปิดตัวครั้งนี้จะมีความสำคัญหรือไม่ในอีกหกเดือนข้างหน้า และไม่มีสิ่งใดในนั้นเลยที่เป็นตาราง benchmark

ประการแรก เรื่อง 404 Hy4 flash ไม่มีคะแนนที่เป็นอิสระ จนกว่า Artificial Analysis หรือหน่วยงานที่เทียบเท่าจะรันทดสอบมัน ข้ออ้างเรื่องความสามารถทุกข้อในชิ้นนี้จึงเป็นของ Tencent และจุดยืนที่ซื่อตรงคือโมเดลนี้ยังไม่ถูกวัด มากกว่าที่จะเป็นโมเดลที่ถูกวัดแล้วว่าดี ประการที่สอง การรวมของเฟรมเวิร์ก: เมื่อการสนับสนุนใน Transformers ออกจาก pull request 50903 และอิมเมจของ vLLM กับ SGLang ไม่ถูกปักหมุดเวอร์ชันอีกต่อไป โมเดลก็จะเลิกเป็นสิ่งประดิษฐ์เพื่อการวิจัยและกลายเป็นโครงสร้างพื้นฐาน ประการที่สาม การตีความสัญญาอนุญาต — บริษัทแรกที่ทำธุรกิจ MaaS มูลค่า 60 ล้านดอลลาร์บนเวตโมเดลเหล่านี้จะบอกทุกคนเองว่า Section 10.2 ถูกอ่านความหมายจริง ๆ อย่างไร

Tencent ปิดประกาศด้วยประโยค “โปรดติดตาม Hy4 ที่จะมาถัดไป” ซึ่งเป็นคำสัญญาว่าโมเดลที่ได้ 51.4 บน WorkIndex ในแผนภูมิต้นทุนจะได้รับการปฏิบัติแบบเดียวกัน หากเป็นเช่นนั้น คำถามที่น่าสนใจจะไม่ใช่เรื่องที่ว่า Tencent จะปล่อยโมเดล flash แบบ open-weight ราคาถูกออกมาได้หรือไม่อีกต่อไป แต่จะกลายเป็นว่า Tencent จะปล่อยโมเดลราคาแพงที่แข่งขันได้ด้วยความสามารถแทนที่จะเป็นราคาได้หรือไม่

การเปรียบเทียบในบทความนี้2

ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube