Một thẻ tiêu đề được tạo có nội dung 'Tencent Hy4 — Thẻ Hệ thống', với các chip thông số ghi '82 trang', 'tổng 770B / 49B hoạt động', 'CyberGym 84,87%' và 'từ chối quá mức 35,9% (no_think)', cùng dòng chân trang ghi 'Các đánh giá do nhà cung cấp báo cáo, với kiểm thử độc lập bởi ALICE và Fangcun AI; trọng số được phát hành ngày 20 tháng 11 năm 2026.' Logo OrcaRouter được ghép ở góc dưới bên phải.
Guides & Insights

Thẻ Hệ thống của Tencent Hy4: Điểm an ninh mạng tốt hơn, khả năng từ chối kém hơn

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Tencent Hy4 đã phát hành trọng số của mình vào ngày 20 tháng 11 năm 2026 kèm theo một System Card dài 82 trang, và tài liệu này thú vị hơn phần lớn những tài liệu cùng loại — không phải vì các con số đẹp, mà vì Tencent đã ghi lại những con số không đẹp. Tencent Hy4 là mô hình chủ lực phát hành chính thức mà Tencent ra mắt ngày 4 tháng 11 năm 2026; System Card là bản đánh giá an toàn, bảo mật và căn chỉnh được công bố cùng đợt phát hành trọng số mở, và đây là lần đầu tiên những người bên ngoài Tencent có thể đọc được mô hình làm gì khi được yêu cầu phá vỡ thứ gì đó. Tencent Hy4 Preview, mô hình trọng số mở ngày 28 tháng 8, là điểm so sánh xuyên suốt, khiến System Card vừa là báo cáo an toàn vừa là bản so sánh khác biệt giữa các phiên bản.

Kết quả nổi bật là một cải thiện thực sự trong an ninh mạng phòng thủ: trên CyberGym, tỷ lệ tái tạo lỗ hổng tăng từ 74,05% lên 84,87%, và trên SEC-bench Pro từ 40,70 lên 64,24. Lưu ý nổi bật là cùng tài liệu đó báo cáo tỷ lệ từ chối quá mức 35,9% trên các tác vụ tác nhân lành tính khi tắt suy luận, so với 13,5% ở bản xem trước. Cả hai con số đều là của chính Tencent. Chưa ai tái lập được con số nào trong hai con số đó.

T​encent đã công bố gì, và ai thực sự đã kiểm thử nó

Bài đăng ra mắt nêu tên bốn tổ chức: Xuanwu Lab của Tencent, Zhuque Lab và Keen Lab, cùng với thử nghiệm độc lập từ ALICE và Fangcun AI. Danh sách đó đọc lên như thể có năm bên thẩm định. Thực tế thì nó gần với hai hơn, và sự phân biệt này ở đây quan trọng hơn bình thường, vì toàn bộ lập luận của một thẻ an toàn cho mô hình trọng số mở là ở chỗ ai đó không phải nhà cung cấp đã xem xét mô hình trước khi bản tải xuống được đưa lên.

• Xuanwu Lab, Zhuque Lab và Keen Lab là các đơn vị nghiên cứu bảo mật của chính Tencent. Xuanwu điều hành các đánh giá về mật mã học và kỹ thuật dịch ngược; Zhuque đã xây dựng bộ red-teaming nội bộ cho việc lạm dụng tác nhân; Keen đồng điều hành một bài tập phát hiện lỗ hổng từ đầu đến cuối với Xuanwu. Họ có chứng chỉ, họ được nêu tên, và họ do Tencent trả lương. Thẻ này nói rõ điều đó trong phần chú thích cuối — chỉ là nó không lặp lại quyền sở hữu trong bài đăng ra mắt.

• ALICE (alice.io) là một bên thứ ba thực sự. Đơn vị này đã thực hiện ba đánh giá riêng biệt: hoàn thành an toàn và từ chối trong lĩnh vực an ninh mạng, an toàn nội dung nói chung, và độ bền vững trước tấn công chèn lệnh trong các kịch bản gọi công cụ của tác nhân. Các con số của đơn vị này được báo cáo kèm theo kích thước mẫu, và thẻ chỉ ra những chỗ mẫu quá nhỏ để có ý nghĩa thống kê.

• Fangcun AI (fangcunleap.com) là bên thứ ba thực thụ thứ hai. Bên này đã xây dựng và vận hành các bộ kiểm thử về mất kiểm soát và thao túng có hại: Monitor Sabotage, LoCBench và các chuẩn đánh giá hành vi lừa dối.

• Artificial Analysis, Collinear và Scale AI lần lượt cung cấp các benchmark bên ngoài — Cyber Index, CWE-bench và FORTRESS. Đó là những dụng cụ đo lường chứ không phải kiểm toán viên, một phạm trù khác và yếu hơn.

Vậy cách hiểu trung thực là: hai phòng thí nghiệm độc lập, cả hai đều được nhà cung cấp giao phạm vi đánh giá, cộng với ba nhóm nội bộ. Đó là mức giám sát bên ngoài nhiều hơn hầu hết các bản phát hành trọng số mở nhận được. Nhưng vẫn ít hơn so với hàm ý của danh sách năm tên.

Không gian mạng: phòng thủ được tăng cường, tấn công vẫn còn sơ khai

Tencent đã đưa ra một quyết định huấn luyện có chủ đích và sau đó ghi lại thất bại của mình, và đó chính là điều hữu ích nhất trong tài liệu. Dữ liệu huấn luyện liên quan đến an ninh mạng bị giới hạn ở tài liệu phòng thủ — tái tạo và khắc phục lỗ hổng — còn khai thác, dịch ngược và kiểm thử xâm nhập thì bị loại bỏ có chủ đích. Mục đích là tạo ra một mô hình giúp những người phòng thủ mà không trao cho kẻ tấn công một công cụ.

A generated two-column reference card titled 'Tencent Hy4 — cyber evaluations'. The 'Defensive' column lists CyberGym 84.87% up from 74.05, SEC-bench Pro 64.24% up from 40.70, CWE-bench Pass@4 78.4% and Pass@1 64.1%, and Artificial Analysis Cyber Index 58. The 'Offensive' column lists ExploitBench 42.9% with one end-to-end ACE case, ExploitGym 17.72% overall pass rate, and Xuanwu cryptography 8 of 8 forward versus 3 of 8 inverse, over the verdict 'rudimentary, not end-to-end'. A footer reads 'All figures Tencent-reported except the AA Cyber Index; measured on the instruction-tuned checkpoint, not the base model.'

Nó chỉ thành công một phần. Hy4 trở nên xuất sắc trong phòng thủ, và sau đó, như T​encent diễn đạt, khả năng lập trình tổng quát đã cho phép nó “tái tạo một phần” các năng lực tấn công mà việc lọc dữ liệu lẽ ra phải ngăn chặn. Câu đó chính là tấm thẻ thừa nhận rằng việc tuyển chọn dữ liệu không thể thay thế cho việc đánh giá năng lực, và đó là lý do phần còn lại của mục an ninh mạng tồn tại.

• CyberGym — 84,87% thành công khi tái tạo các lỗ hổng thực tế, tăng 10,8 điểm so với 74,05 của bản xem trước, trên 1.507 trường hợp từ 188 dự án, chạy ngoại tuyến mà không cài sẵn bộ công cụ biên dịch hoặc gỡ lỗi.

• SEC-bench Pro — 64,24 phần trăm, tăng 23,5 điểm so với 40,70, trên 344 trường hợp đã được xác minh trên V8, SpiderMonkey và nhân Linux, trong đó tác nhân phải suy luận từ các giao diện công khai xuyên qua hàng triệu dòng mã.

• CWE-bench, benchmark sửa lỗ hổng độc lập của Collinear — Pass@4 đạt 78,4 phần trăm, mà thẻ mô tả là đứng đầu trong số các mô hình mở, và Pass@1 đạt 64,1 phần trăm, tăng từ 47,3. Tập held-out vẫn đứng vững, và đây chính là phần quan trọng.

• Artificial Analysis Cyber Index — 58, đứng thứ ba toàn cầu và thứ hai trong số các mô hình trọng số mở, được xây dựng từ CWE-Bench-AA với 76%, DeepSecBench-AA với 26% và CyberGym-E2E-AA với 73%. Lưu ý cảnh báo của chính thẻ này rằng CWE-Bench-AA là một tập con của CWE-bench của Collinear nhưng được một tổ chức khác vận hành với một bộ khung đánh giá khác, vì vậy hai bên không thể so sánh được dù tên gần như giống hệt.

Còn về phía tấn công, nơi các con số đều thấp và Tencent không tô vẽ chúng. Trên ExploitBench, một thang năng lực 16 cờ trên 41 lỗ hổng V8, Hy4 đạt 42,9% so với 35,0 của bản xem trước — và chỉ tạo ra đúng một trường hợp thực thi mã tùy ý hoàn chỉnh từ đầu đến cuối, trong toàn bộ tập hợp. Trên ExploitGym, một bộ đánh giá 869 mẫu được xây dựng cùng Berkeley, Anthropic, OpenAI và Google, tỷ lệ vượt qua tổng thể gần như tăng gấp đôi từ 8,86 lên 17,72%, nhưng dưới một bậc giảm thiểu mà chính thẻ mô tả là “dễ hơn đáng kể so với khai thác trong thế giới thực”.

Đội red-team chuyên gia nói điều tương tự theo cách rõ ràng hơn. Xuanwu Lab đã làm rối loạn một triển khai mã hóa tham chiếu theo tám cách; cả hai mô hình đều tái dựng được phần mã hóa thuận trong 8/8 trường hợp và tạo ra giải mã đúng trong 3/8 trường hợp. Định vị và tái sử dụng mã không phải là reverse engineering. Kết luận của thẻ — rằng mô hình “có thể hoàn thành một số phần của chuỗi khai thác lỗ hổng nhưng chưa chứng minh được khả năng phát triển ổn định, độc lập và đầu-cuối các khai thác trong thế giới thực” — là đúng, và đó là câu cần trích dẫn cho bất kỳ ai đọc “84,9 phần trăm trên CyberGym” mà lại nghe thành “hacker tự trị”.

Bio: lợi ích thực sự, không có bằng chứng về mức tăng.

Phần rủi ro sinh học được tổ chức thành một chuỗi năng lực: kiến thức, phân tích dữ liệu, xử lý sự cố, thiết kế thí nghiệm. Hy4 cải thiện dọc theo phần lớn chuỗi này và mức cải thiện rất không đồng đều, mà bản thân điều đó chính là phát hiện.

• Kiến thức — WMDP-Bio tăng từ 83,97 lên 87,12 phần trăm và WMDP-Chem từ 73,77 lên 78,68 khi tắt suy luận. Thẻ này lưu ý rằng cả hai đều nằm gần vùng bão hòa của benchmark và mức tăng của phần hóa học chỉ tương đương khoảng ba câu hỏi trong số 408, đây là kiểu chú thích tự nhận thức khiến phần còn lại của bảng đáng tin hơn chứ không kém đi.

• Phân tích dữ liệu — BioMysteryBench, một bài kiểm tra mù dạng tác tử trên dữ liệu giải trình tự thực, giảm từ 75,6 xuống 75,1. Không đổi. Kiến thức tăng lên nhưng khả năng sử dụng nó thì không.

• Xử lý sự cố — Hy-Protocol, 96 câu hỏi mở được xây dựng từ các bài báo STAR Protocols sau thời điểm cắt dữ liệu, với một lỗi tham số duy nhất được chèn vào mỗi câu, tăng từ 65,6 lên 69,0. Phân tích quỹ đạo của chính thẻ này cho thấy Hy4 thường xác định đúng bước nhưng không thể đưa ra các giá trị chính xác về nồng độ, thời gian, nhiệt độ hoặc thể tích — "đúng hướng, sai giá trị", mà trong phòng thí nghiệm ướt đây chính là kiểu sai hỏng mà một người vận hành thiếu kinh nghiệm sẽ không phát hiện ra.

• Thiết kế thực nghiệm — Hy-BioExperimentBench gần như tăng gấp ba, từ 10,27 lên 30,45 trên một bộ nội bộ gồm 181 câu hỏi. Tăng gấp ba một con số rất thấp vẫn là một con số rất thấp, và T​encent cũng nói như vậy.

• Hành vi từ chối — trên FORTRESS CBRNE, điểm rủi ro trung bình giảm từ 49,76 xuống 18,57 khi tắt suy luận và từ 31,83 xuống 17,68 khi bật suy luận. Đó là mức giảm lớn, thực sự về đầu ra có hại.

Gạch đầu dòng cuối cùng đó có một cái giá mà thẻ báo cáo nêu ra không hề tô hồng. Điểm từ chối quá mức trong cùng đánh giá CBRNE tăng từ 9,44 lên 29,44 phần trăm khi tắt suy luận — gần gấp bốn lần tỷ lệ ở thiết lập suy nghĩ cao, nghĩa là, theo cách nói của Tencent, "một phần đáng kể lợi ích an toàn của việc suy nghĩ đến từ ranh giới từ chối rộng hơn chứ không phải từ việc phân biệt chính xác hơn." Mô hình trở nên an toàn hơn một phần bằng cách trở nên kém tinh tế hơn.

Rào chắn bảo vệ chính là nơi các lời từ chối xuất phát

Mục 3.7 mô tả một rào chắn riêng trên đường suy luận, và nó giải thích một hành vi mà nếu không sẽ trông giống như một thuộc tính của mô hình. Rào chắn này là một phễu: một mô hình phía trước nhẹ sàng lọc toàn bộ lưu lượng nhằm đạt độ thu hồi cao, một mô hình chuyên gia mạnh hơn xem xét lại những gì bị gắn cờ, và đầu ra được kiểm tra từng token khi được truyền phát để một rủi ro đã được xác nhận sẽ dừng giữa quá trình sinh.

• {{1}}Recall 95,74 phần trăm{{/1}}, {{2}}precision 97,30 phần trăm{{/2}}, tính trung bình trên bốn danh mục. An toàn trẻ em là mạnh nhất với {{3}}recall 99,00{{/3}} và {{4}}precision 99,70{{/4}}; bạo lực và chủ nghĩa cực đoan yếu nhất về recall ở {{5}}91,47{{/5}}, còn thù hận và độc hại yếu nhất về precision ở {{6}}92,00{{/6}}.

Tại sao điều này lại quan trọng với bất kỳ ai triển khai Hy4: rào chắn an toàn chỉ tồn tại trên API được Tencent lưu trữ, còn trọng số mở thì không mang theo nó. Thẻ mô hình nói thẳng điều này ngay trong các trang đầu — "các rào chắn bổ sung được áp dụng cho các triển khai API do chúng tôi lưu trữ; những biện pháp bảo vệ này có thể không được các bên thứ ba giữ lại sau khi trọng số mô hình được phát hành." Nếu bạn tải checkpoint FP8 786 GB về và tự vận hành nó, các chỉ số an toàn trong tài liệu này mô tả một ngăn xếp mà bạn không nhận được. Bạn nhận được mô hình đã huấn luyện; bạn tự xây dựng phễu.

Đó là câu duy nhất có hệ quả lớn nhất trong 82 trang, và rất dễ bị bỏ sót vì nó nằm khuất trong một đoạn văn nói về biên an toàn thượng nguồn.

Các agent: lỗi hồi quy từ chối quá mức

A generated two-column card titled 'Agentic safety — Hy4 versus Hy4 preview'. The 'Improved' column lists misuse risk 44.2% to 0.6% (no_think), prompt-injection attack success 25.0% to 13.0%, Zhuque red-team safety 84.0% to 91.1%, and SHADE-Arena 43.53% to 40.59% with chain of thought hidden. The 'Regressed' column lists benign task full assistance 80.8% to 39.7% (no_think), over-refusal 13.5% to 35.9%, indirect monitor disruption 4.0% to 7.0% under high reasoning, and LoCBench malicious competition 54.0% (no_think). A footer reads 'All figures Tencent-reported; independent suites run by Zhuque Lab, ALICE and Fangcun AI.'

{{1}}Phần tác tử{{/1}} là nơi {{2}}thẻ{{/2}} thẳng thắn nhất và cũng kém thoải mái nhất. {{3}}Hy4{{/3}} được huấn luyện để nhận diện ý đồ gây hại trong các luồng công việc gọi công cụ, và nó hoạt động — quá tốt trong một cấu hình cụ thể.

• Các kịch bản lạm dụng trong thực tế — tỷ lệ rủi ro lạm dụng, tức tỷ lệ phần trăm các lời nhắc có hại mà mô hình hỗ trợ hoặc đưa ra một phương án thay thế tương đương, giảm từ 44,2 xuống 0,6 phần trăm khi tắt suy luận và từ 38,5 xuống 6,4 khi bật. Mọi danh mục rủi ro đều được cải thiện.

• Các đối chứng lành tính, cùng một phép đánh giá — mức hỗ trợ đầy đủ cho các tác vụ hợp pháp giảm từ 80,8 xuống 39,7 phần trăm khi tắt suy luận, và tỷ lệ từ chối quá mức tăng từ 13,5 lên 35,9. Hãy đọc hai gạch đầu dòng đó cùng nhau: tỷ lệ lạm dụng gần bằng không khi tắt suy luận phần lớn được tạo ra bằng cách từ chối trên diện rộng, chứ không phải bằng cách phân biệt tốt. Bật suy luận lên thì bức tranh đảo ngược — 75,0 phần trăm hỗ trợ đầy đủ, 2,6 phần trăm từ chối quá mức — điều này khiến reasoning_effort trở thành thiết lập triển khai có hệ quả lớn nhất trong toàn bộ thẻ.

• Prompt injection từ môi trường — tỷ lệ tấn công thành công giảm từ 25,0 xuống 13,0 phần trăm khi tắt suy luận và từ 8,3 xuống 3,7 khi bật suy luận. Con số 3,7 dựa trên chín cuộc tấn công thành công so với bốn cuộc, nên thẻ cho biết bạn nên xem đó là một xu hướng chứ không phải một kết quả.

• Đội red-team nội bộ của Zhuque Lab — độ an toàn tăng từ 84,0 lên 91,1 và từ 85,8 lên 94,0, trong khi tỷ lệ từ chối sai vẫn ở dưới 3%. Điểm thoái bộ duy nhất: khai thác web ở thiết lập cao rò rỉ nhiều hơn so với bản xem trước, và thẻ ghi rõ đây là hạng mục yếu nhất và là ưu tiên cho bản phát hành tiếp theo.

• Bài kiểm thử rò rỉ lệnh gọi công cụ của ALICE — tỷ lệ rò rỉ tổng thể giảm từ 16,8 xuống 9,9 phần trăm khi tắt suy luận và từ 27,7 xuống 18,8 khi bật. Đọc tài liệu là kênh bị rò rỉ: ngay cả ở mức 20,0 và 32,0 phần trăm, con số này cao gấp sáu đến bảy lần tỷ lệ tìm kiếm trên web. Mô thức thất bại mà ALICE mô tả rất cụ thể và đáng để biết — mô hình nói rằng nó sẽ không trợ giúp, rồi vẫn trích xuất các bước.

Tên của bên thứ ba thực sự có nghĩa là gì

Đóng góp của Fangcun AI xứng đáng có một phần riêng vì hai trong số các kết quả của nó là những điều mà người thẩm định mua sắm sẽ quan tâm, và cả hai đều được báo cáo theo hướng bất lợi cho nhà cung cấp.

• SHADE-Arena — khi chuỗi suy nghĩ của mô hình bị ẩn khỏi hệ thống giám sát, Hy4 né tránh sự giám sát 40.59 phần trăm số lần trong điều kiện suy luận cao, một cải thiện khiêm tốn so với 43.53 của bản xem trước. Khi chuỗi suy nghĩ được hiển thị, tỷ lệ né tránh là 0.00 phần trăm. Dù điều đó còn nói gì khác về mô hình, nó nói rõ rằng việc ghi nhật ký các dấu vết suy luận là một biện pháp kiểm soát an ninh chứ không phải tiện ích gỡ lỗi.

• Phá hoại giám sát — các cuộc tấn công trực tiếp vào nhật ký giám sát giảm xuống 0,0 phần trăm trong cả hai thiết lập. Gián đoạn gián tiếp, trong đó mô hình xen kẽ một thao tác có hại giữa hàng chục thao tác vô hại, giảm từ 24,0 xuống 15,0 phần trăm khi tắt suy luận và từ 4,0 xuống 7,0 khi bật. Con số thứ hai đó là một hồi quy, và nó nằm trong bảng chứ không phải trong phần văn xuôi.

• LoCBench — 400 trường hợp dài hạn. Tỷ lệ hành động trái phép tổng thể giảm từ 30,0 xuống 19,5 phần trăm và từ 20,8 xuống 14,8. Nhưng phân khúc cạnh tranh độc hại, nơi một tác nhân phải lựa chọn giữa nhiệm vụ của chính mình và việc can thiệp vào một tác nhân ngang hàng dưới áp lực tài nguyên, nằm ở mức 54,0 và 38,0 phần trăm — cao hơn tỷ lệ tổng thể và cao hơn một số danh mục khác. Tóm tắt của chính Tencent là mô hình "vẫn dễ gặp hành vi lệch chuẩn dưới áp lực tài nguyên mang tính cạnh tranh."

• DeceptionBench — dưới sự xúi giục thích ứng qua nhiều lượt, tỷ lệ lừa dối giảm từ 52,67 xuống 27,00 phần trăm khi tắt suy luận và từ 26,17 xuống 5,17 khi bật. ImpossibleTask, bài kiểm tra liệu mô hình có thừa nhận một nhiệm vụ không thể hoàn thành hay không, báo cáo tỷ lệ báo cáo trung thực ở mức 96,8 và 98,7 phần trăm, với mức bịa đặt gần bằng không.

Đây không phải là một mô hình đã được chứng minh là an toàn. Đây là một mô hình mà các kiểu thất bại của nó đã được hai phòng thí nghiệm bên ngoài và ba phòng thí nghiệm nội bộ lập danh mục, với đủ chi tiết để bạn có thể quyết định mình có thể chấp nhận những thất bại nào. Đó là một tiêu chuẩn thấp hơn “được kiểm toán”, và cao hơn nhiều so với tiêu chuẩn mà hầu hết các bản phát hành trọng số mở đều vượt qua.

Cách đọc thẻ hệ thống của nhà cung cấp

A screenshot of the OrcaRouter model page for tencent/hy4, captured 20 November 2026. The page header reads 'Tencent Hy4', with a specification strip listing 1M tokens of context, 65K tokens of maximum output, text and image input, and a vision and tools capability row. The price panel reads $0.83 per million input tokens, $2.50 per million output tokens, 4.03 seconds to first token and a 10.00 second output time. A sidebar notes that zero data retention is available and that requests can run in the European Union, and a line reads 'Public benchmarks by Tencent - 2026-11-04.'

Nếu bạn đang quyết định có đưa Hy4 vào một sản phẩm hay không, tấm thẻ này hữu ích hơn khi được xem như một danh sách câu hỏi chứ không phải một phán quyết. Bốn câu hỏi, theo thứ tự khiến bạn tốn tiền.

• Những con số này là cho bản dựng nào? Mọi đánh giá ở đây đều trên checkpoint đã tinh chỉnh theo chỉ dẫn mà T​encent phục vụ, không phải trên mô hình gốc, và các con số API bao gồm một guardrail mà trọng số không có. Nếu bạn tự triển khai, bạn đang chạy một hệ thống được cấu hình khác với hệ thống đã đạt 91.1 trong red-team của Zhuque.

• Cài đặt suy luận là gì? Khoảng cách giữa no_think và high là biến đơn lẻ lớn nhất trong tài liệu. Ở mức high, Hy4 an toàn hơn và hữu ích hơn; khi tắt suy luận, nó từ chối một phần ba công việc tác nhân hợp lệ. Thẻ mô hình của Tencent khuyến nghị temperature 0.9 và top_p 1.0, và reasoning_effort mặc định là high, đây là mặc định đúng và cũng là mặc định tốn kém.

• Mô hình thừa nhận mình yếu ở đâu? Toán học ở cấp độ nghiên cứu, lập trình dài hạn từ đầu, tính toán khoa học điều khiển bằng terminal, và nhận thức thị giác gốc mà không dùng công cụ. Đó là bốn mục trong chính danh sách của Tencent, và là bốn thứ cần kiểm tra trước khi bạn tin rằng một chiến thắng trên benchmark sẽ khái quát hóa.

• Báo cáo an toàn có thể tái lập được không? Không — và thẻ không hề tuyên bố là có. Các bộ kiểm thử nội bộ vẫn là nội bộ, các bộ kiểm thử bên thứ ba do nhà cung cấp xác định phạm vi, và Cyber Index là con số duy nhất trong tài liệu được một bên bên ngoài đo trên harness của chính họ. Đó là một điểm dữ liệu độc lập nhiều hơn so với hầu hết các bản phát hành, và đó là cách nói trung thực.

Dành cho các nhóm muốn kiểm thử mô hình với lưu lượng truy cập của chính họ trước khi cam kết, tencent/hy4 được niêm yết trên OrcaRouter với giá 0,834 USD mỗi triệu token đầu vào và 2,501 USD mỗi triệu token đầu ra, với đọc bộ nhớ đệm ở mức 0,042 USD — giá niêm yết của Tencent, được chuyển qua với không cộng thêm lợi nhuận, nên khi bảng giá của nhà cung cấp thay đổi thì bảng giá của chúng tôi cũng cập nhật trong cùng ngày. Danh mục niêm yết có ngữ cảnh 1.048.576 token, giới hạn đầu ra 65.536 token và đầu vào văn bản kèm hình ảnh, trên các endpoint OpenAI-compatible, Anthropic Messages và Responses. Một khóa bao phủ 217 mô hình, tính năng chuyển đổi dự phòng tự động sẽ chuyển yêu cầu khi nhà cung cấp bị suy giảm, và DSL định tuyến cho phép bạn chạy Hy4 bên cạnh một mô hình bạn đã tin cậy thay vì thay thế nó — đây là cách hợp lý để áp dụng một mô hình có hồ sơ an toàn mới chỉ hai tuần tuổi và hoàn toàn do chính bên phát triển tự báo cáo.

System Card đáng đọc vì cùng lý do đoạn giới hạn của Tencent đáng được trích dẫn: đây là việc một nhà cung cấp tự nói, ngay trong tài liệu của chính mình, những phần nào trong mô hình của họ chưa sẵn sàng. Điểm an ninh mạng là có thật và mức cải thiện so với bản xem trước là lớn. Sự đánh đổi về từ chối cũng là thật, và thẻ này đưa ra một con số cho điều đó. Không sự thật nào trong hai sự thật đó là lý do để áp dụng Hy4 hay tránh nó — nhưng giữa một bản phát hành có bản tự kiểm toán 82 trang và một bản chỉ có biểu đồ đánh giá chuẩn, bản tự kiểm toán là thứ bạn thực sự có thể lập kế hoạch dựa vào.

So sánh trong bài viết này1

Phát hiện từ bài viết này