
Hy4 flash Vision:74.8 MMMU-Pro,以及為何 52.0 依然成立
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 675 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百萬 tokens · 385 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 213 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
2026 年 11 月 20 日,一份針對 SGLang 的開放中 pull request 提出了一項視覺語言支援,對象是 Hunyuan-4-Flash——這是該框架對 Hy4 flash 的稱呼,也就是 Tencent 於 11 月 16 日放上其 API、並在一天後以權重形式開放的 2200 億參數模型。在 PR 說明中一個名為「Accuracy / Tests」的標題下,藏著任何人針對該模型的 instruct 版本所公布的第一個 MMMU-Pro 數字:74.78%,取前 300 個範例三次執行的平均值。Tencent 自家的模型卡回報 Hy4 flash 在 MMMU-Pro 上為 52.0。這兩個數字相差 22.8 分,但不應彼此相減,因為它們描述的並不是同一件事。釐清兩者各自描述的究竟是什麼,是讀者在決定 Tencent Hy4 在涉及圖像時是否仍是應呼叫的模型之前,所需的大部分資訊。
這個 Pull Request 實際上包含的內容
這個 PR 是拆分先前一項綜合性變更的三個 PR 之一,並且明確堆疊在文字模型 PR 之上。截至 11 月 21 日,它仍處於開啟、尚未合併的狀態,包含一個提交、涉及八個檔案(+1,883 / −13),而三個 CI 欄位都顯示「Skipped — add the run-ci label」。尚未完成任何程式碼擁有者審查。它所依據的文字支援也仍處於開啟狀態。因此,這裡沒有任何內容已隨正式發佈的 SGLang 建置推出;Hy4 flash 的 cookbook 條目仍只描述文字服務,並明確表示該支援「尚未包含在已發佈的 SGLang wheel 中」。
這個 diff 的作用,是把視覺塔(vision tower)端到端接入 serving 路徑。關鍵的部分有:
• ViT 與其投影器透過注意力張量並行進行分片,因此影像塔在多 GPU 節點上不會成為單一 rank 的瓶頸。
• 多模態位置編碼採用交錯式 MRoPE——以逐槽位的 (t, h, w) 位置表示——並同時帶入注意力層,以及稀疏層用來選取上下文的 IndexPool rope;若只轉換稠密路徑,這部分就會悄悄失效。
Engram 雜湊被訓練成會還原位於填充值下的圖像與影片 token ID,並跳過對它們進行雜湊,因此 n-gram 記憶表不會把媒體 token 當成文字來消耗。
• `language_model_only` 旗標讓同一個引擎能夠服務文字模型,而完全不需要啟動多模態路徑。
最後這個細節,是對目前處境最誠實的總結:程式碼的寫法讓視覺功能成為可選項,因為對大多數 12B 活躍參數模型的部署來說,它本來就會是可選的。

為什麼 74.8 不是 22 個百分點的躍升
公關版本的數字與卡片上的數字之間有三處差異,而每一處都讓這個數字往好看的方向移動。
第一個是檢查點。Tencent 的模型卡只回報 基礎模型的多模態分數,而且還明確寫道:「多模態結果僅針對 Hy4 flash Base 與 Hy4 Base 回報。」Hy4 flash Base 在 MMMU-Pro(Standard、10 個選項、4-shot)上得分 52.0;較大的 Hy4 Base 得分 59.6。instruct 檢查點——也就是任何人實際部署的那些——完全沒有公開的多模態分數。這個 PR 測量的是 instruct 模型,因此它是在填補真正的空白,而不是勝過某個被拿來與它比較的數字。
第二個是誘導。PR 以 temperature 0.9、top-p 1.0、reasoning_effort=high,以及 32,768 個 token 的完成預算運行。Tencent 的基礎評估是 4-shot、不使用思維鏈。在十個選項的選擇題任務中,一個獲准在作答前推理的 instruct 模型,幾乎必然會勝過 4-shot 的 base 模型;這個差距是後訓練造成的,不是視覺能力的提升。把 74.8 視為「instruct 模型,以恰當方式提問」,把 52.0 視為「base 模型,以標準方式提問」。它們是對兩個不同產物的兩組不同測量。
第三項是子集。PR 評估前 300 個範例,而非完整集合,且未說明這 300 個是如何抽出的。在 300 個項目、比例接近 0.75 時,光是抽樣標準誤就約為 2.5 個百分點,因此在任何問題排序效應之前,該單一數值的 95% 區間大約是 ±5 個百分點。PR 自己的三次執行結果分別為 74.33、75.33 和 74.67——差距為一個百分點,這窄於抽樣誤差,而這點值得知道:在固定子集上的逐次執行變異會低估同一個數字換成另一組 300 個問題時可能變動的幅度。同一份 PR 中的第二種配置,也就是完整堆疊加上推測解碼程式碼但不進行推測,在同一子集上平均為 74.00,並在其三次執行中顯示 5.3 個百分點的差距。這兩個數字都沒有錯。但兩者都不是採購決策所需意義上的基準測試結果。
這個 PR 確實證明了——而這部分是扎實的——pipeline 已正確接線,而不只是能編譯。在載入視覺塔的情況下,GSM8K 的 200 題得分為 97.00%——與純文字分支回報的結果相差不到一分,因此多模態路徑並未使語言頭退化。涵蓋形狀與顏色、OCR、長條圖與線條計數的合成影像提示皆正確回答。這是一項通過的冒煙測試,而這正是對 PR 應有的說法:程式碼能運作。準確率數字只是執行它的副產品。
![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)
那些不代表影片的影片詞元
PR 標題寫的是圖像與影片輸入,diff 中帶有 video_start_token_id、video_end_token_id 和 video_token_id,而且其中一個被修改的處理器會處理影片幀取樣。基於這點,很容易把 Hy4 flash 歸類為影片模型。不要這麼做。同一份 diff 包含一個明確的防護檢查——「HYV4 vision 不支援影片 token 壓縮」——且空間與時間壓縮旗標都設為 false。廠商的模型卡從未聲稱支援影片:它說該模型「原生接受文字與圖像輸入,生成文字」。而已經用於服務該模型的 vLLM recipe 設定了 --limit-mm-per-prompt '{"image":1,"video":0}',每個提示詞一張圖像、零段影片。
所以,影片常數只是為一條兩端都封閉的路徑鋪設管線:框架會辨識這些 token id,因此不會被它們卡住,同時停用真正影片實作所需的壓縮。任何在 PR 摘要中看到「影像與影片輸入」,並打算圍繞 220B 開放權重模型規劃影片管線的人,讀到的是路線圖,而不是能力。
你今天實際能運行什麼
實際重點在於:情況會隨執行環境而有所不同。
• vLLM — 已提供視覺路徑。已發布的配方指定類別為 HYV4FlashVLForConditionalGeneration,且預設每個提示詞允許一張圖片。這是目前既有的途徑。
• SGLang — 文字服務可透過 lmsysorg/sglang:hy4-flash 映像檔使用,而其 cookbook 頁面完全沒有提到視覺、影像或多模態。視覺功能就是上述開放中的 PR;唯有當整套堆疊合併且 wheel 發布後才會提供,在此之前不會有。
• 騰訊自家的 API — 圖像輸入原本就是發布說明的一部分,而我們自己的目錄將 tencent/hy4-flash 列為文字+圖像→文字,具備 1,048,576 個 token 的上下文、65,536 個輸出 token,以及每百萬輸入 token $0.0175、每百萬輸出 token $0.07025 的價格。這些是今天讀取的目錄數值,並非重新引用發布週的人民幣價格卡,而且兩者並不一致——中國大陸的費率換算後大約是輸入價格的四倍。我們沒有針對本文送出圖像呼叫來驗證視覺部分,而兩個服務框架之間的不一致,正是你在依賴它之前應該自行測試的好理由。

測試而非假設的原因是,一個模型可能被宣傳為多模態、其權重也具備多模態能力,但卻在你碰巧呼叫的端點上仍只支援文字。這正是 Hy4 flash 過去五天所處的狀態:視覺編碼器隨檢查點一同發布,而服務堆疊一直以一次一個 PR 的步調追趕。
這讓選擇處於何種境地
如果你今天需要 Hunyuan 系列提供的影像理解,而且你要的是一個已經定案的答案,而不是一個整合專案,答案仍然是 Tencent Hy4。它於 11 月 4 日正式全面推出,並以視覺與電腦使用作為主打能力;其文件記載的行為包括能讀取細緻的圖表與圖解,而不是 flash 方案預設的每次提示僅處理單一圖片的安排。它的價格也是好幾倍:同一份價目表中,每百萬輸入 $0.834、輸出 $2.501。售價 $0.0175 的 Hy4 flash 是平價商品級模型,其視覺路徑確實存在,但才剛接上。
接下來的決策規則並不光鮮。現在就把文字與文件類工作導向 Hy4 flash。把圖像類工作導向 Tencent Hy4,直到 Tencent 公布 instruct 模型的多模態分數,或 SGLang 技術堆疊完成合併、且已發布的 wheel 可供測試為止——以先發生者為準,而截至 11 月 21 日,兩者都尚未發生。沒有理由只挑一個而放棄另一個:兩者在此都使用同一把金鑰,供應商定價以 0% 加價原樣轉嫁,而且路由規則可以把帶有圖像的請求送往旗艦模型,同時把文字送往便宜模型,無須第二份合約或修改程式碼。自動容錯移轉則涵蓋了較新的視覺路徑到頭來正是在真實圖像下出問題的那一個的情況。
接下來要看什麼
三件事會改變這篇文章,而每一項都是可以查證的。
堆疊合併。這個 vision PR 疊在一個本身尚未合併的 text PR 之上;兩者都待審查,而 CI 也都還沒跑過。在 wheel 正式發佈之前,無論 diff 怎麼寫,沒有任何 SGLang 使用者能用 Hy4 flash 映像提供服務。
Tencent 發布指令模型的多模態數據。這張模型卡的多模態表格僅涵蓋基礎檢查點,而對於一場以多模態為主打的首發而言,這是個不尋常的遺漏。若能有一列由 Tencent 或獨立評估者跑出的 Hy4 flash instruct 全套 MMMU-Pro 成績,就能以實測結果取代本文中的每一項估計。
Artificial Analysis 正在加入該模型。截至 11 月 21 日,排行榜上沒有 Hy4 flash 的條目——該模型 URL 會回傳 404——因此沒有第三方指數、速度或價格標準化分數可供對照查核這一切。該模型推出當週的報導主要依賴 Tencent 自家的 WorkIndex 套件和一項 85 人內部盲測;兩者都未涉及視覺。
在這些條件有一項落實之前,74.8 只應出現在附帶其限定條件的句子裡:一個 instruct 檢查點、300 個項目、高推理強度、三次執行,以及一位框架作者對一個尚未經審查的 PR 所做的抽查。這是 Hy4 flash 視覺方面現有的最佳數字。這個門檻比聽起來更低,而誠實的解讀是:該模型的視覺能力如今已可證明完成實作,但仍有很大部分尚未被測量。
本文中的比較1
根據本文內容識別
