Tencent Hy4 Preview er Tencent Hunyuan-teamets hidtil største open-weight-sprogmodel og virksomhedens tydeligste forsøg på at koble en model i frontlinjestørrelse sammen med konkrete arbejds- og kodeværktøjer. Den blev lanceret den 28. august 2026 og er målrettet softwareudvikling, research, finansanalyse og andre opgaver, hvor AI-agenter skal kunne udføre flere trin på brugerens vegne. 112

De store tal er iøjnefaldende: 770 milliarder samlede parametre, 49 milliarder aktive parametre pr. token og et kontekstvindue på over én million tokens. Den mere nøgterne konklusion er dog, at Hy4 foreløbig ligner en kinesisk open-weight-model i topklassen til kodning og produktivitetsopgaver, mens påstande om generel overlegenhed stadig i høj grad bygger på Tencents egne evalueringer og afventer bredere, uafhængige tests. 18

Hvad er Tencent Hy4 Preview?

Hy4 Preview er en Mixture-of-Experts-model, ofte forkortet MoE. I stedet for at bruge alle modellens parametre på hvert eneste token aktiverer et routingsystem kun en mindre del af netværket for den aktuelle forespørgsel. Det gør det muligt at bygge en model med meget stor samlet kapacitet uden at betale den fulde teoretiske beregningspris for hvert token.

Tencent beskriver Hy4 som en model til agentisk arbejde snarere end blot endnu en almindelig chatbot. De tilsigtede anvendelser omfatter kodning, kontorarbejde, research og finansanalyse. Modellen er samtidig designet til at være en del af softwareudvikling og arbejdsprocesser gennem Tencents egne produkter. 18

Når Tencent kalder modellen open source, bør det i praksis forstås som open weights med en tilladende licens og understøttelse af forskellige implementeringer. Modellen er udgivet under Apache 2.0 sammen med vejledninger til serving, finjustering og kvantisering. 812

Hy4 Preview: specifikationer og arkitektur

De vigtigste specifikationer er:

• Samlede parametre: 770 milliarder
• Aktive parametre pr. token: 49 milliarder
• Kontekstvindue: Over én million tokens
• Arkitektur: Mixture of Experts
• Licens: Apache 2.0
• Modelformater: BF16 og FP8
• Serving: Opskrifter til vLLM og SGLang samt en OpenAI-kompatibel API-vej 812

Modellens backbone består af 78 lag. Ifølge Tencent bruger det første lag et tæt feed-forward-netværk, mens de resterende 77 lag benytter MoE-routing med 256 routede eksperter og én delt ekspert. For hvert token udvælges otte routede eksperter sammen med den delte ekspert. Hy4 indeholder også et indbygget lag til forudsigelse af flere tokens ad gangen, som skal understøtte spekulativ afvikling. 8

Attention-designet bruger Gated DeepSeek Sparse Attention med IndexCache, så sparsomme attention-indekser kan genbruges på tværs af lag. Tencent oplyser, at arkitekturen blandt andet er inspireret af tilgange, der forbindes med DeepSeek og GLM. 8

Det interessante ved Hy4 er derfor ikke kun parameterantallet. Modellen kombinerer en meget høj kapacitetsgrænse med sparsom routing, behandling af meget lange input og mekanismer, der er tænkt til at begrænse belastningen under inferens.

Hy4 sammenlignet med Hy3: Hvad er ændret?

Hy4 er en markant udvidelse af Tencents tidligere Hy3-model:

Specifikation	Hy3	Hy4 Preview	Ændring
Samlede parametre	295B	770B	Cirka 2,6 gange større
Aktive parametre pr. token	21B	49B	Cirka 2,3 gange mere aktiv beregning
Kontekstvindue	262K tokens	Over 1M tokens	Omtrent 4 gange større
Modeldesign	MoE	Udvidet MoE med ændringer i sparse attention	Højere kapacitet og længere kontekst

Hy4 øger altså både den samlede modelkapacitet og den aktive beregning for hvert token. Tencent siger desuden, at virksomheden har udvidet træningsdataene og foretaget omfattende ændringer i både pre-training og post-training. 814

Det større kontekstvindue kan være særligt relevant i praksis. Over én million tokens kan gøre det lettere at arbejde med store kodebaser, lange samlinger af forskningsmateriale og komplekse arbejdsopgaver. Den reelle nytte afhænger dog også af informationssøgning, svartid og modellens evne til at bevare præcisionen gennem lange input.

Hvordan klarer Hy4 sig mod kinesiske konkurrenter?

Tencents tydeligste offentliggjorte sammenligning er en intern blind side-by-side-evaluering. Her vurderede 163 interne eksperter svar på 203 softwaretekniske opgaver. Hy4 Preview fik en gennemsnitsscore på 2,99 ud af 4, sammenlignet med 2,92 for Zhips GLM-5.3 og 2,94 for Moonshots Kimi K3. 8

Resultatet placerer Hy4 en smule foran i Tencents test, men bør ikke læses som en neutral og komplet rangliste. Evaluatorerne var Tencents egne eksperter, og testen fokuserede på engineering-opgaver. Andre benchmarkrapporter viser, at resultaterne varierede i forhold til kinesiske konkurrenter som Alibabas Qwen-modeller og DeepSeek. 113

Nogle sekundære rapporter nævner også store forbedringer i forhold til Hy3 på kodebenchmarks som Terminal-Bench 2.1 og DeepSWE. Tallene kan pege på fremskridt, men bør fortolkes med forsigtighed, indtil testbetingelser og resultater er blevet gengivet uafhængigt. 1718

Den mest holdbare konklusion er derfor, at Hy4 hører til blandt de stærkeste kinesiske open-weight-modeller til kodning og produktivitetsopgaver. De tilgængelige data viser ikke, at modellen entydigt slår alle konkurrenter på alle typer opgaver.

Hvor kan Hy4 Preview bruges?

Tencent stiller Hy4 til rådighed både som downloadbare modelvægte og gennem hostede produkter.

Download og egen drift

Modellen og FP8-versionen kan hentes via Hugging Face, ModelScope, GitCode og CNB. Tencent har offentliggjort opskrifter til vLLM og SGLang, en lokal OpenAI-kompatibel API-vej samt instruktioner til finjustering og kvantiseringsværktøjer. 812

Det gør Hy4 mere tilgængelig for udviklere, der vil eksperimentere med vægtene eller bygge deres egen serving-platform. Open weights betyder dog ikke, at modellen er let at køre. Tencents referenceopsætning til FP8 bruger tensorparallelisme på otte måder, og serving af en model på 770B er stadig et omfattende multi-GPU-projekt. 8

Tencent-produkter og hostede API'er

Brugere kan få adgang til Hy4 gennem WorkBuddy, CodeBuddy, Yuanbao og ima. Tencent angiver også adgang via Tencent Cloud TokenHub og OpenRouter. Ved lanceringen tilbød Tencent to ugers gratis adgang gennem WorkBuddy og CodeBuddy, mens adgangen til den tidligere Hy3-model blev forlænget til den 30. september. 12

En tredjepartsrapport angav en OpenRouter-pris på cirka 0,834 dollar pr. million inputtokens. Det bør ses som en kanalsspecifik pris og ikke som en permanent listepris fra Tencent, fordi pris og tilgængelighed kan variere efter udbyder og geografisk marked. 3

Hvorfor Tencents produktdistribution er vigtig

Hy4 er tæt knyttet til Tencents strategi for AI-produkter. Tencent siger, at modellen blev udviklet i samarbejde med WorkBuddy og CodeBuddy på baggrund af opgaver og feedback fra interne softwareingeniører, spiludviklere, finansanalytikere og sikkerhedsspecialister. 8

Det kan give Tencent en fordel, der rækker ud over selve modelarkitekturen. Virksomheden kan afprøve modellen direkte i produkter til kodning og kontorarbejde og bruge feedback fra disse produkter i senere versioner. Det samme distributionsnetværk giver brugerne flere måder at prøve modellen på uden selv at skulle downloade og drive et system på 770B.

Der er tidlige tegn på, at Tencents bredere Hunyuan-distribution kan skabe et stort forbrug. Tencent rapporterede, at overgangen af Hunyuan 3 til produktion øgede det gennemsnitlige daglige tokenforbrug cirka seks gange sammenlignet med preview-fasen. Det dokumenterer hurtig vækst i brugen, men er ikke i sig selv uafhængigt bevis på brugertilfredshed eller langvarig fastholdelse.

Tencent investerer samtidig massivt i at understøtte strategien. Investeringer i faciliteter og udstyr nåede 52,784 milliarder yuan i andet kvartal 2026, cirka 2,8 gange niveauet året før. Ledelsen prioriterede AI-infrastruktur og investeringer relateret til WorkBuddy.

Tencent har beskrevet WorkBuddy som Kinas mest udbredte produktivitetsbaserede AI-agenttjeneste, men det er virksomhedens egen påstand og ikke en uafhængigt revideret opgørelse over markedsandele. 4

Hy4 Previews aktuelle begrænsninger

Hy4 Preview præsenteres ikke som en færdig model. Tencent erkender, at den kan bruge længere tid end nødvendigt på vanskelige opgaver og i nogle tilfælde overkontrollere sit eget arbejde. Det kan føre til højere svartid og større inferensomkostninger. 8

Modellens størrelse er en anden praktisk begrænsning. Selvom MoE-routing betyder, at kun 49B parametre er aktive for det enkelte token, skal hele modellen stadig lagres og afvikles. Organisationer, der overvejer selvhosting, får derfor brug for betydelig hukommelse, netværkskapacitet og multi-GPU-infrastruktur.

Benchmarkdokumentationen har også begrænsninger. Tencents interne evaluering viser en snæver føring over GLM-5.3 og Kimi K3 på engineering-opgaver, mens bredere sammenligninger varierer fra benchmark til benchmark. De tidlige placeringer bør derfor ses som en indikation og ikke som et endeligt facit. 8

Endelig er lang kontekst ikke automatisk det samme som pålidelig ræsonnering over lange dokumenter. Hy4s kontekstvindue på én million tokens er en væsentlig specifikationsfordel, men den praktiske ydeevne afhænger af opgaven, promptens opbygning, søgestrategien og serving-konfigurationen.

Hvilke forbedringer kan komme næste gang?

Tencents offentlige retning er tydeligere end en formel udgivelsesplan. Virksomheden peger på mere pre-training og post-training, hurtigere og mindre gentagende ræsonnering, fortsat feedback fra WorkBuddy og CodeBuddy samt komprimering og kvantisering, der kan reducere omkostningerne ved drift. 8

De tiltag vil adressere Hy4s centrale dilemma: Modellen har større kapacitet og længere kontekst end Hy3, men betegnelsen preview signalerer, at hastighed, effektivitet og stabilitet i produktion stadig bliver finpudset.

Konklusion

Hy4 Preview er et stort spring fremad fra Hy3. De samlede parametre stiger fra 295B til 770B, de aktive parametre fra 21B til 49B, og kontekstvinduet vokser fra 262K til over én million tokens. Modellen er samtidig usædvanligt tæt integreret med Tencents egne kode-, kontor-, cloud- og forbrugerprodukter. 812

For udviklere gør Apache 2.0-licensen og de medfølgende værktøjer Hy4 værd at afprøve. For organisationer kan hostet adgang gennem Tencents produkter og API'er være mere realistisk end selvhosting. Den rigtige foreløbige vurdering er dog afdæmpet: Hy4 ligner en kraftfuld kinesisk open-weight-model i topklassen til kodning og agentisk produktivitet, mens uafhængige benchmarks og længere tids brug i produktion må afgøre, om de lovende tidlige resultater bliver til en varig føring.

Tencent Hy4 Preview er Tencent Hunyuan-teamets hidtil største open-weight-sprogmodel og virksomhedens tydeligste forsøg på at koble en model i frontlinjestørrelse sammen med konkrete arbejds- og kodeværktøjer. Den blev lanceret den 28. august 2026 og er målrettet softwareudvikling, research, finansanalyse og andre opgaver, hvor AI-agenter skal kunne udføre flere trin på brugerens vegne. 112

De store tal er iøjnefaldende: 770 milliarder samlede parametre, 49 milliarder aktive parametre pr. token og et kontekstvindue på over én million tokens. Den mere nøgterne konklusion er dog, at Hy4 foreløbig ligner en kinesisk open-weight-model i topklassen til kodning og produktivitetsopgaver, mens påstande om generel overlegenhed stadig i høj grad bygger på Tencents egne evalueringer og afventer bredere, uafhængige tests. 18

Hvad er Tencent Hy4 Preview?

Hy4 Preview er en Mixture-of-Experts-model, ofte forkortet MoE. I stedet for at bruge alle modellens parametre på hvert eneste token aktiverer et routingsystem kun en mindre del af netværket for den aktuelle forespørgsel. Det gør det muligt at bygge en model med meget stor samlet kapacitet uden at betale den fulde teoretiske beregningspris for hvert token.

Tencent beskriver Hy4 som en model til agentisk arbejde snarere end blot endnu en almindelig chatbot. De tilsigtede anvendelser omfatter kodning, kontorarbejde, research og finansanalyse. Modellen er samtidig designet til at være en del af softwareudvikling og arbejdsprocesser gennem Tencents egne produkter. 18

Når Tencent kalder modellen open source, bør det i praksis forstås som open weights med en tilladende licens og understøttelse af forskellige implementeringer. Modellen er udgivet under Apache 2.0 sammen med vejledninger til serving, finjustering og kvantisering. 812

Hy4 Preview: specifikationer og arkitektur

De vigtigste specifikationer er:

• Samlede parametre: 770 milliarder
• Aktive parametre pr. token: 49 milliarder
• Kontekstvindue: Over én million tokens
• Arkitektur: Mixture of Experts
• Licens: Apache 2.0
• Modelformater: BF16 og FP8
• Serving: Opskrifter til vLLM og SGLang samt en OpenAI-kompatibel API-vej 812

Modellens backbone består af 78 lag. Ifølge Tencent bruger det første lag et tæt feed-forward-netværk, mens de resterende 77 lag benytter MoE-routing med 256 routede eksperter og én delt ekspert. For hvert token udvælges otte routede eksperter sammen med den delte ekspert. Hy4 indeholder også et indbygget lag til forudsigelse af flere tokens ad gangen, som skal understøtte spekulativ afvikling. 8

Attention-designet bruger Gated DeepSeek Sparse Attention med IndexCache, så sparsomme attention-indekser kan genbruges på tværs af lag. Tencent oplyser, at arkitekturen blandt andet er inspireret af tilgange, der forbindes med DeepSeek og GLM. 8

Det interessante ved Hy4 er derfor ikke kun parameterantallet. Modellen kombinerer en meget høj kapacitetsgrænse med sparsom routing, behandling af meget lange input og mekanismer, der er tænkt til at begrænse belastningen under inferens.

Hy4 sammenlignet med Hy3: Hvad er ændret?

Hy4 er en markant udvidelse af Tencents tidligere Hy3-model:

Specifikation	Hy3	Hy4 Preview	Ændring
Samlede parametre	295B	770B	Cirka 2,6 gange større
Aktive parametre pr. token	21B	49B	Cirka 2,3 gange mere aktiv beregning
Kontekstvindue	262K tokens	Over 1M tokens	Omtrent 4 gange større
Modeldesign	MoE	Udvidet MoE med ændringer i sparse attention	Højere kapacitet og længere kontekst

Hy4 øger altså både den samlede modelkapacitet og den aktive beregning for hvert token. Tencent siger desuden, at virksomheden har udvidet træningsdataene og foretaget omfattende ændringer i både pre-training og post-training. 814

Det større kontekstvindue kan være særligt relevant i praksis. Over én million tokens kan gøre det lettere at arbejde med store kodebaser, lange samlinger af forskningsmateriale og komplekse arbejdsopgaver. Den reelle nytte afhænger dog også af informationssøgning, svartid og modellens evne til at bevare præcisionen gennem lange input.

Hvordan klarer Hy4 sig mod kinesiske konkurrenter?

Tencents tydeligste offentliggjorte sammenligning er en intern blind side-by-side-evaluering. Her vurderede 163 interne eksperter svar på 203 softwaretekniske opgaver. Hy4 Preview fik en gennemsnitsscore på 2,99 ud af 4, sammenlignet med 2,92 for Zhips GLM-5.3 og 2,94 for Moonshots Kimi K3. 8

Resultatet placerer Hy4 en smule foran i Tencents test, men bør ikke læses som en neutral og komplet rangliste. Evaluatorerne var Tencents egne eksperter, og testen fokuserede på engineering-opgaver. Andre benchmarkrapporter viser, at resultaterne varierede i forhold til kinesiske konkurrenter som Alibabas Qwen-modeller og DeepSeek. 113

Nogle sekundære rapporter nævner også store forbedringer i forhold til Hy3 på kodebenchmarks som Terminal-Bench 2.1 og DeepSWE. Tallene kan pege på fremskridt, men bør fortolkes med forsigtighed, indtil testbetingelser og resultater er blevet gengivet uafhængigt. 1718

Den mest holdbare konklusion er derfor, at Hy4 hører til blandt de stærkeste kinesiske open-weight-modeller til kodning og produktivitetsopgaver. De tilgængelige data viser ikke, at modellen entydigt slår alle konkurrenter på alle typer opgaver.

Hvor kan Hy4 Preview bruges?

Tencent stiller Hy4 til rådighed både som downloadbare modelvægte og gennem hostede produkter.

Download og egen drift

Modellen og FP8-versionen kan hentes via Hugging Face, ModelScope, GitCode og CNB. Tencent har offentliggjort opskrifter til vLLM og SGLang, en lokal OpenAI-kompatibel API-vej samt instruktioner til finjustering og kvantiseringsværktøjer. 812

Det gør Hy4 mere tilgængelig for udviklere, der vil eksperimentere med vægtene eller bygge deres egen serving-platform. Open weights betyder dog ikke, at modellen er let at køre. Tencents referenceopsætning til FP8 bruger tensorparallelisme på otte måder, og serving af en model på 770B er stadig et omfattende multi-GPU-projekt. 8

Tencent-produkter og hostede API'er

Brugere kan få adgang til Hy4 gennem WorkBuddy, CodeBuddy, Yuanbao og ima. Tencent angiver også adgang via Tencent Cloud TokenHub og OpenRouter. Ved lanceringen tilbød Tencent to ugers gratis adgang gennem WorkBuddy og CodeBuddy, mens adgangen til den tidligere Hy3-model blev forlænget til den 30. september. 12

En tredjepartsrapport angav en OpenRouter-pris på cirka 0,834 dollar pr. million inputtokens. Det bør ses som en kanalsspecifik pris og ikke som en permanent listepris fra Tencent, fordi pris og tilgængelighed kan variere efter udbyder og geografisk marked. 3

Hvorfor Tencents produktdistribution er vigtig

Hy4 er tæt knyttet til Tencents strategi for AI-produkter. Tencent siger, at modellen blev udviklet i samarbejde med WorkBuddy og CodeBuddy på baggrund af opgaver og feedback fra interne softwareingeniører, spiludviklere, finansanalytikere og sikkerhedsspecialister. 8

Det kan give Tencent en fordel, der rækker ud over selve modelarkitekturen. Virksomheden kan afprøve modellen direkte i produkter til kodning og kontorarbejde og bruge feedback fra disse produkter i senere versioner. Det samme distributionsnetværk giver brugerne flere måder at prøve modellen på uden selv at skulle downloade og drive et system på 770B.

Der er tidlige tegn på, at Tencents bredere Hunyuan-distribution kan skabe et stort forbrug. Tencent rapporterede, at overgangen af Hunyuan 3 til produktion øgede det gennemsnitlige daglige tokenforbrug cirka seks gange sammenlignet med preview-fasen. Det dokumenterer hurtig vækst i brugen, men er ikke i sig selv uafhængigt bevis på brugertilfredshed eller langvarig fastholdelse.

Tencent investerer samtidig massivt i at understøtte strategien. Investeringer i faciliteter og udstyr nåede 52,784 milliarder yuan i andet kvartal 2026, cirka 2,8 gange niveauet året før. Ledelsen prioriterede AI-infrastruktur og investeringer relateret til WorkBuddy.

Tencent har beskrevet WorkBuddy som Kinas mest udbredte produktivitetsbaserede AI-agenttjeneste, men det er virksomhedens egen påstand og ikke en uafhængigt revideret opgørelse over markedsandele. 4

Hy4 Previews aktuelle begrænsninger

Hy4 Preview præsenteres ikke som en færdig model. Tencent erkender, at den kan bruge længere tid end nødvendigt på vanskelige opgaver og i nogle tilfælde overkontrollere sit eget arbejde. Det kan føre til højere svartid og større inferensomkostninger. 8

Modellens størrelse er en anden praktisk begrænsning. Selvom MoE-routing betyder, at kun 49B parametre er aktive for det enkelte token, skal hele modellen stadig lagres og afvikles. Organisationer, der overvejer selvhosting, får derfor brug for betydelig hukommelse, netværkskapacitet og multi-GPU-infrastruktur.

Benchmarkdokumentationen har også begrænsninger. Tencents interne evaluering viser en snæver føring over GLM-5.3 og Kimi K3 på engineering-opgaver, mens bredere sammenligninger varierer fra benchmark til benchmark. De tidlige placeringer bør derfor ses som en indikation og ikke som et endeligt facit. 8

Endelig er lang kontekst ikke automatisk det samme som pålidelig ræsonnering over lange dokumenter. Hy4s kontekstvindue på én million tokens er en væsentlig specifikationsfordel, men den praktiske ydeevne afhænger af opgaven, promptens opbygning, søgestrategien og serving-konfigurationen.

Hvilke forbedringer kan komme næste gang?

Tencents offentlige retning er tydeligere end en formel udgivelsesplan. Virksomheden peger på mere pre-training og post-training, hurtigere og mindre gentagende ræsonnering, fortsat feedback fra WorkBuddy og CodeBuddy samt komprimering og kvantisering, der kan reducere omkostningerne ved drift. 8

De tiltag vil adressere Hy4s centrale dilemma: Modellen har større kapacitet og længere kontekst end Hy3, men betegnelsen preview signalerer, at hastighed, effektivitet og stabilitet i produktion stadig bliver finpudset.

Konklusion

Hy4 Preview er et stort spring fremad fra Hy3. De samlede parametre stiger fra 295B til 770B, de aktive parametre fra 21B til 49B, og kontekstvinduet vokser fra 262K til over én million tokens. Modellen er samtidig usædvanligt tæt integreret med Tencents egne kode-, kontor-, cloud- og forbrugerprodukter. 812

For udviklere gør Apache 2.0-licensen og de medfølgende værktøjer Hy4 værd at afprøve. For organisationer kan hostet adgang gennem Tencents produkter og API'er være mere realistisk end selvhosting. Den rigtige foreløbige vurdering er dog afdæmpet: Hy4 ligner en kraftfuld kinesisk open-weight-model i topklassen til kodning og agentisk produktivitet, mens uafhængige benchmarks og længere tids brug i produktion må afgøre, om de lovende tidlige resultater bliver til en varig føring.