AntwortenVeröffentlicht19 Quellen
Tencent Hy4 Preview: Architektur, Benchmarks, Kosten und Verfügbarkeit
Tencent veröffentlichte Hy4 Preview am 28. August 2026 mit 770 Milliarden Gesamtparametern, 49 Milliarden aktivierten Parametern pro Token und einem Kontextfenster von mehr als einer Million Tokens.
Veröffentlicht vonBearbeitet mit GPT-5.6 LunaBilder erstellt mit GPT Image 1.5
Forschungsantwort
Wichtige Erkenntnisse
- Tencent veröffentlichte Hy4 Preview am 28. August 2026 mit 770 Milliarden Gesamtparametern, 49 Milliarden aktivierten Parametern pro Token und einem Kontextfenster von mehr als einer Million Tokens.
- Gegenüber Hy3 wächst das Modell von 295 auf 770 Milliarden Parameter, die aktive Rechenmenge von 21 auf 49 Milliarden Parameter und das Kontextfenster von 262.000 auf mehr als eine Million Tokens.
- Die Gewichte stehen unter der Apache 2.0 Lizenz in mehreren Modell Repositorien bereit; außerdem ist Hy4 über Tencent Produkte, TokenHub und OpenRouter zugänglich.
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Tencent’s Hy4 Preview open-source AI model, released in August 2026, and how does it compare with its predecessor Hy3 and competing. Article summary: Tencent’s Hy4 Preview is a permissively licensed, open-weight flagship language model aimed at agentic productivity work—especially software engineering, office analysis, research, and finance. Released on August 28, 202. Topic tags: general, news, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
Tencent Hy4 Preview ist das bislang größte Open-Weight-Sprachmodell des chinesischen Technologiekonzerns. Tencent positioniert es nicht nur als allgemeinen Chatbot, sondern vor allem als Werkzeug für Softwareentwicklung, Recherche, Finanzanalyse und produktivitätsorientierte KI-Agenten. Veröffentlicht wurde die Preview-Version am 28. August 2026. 1
12
Die Eckdaten sind beeindruckend: 770 Milliarden Gesamtparameter, 49 Milliarden aktive Parameter pro Token und ein Kontextfenster von mehr als einer Million Tokens. Die nüchterne Einordnung lautet allerdings: Hy4 gehört bei Coding- und Produktivitätsaufgaben zur Spitzengruppe chinesischer Open-Weight-Modelle. Ein eindeutiger Vorsprung vor allen Wettbewerbern ist durch die bisher verfügbaren, teilweise unternehmenseigenen Tests noch nicht belegt. 1
8
Was ist Tencent Hy4 Preview?
Hy4 Preview ist ein Large Language Model (LLM) auf Basis einer Mixture-of-Experts-Architektur (MoE). Dabei wird nicht für jedes Token das gesamte Modell aktiviert. Ein Routing-System wählt stattdessen nur einen Teil der verfügbaren Experten aus. So kann das Gesamtmodell sehr groß sein, ohne bei jeder Anfrage die theoretische Rechenlast aller Parameter zu verursachen.
Tencent entwickelt Hy4 ausdrücklich für sogenannte agentische Arbeit – also Aufgaben, bei denen ein Modell nicht nur Text erzeugt, sondern mehrstufig plant, Werkzeuge nutzt und Arbeitsabläufe unterstützt. Zu den vorgesehenen Einsatzfeldern zählen Softwareentwicklung, Büroproduktivität, Forschung und Finanzanalyse. Das Modell soll dabei direkt in Entwicklungs- und Arbeitssoftware eingebunden werden. 1
8
„Open Source“ ist in diesem Zusammenhang am präzisesten als offene Gewichte mit einer freizügigen Bereitstellungslizenz zu verstehen. Tencent veröffentlicht Hy4 unter der Apache-2.0-Lizenz und stellt Anleitungen für Bereitstellung, Finetuning und Quantisierung bereit. 8
12
Architektur und technische Daten
Die wichtigsten Spezifikationen im Überblick:
- Gesamtparameter: 770 Milliarden
- Aktive Parameter pro Token: 49 Milliarden
- Kontextfenster: mehr als 1 Million Tokens
- Architektur: Mixture of Experts
- Lizenz: Apache 2.0
- Modellvarianten: BF16 und FP8
- Bereitstellung: Rezepte für vLLM und SGLang sowie ein OpenAI-kompatibler API-Zugang
8
12
Der Modellkern umfasst 78 Schichten. Die erste Schicht verwendet laut Tencent ein dichtes Feed-Forward-Netzwerk. Die übrigen 77 Schichten arbeiten mit MoE-Routing: Zum Einsatz kommen 256 auswählbare Experten und ein gemeinsamer Experte. Für jedes Token werden acht geroutete Experten zusammen mit dem gemeinsamen Experten aktiviert. Eine native Multi-Token-Prediction-Schicht soll zudem spekulatives Decoding unterstützen. 8
Bei der Aufmerksamkeit setzt Hy4 auf Gated DeepSeek Sparse Attention mit IndexCache. Dadurch können Indizes für die sparsame Aufmerksamkeit über mehrere Schichten hinweg wiederverwendet werden. Tencent erklärt, dass die Architektur unter anderem von Ansätzen aus dem Umfeld von DeepSeek und GLM inspiriert wurde. 8
Entscheidend ist daher nicht allein die Zahl von 770 Milliarden Parametern. Hy4 verbindet eine hohe Gesamtkapazität mit sparsamer Aktivierung, sehr langen Eingaben und Verfahren, die den Inferenzaufwand begrenzen sollen.
Hy4 gegenüber Hy3: Was hat sich verändert?
Hy4 ist ein deutlicher Ausbau des Vorgängermodells Hy3:
| Spezifikation | Hy3 | Hy4 Preview | Veränderung |
|---|---|---|---|
| Gesamtparameter | 295 Mrd. | 770 Mrd. | etwa 2,6-mal größer |
| Aktive Parameter pro Token | 21 Mrd. | 49 Mrd. | etwa 2,3-mal mehr aktive Berechnung |
| Kontextfenster | 262.000 Tokens | mehr als 1 Mio. Tokens | ungefähr viermal größer |
| Modellaufbau | MoE | erweitertes MoE mit Änderungen an der Sparse Attention | höhere Kapazität und längerer Kontext |
Tencent erhöht damit sowohl die Gesamtkapazität als auch die pro Token tatsächlich verwendete Rechenmenge. Nach eigenen Angaben wurden außerdem Trainingsdaten erweitert und Pretraining sowie Posttraining grundlegend ausgebaut. 8
14
Besonders praxisrelevant könnte das größere Kontextfenster sein. Mehr als eine Million Tokens ermöglichen beispielsweise die Verarbeitung umfangreicher Codebasen, langer Forschungsunterlagen oder komplexer Arbeitsdokumente. In der Praxis hängt der Nutzen aber weiterhin von Abrufqualität, Latenz und der Fähigkeit des Modells ab, auch bei sehr langen Eingaben konsistent zu bleiben.
Wie schneidet Hy4 gegen chinesische Konkurrenten ab?
Der klarste veröffentlichte Vergleich stammt aus einem internen Blindtest von Tencent. Dabei bewerteten 163 interne Expertinnen und Experten die Ergebnisse bei 203 Softwareentwicklungsaufgaben. Hy4 Preview erreichte durchschnittlich 2,99 von 4 Punkten. Zhipus GLM-5.3 kam auf 2,92 Punkte, Moonshots Kimi K3 auf 2,94 Punkte. 8
Damit lag Hy4 in diesem Test knapp vorn. Der Vergleich ist jedoch weder eine unabhängige noch eine umfassende Rangliste: Die Bewertenden stammten aus dem Unternehmen selbst, und geprüft wurden ausschließlich Aufgaben aus dem Engineering-Bereich. Andere Benchmark-Berichte zeigen zudem wechselnde Ergebnisse gegenüber Wettbewerbern wie Alibabas Qwen-Modellen und DeepSeek. 1
13
Sekundärberichte nennen außerdem deutliche Fortschritte gegenüber Hy3 bei Coding-Benchmarks wie Terminal-Bench 2.1 und DeepSWE. Solche Werte sind interessante Hinweise auf den von Tencent behaupteten Entwicklungssprung. Sie sollten aber vorsichtig interpretiert werden, solange Testbedingungen und Ergebnisse nicht breiter unabhängig reproduziert wurden. 17
18
Die belastbare Zwischenbilanz lautet daher: Hy4 gehört bei Coding und produktivitätsbezogenen Aufgaben zur Spitzengruppe chinesischer Open-Weight-Modelle. Die bislang vorliegenden Belege zeigen jedoch keinen eindeutigen Vorsprung in allen Aufgabenbereichen.
Wo lässt sich Hy4 Preview nutzen?
Tencent bietet Hy4 sowohl als herunterladbare Gewichte als auch über eigene und externe Dienste an.
Gewichte und eigener Betrieb
Das Modell und die FP8-Variante sind über Hugging Face, ModelScope, GitCode und CNB verfügbar. Tencent stellt Bereitstellungsrezepte für vLLM und SGLang, einen OpenAI-kompatiblen lokalen API-Weg, Finetuning-Anleitungen und Werkzeuge zur Quantisierung bereit. 8
12
Das erleichtert Entwicklerinnen und Entwicklern den Einstieg in eigene Experimente oder angepasste Serving-Stacks. „Open Weight“ bedeutet allerdings nicht, dass das Modell leicht zu betreiben ist. Die Referenzkonfiguration für FP8 setzt auf achtfache Tensor-Parallelisierung. Ein 770-Milliarden-Modell selbst zu hosten bleibt somit ein anspruchsvolles Multi-GPU-Projekt mit hohen Anforderungen an Speicher, Netzwerk und Infrastruktur. 8
Tencent-Apps und gehostete APIs
Nutzer können Hy4 über WorkBuddy, CodeBuddy, Yuanbao und ima verwenden. Außerdem nennt Tencent Tencent Cloud TokenHub und OpenRouter als Zugangsmöglichkeiten. Zum Start war Hy4 zwei Wochen lang kostenlos über WorkBuddy und CodeBuddy nutzbar; der kostenlose Zugang zum Vorgängermodell Hy3 wurde bis zum 30. September verlängert. 12
Ein Drittbericht nennt für OpenRouter einen Preis von rund 0,834 US-Dollar pro eine Million Eingabe-Tokens. Dieser Wert ist als anbieterspezifische Momentaufnahme zu verstehen, nicht als dauerhaft gültiger offizieller Tencent-Listenpreis. Kosten und Verfügbarkeit können je nach Anbieter und Region variieren. 3
Warum die Produktintegration wichtig ist
Hy4 ist eng mit Tencents Anwendungsstrategie verbunden. Nach Angaben des Konzerns wurde das Modell gemeinsam mit WorkBuddy und CodeBuddy entwickelt. In das Training und die Weiterentwicklung flossen Aufgaben und Rückmeldungen von internen Ingenieurinnen und Ingenieuren, Spieleentwicklern, Finanzanalysten und Sicherheitsspezialisten ein. 8
Das verschafft Tencent möglicherweise einen Vorteil, der über die Modellarchitektur hinausgeht: Hy4 kann direkt in Coding- und Bürosoftware erprobt werden. Rückmeldungen aus realen Arbeitsabläufen können anschließend in weitere Modellversionen einfließen. Gleichzeitig erreicht Tencent Nutzer über sein Produktökosystem, ohne dass diese selbst ein 770-Milliarden-Modell betreiben müssen.
Erste Hinweise auf die Reichweite der Hunyuan-Modelle gibt es bereits. Tencent berichtet, dass die Überführung von Hunyuan 3 in den Produktivbetrieb die durchschnittliche tägliche Token-Nutzung gegenüber der Preview-Phase ungefähr versechsfacht habe. Das belegt eine schnelle Zunahme der Nutzung, ist aber kein unabhängiger Nachweis für Nutzerzufriedenheit oder langfristige Bindung.
Auch finanziell unterlegt Tencent diese Strategie. Die Ausgaben für Anlagen und Ausrüstung erreichten im zweiten Quartal 2026 laut einem Bericht 52,784 Milliarden Yuan – rund das 2,8-Fache des Vorjahreswerts. Das Management priorisierte dabei KI-Infrastruktur und Investitionen im Zusammenhang mit WorkBuddy.
Tencent bezeichnet WorkBuddy als den meistgenutzten Produktivitäts-KI-Agenten in China. Dabei handelt es sich um eine Unternehmensangabe und nicht um eine unabhängig geprüfte Marktanteilsmessung. 4
Die aktuellen Grenzen von Hy4 Preview
Tencent präsentiert Hy4 ausdrücklich nicht als fertiges Endmodell. Der Konzern räumt ein, dass Hy4 bei schwierigen Aufgaben länger als nötig nachdenken und die eigenen Ergebnisse übermäßig häufig überprüfen kann. Das kann zu höherer Latenz und steigenden Inferenzkosten führen. 8
Die Größe des Modells ist eine weitere praktische Hürde. Zwar werden bei einer einzelnen Token-Verarbeitung nur 49 Milliarden Parameter aktiviert, doch das vollständige Modell muss trotzdem gespeichert und bereitgestellt werden. Unternehmen benötigen für den Eigenbetrieb entsprechend umfangreiche Speicher-, Netzwerk- und Multi-GPU-Kapazitäten.
Auch die Benchmark-Lage bleibt begrenzt. Der interne Tencent-Test zeigt bei Engineering-Aufgaben einen kleinen Vorsprung vor GLM-5.3 und Kimi K3; breitere Vergleiche fallen je nach Benchmark unterschiedlich aus. Frühe Ranglisten sollten deshalb eher als Orientierung denn als endgültiges Urteil verstanden werden. 8
Schließlich ist ein Kontextfenster von einer Million Tokens nicht automatisch gleichbedeutend mit zuverlässigem Langkontext-Verständnis. Die tatsächliche Leistung hängt von Aufgabe, Prompt-Struktur, Retrieval-Strategie und Bereitstellungskonfiguration ab.
Welche Verbesserungen sind als Nächstes zu erwarten?
Eine konkrete öffentliche Roadmap liegt nicht vor. Tencent nennt jedoch mehrere Entwicklungsrichtungen: weiteres Pretraining und Posttraining, schnelleres und weniger redundantes Schlussfolgern, kontinuierliches Feedback aus WorkBuddy und CodeBuddy sowie Komprimierungs- und Quantisierungsverfahren zur Senkung der Bereitstellungskosten. 8
Diese Punkte adressieren den zentralen Zielkonflikt von Hy4: Das Modell bietet deutlich mehr Kapazität und Kontext als Hy3, ist als Preview aber bei Geschwindigkeit, Effizienz und Zuverlässigkeit im Produktivbetrieb noch nicht ausgereift.
Fazit
Hy4 Preview ist ein großer Schritt gegenüber Hy3. Die Gesamtparameter steigen von 295 auf 770 Milliarden, die aktiven Parameter von 21 auf 49 Milliarden und das Kontextfenster von 262.000 auf mehr als eine Million Tokens. Hinzu kommt die enge Verbindung zu Tencents Coding-, Büro-, Cloud- und Verbraucherprodukten. 8
12
Für Entwickler ist Hy4 wegen der Apache-2.0-Lizenz und der verfügbaren Bereitstellungswerkzeuge interessant. Für Unternehmen dürfte der Zugriff über Tencent-Produkte und APIs in vielen Fällen praktischer sein als ein eigener Betrieb.
Die derzeit angemessene Bewertung bleibt dennoch zurückhaltend: Hy4 Preview wirkt wie ein leistungsfähiges chinesisches Open-Weight-Modell der Spitzenklasse für Coding und agentische Produktivität. Ob daraus ein nachhaltiger Vorsprung entsteht, müssen unabhängige Benchmarks und längerfristige Erfahrungen im Produktionseinsatz zeigen.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Tencent Hy4 Preview: Architektur, Benchmarks, Kosten und Verfügbarkeit“?
Tencent veröffentlichte Hy4 Preview am 28. August 2026 mit 770 Milliarden Gesamtparametern, 49 Milliarden aktivierten Parametern pro Token und einem Kontextfenster von mehr als einer Million Tokens.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Tencent veröffentlichte Hy4 Preview am 28. August 2026 mit 770 Milliarden Gesamtparametern, 49 Milliarden aktivierten Parametern pro Token und einem Kontextfenster von mehr als einer Million Tokens. Gegenüber Hy3 wächst das Modell von 295 auf 770 Milliarden Parameter, die aktive Rechenmenge von 21 auf 49 Milliarden Parameter und das Kontextfenster von 262.000 auf mehr als eine Million Tokens.
Was soll ich als nächstes in der Praxis tun?
Die Gewichte stehen unter der Apache 2.0 Lizenz in mehreren Modell Repositorien bereit; außerdem ist Hy4 über Tencent Produkte, TokenHub und OpenRouter zugänglich.