Tencent Hy4 Preview: Seberapa Kuat Model 770 Miliar Parameter Ini?

Tencent Hy4 Preview adalah rilis model bahasa terbesar Tencent sejauh ini dan menjadi upaya paling jelas perusahaan tersebut untuk menghubungkan model AI berskala besar dengan kebutuhan kerja sehari-hari. Model ini dirilis pada 28 Agustus 2026 untuk tugas seperti rekayasa perangkat lunak, riset, analisis keuangan, serta pekerjaan produktivitas berbasis agen AI. 112

Angka spesifikasinya memang mencolok: 770 miliar parameter secara total, 49 miliar parameter aktif untuk setiap token, dan jendela konteks lebih dari 1 juta token. Kesimpulan yang lebih hati-hati adalah bahwa Hy4 tampak sebagai salah satu model open-weight China teratas untuk coding dan produktivitas. Namun, klaim bahwa model ini lebih unggul dari para pesaing masih banyak bertumpu pada evaluasi Tencent sendiri dan belum dikonfirmasi secara luas oleh pengujian independen. 18

Apa itu Tencent Hy4 Preview?

Hy4 Preview merupakan large language model (LLM) dengan arsitektur Mixture-of-Experts (MoE). Dalam pendekatan ini, seluruh parameter model tidak digunakan sekaligus untuk setiap permintaan. Sistem routing hanya mengaktifkan sebagian jaringan yang paling relevan untuk memproses token tertentu.

Pendekatan tersebut memungkinkan Tencent membangun model dengan kapasitas total yang sangat besar tanpa membebankan seluruh biaya komputasi teoretis pada setiap token. Tencent memosisikan Hy4 bukan hanya sebagai chatbot umum, melainkan sebagai model untuk pekerjaan berbasis agen—terutama coding, produktivitas kantor, riset, dan analisis keuangan. 18

Istilah “open source” dalam konteks ini sebaiknya dipahami sebagai open-weight: bobot model tersedia untuk diunduh dan digunakan dengan dukungan deployment, fine-tuning, serta kuantisasi. Tencent merilisnya di bawah lisensi Apache 2.0. 812

Spesifikasi dan arsitektur Hy4

Spesifikasi utama Hy4 Preview meliputi:

• Total parameter: 770 miliar
• Parameter aktif per token: 49 miliar
• Jendela konteks: lebih dari 1 juta token
• Arsitektur: Mixture-of-Experts
• Lisensi: Apache 2.0
• Format model: BF16 dan FP8
• Dukungan serving: resep deployment untuk vLLM dan SGLang, serta jalur API yang kompatibel dengan OpenAI 812

Backbone Hy4 terdiri dari 78 lapisan. Menurut Tencent, lapisan pertama menggunakan feed-forward network padat, sementara 77 lapisan berikutnya menggunakan routing MoE dengan 256 routed experts dan satu shared expert. Setiap token memilih delapan routed experts bersama shared expert tersebut. Hy4 juga memiliki lapisan native multi-token prediction yang ditujukan untuk mendukung speculative decoding. 8

Untuk mekanisme attention, Hy4 menggunakan Gated DeepSeek Sparse Attention dengan IndexCache. Teknologi ini memungkinkan penggunaan kembali indeks sparse attention di beberapa lapisan. Tencent menyebut desain tersebut terinspirasi, antara lain, oleh pendekatan yang diasosiasikan dengan DeepSeek dan GLM. 8

Artinya, daya tarik Hy4 tidak hanya terletak pada jumlah parameternya. Model ini menggabungkan kapasitas total yang sangat besar dengan routing sparse, pemrosesan konteks panjang, dan mekanisme yang dirancang untuk menekan beban inference.

Hy4 versus Hy3: apa yang berubah?

Hy4 merupakan peningkatan besar dibandingkan model Tencent sebelumnya, Hy3.

Spesifikasi	Hy3	Hy4 Preview	Perubahan
Total parameter	295 miliar	770 miliar	Sekitar 2,6 kali lebih besar
Parameter aktif per token	21 miliar	49 miliar	Sekitar 2,3 kali lebih banyak komputasi aktif
Jendela konteks	262 ribu token	Lebih dari 1 juta token	Kira-kira 4 kali lebih besar
Desain model	MoE	MoE yang diperluas dengan perubahan sparse attention	Kapasitas dan konteks lebih besar

Dengan demikian, Hy4 meningkatkan kapasitas total sekaligus jumlah komputasi aktif untuk setiap token. Tencent juga mengatakan bahwa skala data pelatihan serta proses pre-training dan post-training diperluas secara signifikan. 814

Jendela konteks yang menembus 1 juta token dapat berguna untuk menganalisis codebase berukuran besar, kumpulan dokumen riset yang panjang, atau pekerjaan kantor yang kompleks. Meski begitu, ukuran konteks saja tidak menjamin hasil yang lebih baik. Kualitas retrieval, latensi, konfigurasi serving, dan kemampuan model mempertahankan akurasi pada input panjang tetap menjadi faktor penting.

Performa dibandingkan model China lainnya

Perbandingan publik yang paling jelas dari Tencent berasal dari evaluasi buta internal. Dalam pengujian tersebut, 163 pakar internal menilai keluaran model pada 203 tugas engineering. Hy4 Preview memperoleh skor rata-rata 2,99 dari 4, dibandingkan 2,92 untuk GLM-5.3 dari Zhipu dan 2,94 untuk Kimi K3 dari Moonshot. 8

Hasil ini menempatkan Hy4 sedikit di depan dalam pengujian Tencent. Namun, angka tersebut tidak sebaiknya dianggap sebagai peringkat netral dan menyeluruh karena penilainya merupakan pakar internal Tencent, sementara tugas yang diuji berfokus pada engineering.

Hasil dari benchmark lain juga menunjukkan performa Hy4 yang bervariasi ketika dibandingkan dengan model domestik seperti keluarga Qwen dari Alibaba dan DeepSeek. 113 Sejumlah laporan sekunder menyebut peningkatan besar dibandingkan Hy3 pada benchmark coding, termasuk Terminal-Bench 2.1 dan DeepSWE. Angka-angka itu dapat menjadi indikator kemajuan yang diklaim Tencent, tetapi perlu dibaca dengan hati-hati sampai kondisi pengujian dan hasilnya direplikasi secara independen. 1718

Kesimpulan yang paling dapat dipertanggungjawabkan saat ini: Hy4 layak ditempatkan di jajaran teratas model open-weight China untuk beban kerja coding dan produktivitas. Bukti yang tersedia belum menunjukkan bahwa Hy4 secara telak mengungguli semua pesaing dalam setiap jenis tugas.

Di mana Hy4 Preview bisa digunakan?

Tencent menyediakan Hy4 melalui bobot model yang dapat diunduh maupun produk yang di-hosting.

Mengunduh bobot dan melakukan deployment sendiri

Model utama dan versi FP8 tersedia melalui Hugging Face, ModelScope, GitCode, dan CNB. Tencent juga menyediakan resep deployment untuk vLLM dan SGLang, jalur API lokal yang kompatibel dengan OpenAI, panduan fine-tuning, serta alat kuantisasi. 812

Ketersediaan ini memudahkan developer yang ingin bereksperimen dengan bobot model atau membangun stack serving sendiri. Namun, status open-weight bukan berarti Hy4 ringan. Konfigurasi referensi FP8 Tencent menggunakan tensor parallelism delapan arah, dan melayani model 770 miliar parameter tetap merupakan proyek infrastruktur multi-GPU yang serius. 8

Produk Tencent dan API ter-hosting

Pengguna dapat mengakses Hy4 melalui WorkBuddy, CodeBuddy, Yuanbao, dan ima. Tencent juga mencantumkan akses melalui Tencent Cloud TokenHub dan OpenRouter. Saat peluncuran, Tencent menawarkan akses gratis selama dua minggu melalui WorkBuddy dan CodeBuddy, sementara akses gratis untuk Hy3 diperpanjang hingga 30 September. 12

Laporan pihak ketiga mencantumkan harga input OpenRouter sekitar US$0,834 per 1 juta token. Angka ini sebaiknya dipahami sebagai harga khusus kanal tersebut, bukan daftar harga permanen Tencent, karena harga dan ketersediaan dapat berbeda menurut penyedia serta wilayah pengguna. 3

Mengapa distribusi produk Tencent penting?

Hy4 tidak berdiri sendiri sebagai proyek model. Tencent mengatakan bahwa Hy4 dirancang bersama WorkBuddy dan CodeBuddy dengan memanfaatkan data tugas serta masukan dari engineer internal, pengembang gim, analis keuangan, dan spesialis keamanan. 8

Strategi ini dapat memberi Tencent keunggulan di luar arsitektur model. Perusahaan bisa menguji Hy4 langsung dalam produk coding dan pekerjaan kantor, mengumpulkan umpan balik, lalu menggunakannya untuk iterasi berikutnya. Jaringan distribusi yang sama juga memungkinkan pengguna mencoba model tanpa harus mengunduh dan mengoperasikan sistem berukuran 770 miliar parameter.

Ada pula tanda awal bahwa distribusi Hunyuan Tencent dapat menghasilkan penggunaan dalam skala besar. Tencent melaporkan bahwa penerapan Hunyuan 3 ke lingkungan produksi meningkatkan rata-rata penggunaan token harian sekitar enam kali lipat dibandingkan fase preview. Angka ini menunjukkan pertumbuhan penggunaan yang cepat, tetapi bukan bukti independen mengenai kepuasan pengguna atau tingkat retensi jangka panjang.

Tencent juga menggelontorkan investasi besar untuk mendukung strategi tersebut. Belanja modal untuk fasilitas dan peralatan mencapai RMB52,784 miliar pada kuartal II 2026, sekitar 2,8 kali lipat dibandingkan periode yang sama tahun sebelumnya. Manajemen menyebut infrastruktur AI dan investasi terkait WorkBuddy sebagai prioritas.

Tencent menggambarkan WorkBuddy sebagai layanan agen AI produktivitas yang paling banyak digunakan di China. Namun, klaim tersebut berasal dari perusahaan dan bukan pengukuran pangsa pasar yang diaudit secara independen. 4

Keterbatasan Hy4 Preview saat ini

Hy4 Preview belum diposisikan sebagai model final. Tencent mengakui bahwa model ini dapat melakukan penalaran lebih lama dari yang diperlukan pada tugas sulit dan cenderung memverifikasi pekerjaannya secara berlebihan. Dampaknya bisa berupa latensi serta biaya inference yang lebih tinggi. 8

Skala model juga menciptakan kendala praktis. Walaupun routing MoE hanya mengaktifkan 49 miliar parameter untuk satu token, keseluruhan model tetap harus disimpan dan dilayani. Organisasi yang ingin melakukan self-hosting membutuhkan kapasitas memori, jaringan, dan multi-GPU yang besar.

Bukti benchmark pun masih memiliki batasan. Evaluasi internal Tencent menunjukkan keunggulan tipis atas GLM-5.3 dan Kimi K3 pada tugas engineering, sedangkan hasil perbandingan yang lebih luas berubah-ubah menurut benchmark. Karena itu, peringkat awal Hy4 lebih tepat dianggap sebagai indikasi arah performa, bukan putusan final. 8

Selain itu, konteks panjang tidak otomatis berarti penalaran yang andal pada konteks panjang. Jendela 1 juta token memang menjadi keunggulan spesifikasi penting, tetapi performa di dunia nyata akan bergantung pada jenis tugas, struktur prompt, strategi retrieval, dan konfigurasi serving.

Peningkatan apa yang kemungkinan hadir berikutnya?

Arah pengembangan yang disampaikan Tencent lebih jelas daripada roadmap rilis formal. Perusahaan menunjuk pada tambahan pre-training dan post-training, proses penalaran yang lebih cepat serta tidak repetitif, iterasi berkelanjutan melalui masukan WorkBuddy dan CodeBuddy, serta pekerjaan kompresi dan kuantisasi untuk menurunkan biaya deployment. 8

Peningkatan tersebut akan menyasar kompromi utama Hy4: model ini menawarkan kapasitas dan konteks yang jauh lebih besar daripada Hy3, tetapi label “Preview” menunjukkan bahwa kecepatan, efisiensi, dan keandalan untuk produksi masih terus disempurnakan.

Kesimpulan

Hy4 Preview adalah lompatan besar dari Hy3. Total parameternya meningkat dari 295 miliar menjadi 770 miliar, parameter aktif naik dari 21 miliar menjadi 49 miliar, dan jendela konteks berkembang dari 262 ribu menjadi lebih dari 1 juta token. Model ini juga terhubung erat dengan ekosistem coding, produktivitas kantor, cloud, dan produk konsumen Tencent. 812

Bagi developer, bobot berlisensi Apache 2.0 serta dukungan deployment membuat Hy4 layak dievaluasi. Bagi organisasi, akses melalui produk dan API Tencent kemungkinan lebih praktis daripada menjalankannya sendiri.

Namun, penilaian yang tepat saat ini tetap terukur: Hy4 tampak sebagai model open-weight China kelas atas untuk coding dan produktivitas berbasis agen AI. Apakah keunggulan awal tersebut akan berubah menjadi posisi yang bertahan lama masih bergantung pada benchmark independen, adopsi developer, dan keandalan penggunaan dalam produksi.