텐센트는 2026년 11월 5일, WorkBuddy에서 Hy4를 이용하려는 수요가 몰려 첫날부터 사용 한도에 도달한 이용자가 다수 나오자 추론 처리 용량을 10배 확대했다고 밝혔다. 무료 사용량도 늘렸으며, 수요 변화에 맞춰 자원을 계속 조정하겠다고 덧붙였다.
3
4
용량은 늘었지만, 혼잡 시간대 제한은 남을 수 있어
Hy4는 정식 모델이 공개된 11월 4일 WorkBuddy에 처음 적용됐다. 이용자가 할당량을 소진하자 텐센트는 추론 클러스터를 10배로 확장하고 무료 이용 한도를 상향했다.
3
4
9
그렇다고 언제나 제한 없이 쓸 수 있게 된 것은 아니다. 보도에 따르면 고성능 연산 자원은 여전히 빠듯하고 이용량도 특정 시간대에 집중돼, 혼잡할 때는 일시적인 제한이 생길 수 있다.
9 대안으로는 Hy3로 전환하거나 급하지 않은 작업을 저녁 시간대로 미루는 방법이 제시됐다. WorkBuddy에서 Hy3를 무료로 이용할 수 있는 기간은 11월 15일 23시 59분까지 연장됐다는 보도도 있다.
39 이 연장 조치는 Hy3 무료 이용에 관한 내용으로, Hy4의 무료 사용량 확대와는 별개다.
Artificial Analysis 점수는 35점
Hy4는 Artificial Analysis의 Intelligence Index에서 35점을 받았다. 중국 AI 연구소 모델 가운데서는 Kimi K3.1 Pro(46점)에 이어 두 번째였다. 점수는 Grok 4.7의 xhigh 설정과 같았고 Claude Haiku 5.5보다는 1점 낮았다.
21
29
11월 5일 발표된 지수는 724개 모델을 대상으로 복합 추론, 코딩, 도구 사용, 멀티모달 이해, 장기 계획, 과학 문제 해결 등을 평가했다고 한 보도는 전했다.
39 확인 가능한 자료는 Hy4가 Kimi K3.1 Pro 뒤에 있다는 점을 뒷받침하지만, Qwen3.8 Max나 DeepSeek V4.1 Flash와의 전체 순위 비교까지 확정해 주지는 않는다.
비용 수치에는 차이가 있다. Pandaily에 따르면 텐센트는 Artificial Analysis의 작업당 비용을 약 0.78달러라고 소개하며, 비슷한 점수대인 Grok 4.7보다 약 10분의 1, Qwen3.8 Max보다 약 13분의 1이라고 비교했다.
15 반면 Artificial Analysis의 Hy4 모델 페이지에는 Intelligence Index 평가 작업당 비용이 1.03달러로 표시돼 있다.
38 제공된 자료에는 두 수치의 차이를 설명하는 내용이 없으므로 같은 기준의 비용처럼 단정해서는 안 된다.
Agent Arena 순위는 발표와 후속 보도가 달라
Agent Arena는 실제 장기 에이전트 작업 세션 8,500건 이상을 바탕으로 Hy4가 전체 14위에 올랐다고 발표했다. 당시 Hy4는 아직 독점 모델이지만, 가중치가 공개되면 오픈 모델 중 Kimi K3.1 Pro와 공동 1위에 오를 것이라고 설명했다. 점수와 비용을 함께 본 파레토 프런티어에도 Hy4가 포함됐다고 밝혔다.
28
다만 후속 보도에는 순위 차이가 있다. TechNode는 Hy4가 전체 13위이자 오픈 웨이트 모델 중 1위라고 전했다.
3 순위가 바뀐 리더보드 시점을 반영한 것인지, 집계 기준이 다른 것인지는 제공된 보도만으로 확인되지 않는다. 따라서 최초 발표의 14위와 후속 보도의 13위를 하나의 순위로 합쳐 해석하기 어렵다.
Pandaily도 Hy4가 Claude Opus 5.5처럼 더 비싼 모델과 비교할 때 점수 대비 비용 측면에서 파레토 프런티어에 있다고 설명했다.
15 이는 점수와 비용의 조합이 유리하다는 뜻이지, 모든 평가 항목에서 Hy4가 다른 모델보다 앞선다는 의미는 아니다.
Hy4 정식 버전에서 달라진 점
텐센트는 8월 발표된 Hy4 프리뷰에 이어 11월 4일 Hy4 정식 버전을 공개했다.
1
5 출시 관련 보도에 따르면 정식 버전은 사전 학습과 후속 학습 규모를 키웠고, 시각 정보를 이해하는 기능을 처음 추가했다. 지시 따르기, 긴 문서 이해, 장기간 이어지는 작업 수행 능력도 개선됐다고 소개됐다. 도구를 활용하고 소프트웨어를 조작하는 기능도 포함됐다.
8
30
다만 이런 개선 사항은 보도에서 전한 설명이며, 제공된 자료에는 변화 폭을 보여주는 구체적인 수치가 없다. 학습 데이터가 얼마나 달라졌는지, 긴 문맥 이해나 에이전트 성능이 어느 정도 향상됐는지도 확인할 수 없다.