Tencent Hy4 Preview ialah keluaran model bahasa dengan pemberat terbuka terbesar Tencent setakat ini. Dilancarkan pada 28 Ogos 2026, ia disasarkan kepada kerja kejuruteraan perisian, penyelidikan, analisis kewangan dan tugasan produktiviti yang dikendalikan oleh ejen AI. 112

Angka utamanya memang besar: 770 bilion jumlah parameter, 49 bilion parameter aktif bagi setiap token dan tetingkap konteks melebihi 1 juta token. Namun, kesimpulan yang lebih berhati-hati ialah Hy4 kini kelihatan sebagai antara model terbuka China teratas untuk pengekodan dan produktiviti — bukan bukti muktamad bahawa ia mengatasi semua pesaing. Sebahagian besar perbandingan awam masih berdasarkan penilaian Tencent sendiri dan memerlukan ujian bebas yang lebih meluas. 18

Apakah Tencent Hy4 Preview?

Hy4 Preview ialah model bahasa besar berasaskan seni bina Mixture-of-Experts (MoE). Dalam reka bentuk ini, model tidak menggunakan semua parameternya untuk setiap token. Sebaliknya, sistem penghalaan memilih sebahagian rangkaian yang paling sesuai bagi setiap permintaan.

Pendekatan tersebut membolehkan Tencent membina model dengan kapasiti keseluruhan yang sangat besar tanpa mengenakan kos pengiraan penuh pada setiap token. Tencent memposisikan Hy4 bukan sekadar sebagai chatbot umum, tetapi sebagai model untuk kerja berasaskan ejen — termasuk pengekodan, produktiviti pejabat, penyelidikan dan analisis kewangan. 18

Istilah “sumber terbuka” dalam konteks ini lebih tepat difahami sebagai pemberat terbuka dengan sokongan penggunaan dan penerapan yang permisif. Tencent menerbitkan model itu di bawah lesen Apache 2.0, selain menyediakan panduan untuk penyajian, penalaan halus dan kuantisasi. 812

Spesifikasi dan seni bina Hy4

Spesifikasi utama Hy4 Preview ialah:

• Jumlah parameter: 770 bilion
• Parameter aktif bagi setiap token: 49 bilion
• Tetingkap konteks: Lebih daripada 1 juta token
• Seni bina: Mixture-of-Experts
• Lesen: Apache 2.0
• Format model: BF16 dan FP8
• Sokongan penyajian: Resipi vLLM dan SGLang, termasuk laluan API serasi OpenAI 812

Teras model ini mempunyai 78 lapisan. Menurut Tencent, lapisan pertama menggunakan rangkaian suapan hadapan padat, manakala 77 lapisan selebihnya menggunakan penghalaan MoE dengan 256 pakar berhala dan satu pakar dikongsi. Setiap token memilih lapan pakar berhala bersama pakar dikongsi itu. Hy4 turut mempunyai lapisan ramalan berbilang token asli yang direka untuk membantu penyahkodan spekulatif. 8

Bagi mekanisme perhatian, Hy4 menggunakan Gated DeepSeek Sparse Attention dengan IndexCache. Reka bentuk ini membolehkan indeks perhatian jarang digunakan semula merentasi lapisan. Tencent menyatakan pendekatannya mendapat inspirasi, sebahagiannya, daripada kaedah yang dikaitkan dengan DeepSeek dan GLM. 8

Jadi, kelebihan Hy4 bukan sekadar jumlah parameternya. Ia menggabungkan kapasiti model yang sangat besar dengan penghalaan jarang, pemprosesan konteks panjang dan mekanisme yang bertujuan mengurangkan beban inferens.

Hy4 berbanding Hy3: Apa yang berubah?

Hy4 merupakan peningkatan besar daripada model terdahulu Tencent, Hy3:

Spesifikasi	Hy3	Hy4 Preview	Perubahan
Jumlah parameter	295B	770B	Kira-kira 2.6 kali lebih besar
Parameter aktif bagi setiap token	21B	49B	Kira-kira 2.3 kali lebih banyak pengiraan aktif
Tetingkap konteks	262K token	Lebih 1M token	Kira-kira 4 kali lebih besar
Reka bentuk model	MoE	MoE diperluas dengan perubahan perhatian jarang	Kapasiti dan konteks lebih tinggi

Hy4 meningkatkan kedua-dua kapasiti keseluruhan model dan jumlah pengiraan aktif bagi setiap token. Tencent turut menyatakan bahawa data latihan diperluas, selain perubahan besar pada proses pralatihan dan pascalatihan. 814

Lonjakan tetingkap konteks mungkin paling bermakna untuk penggunaan praktikal. Sokongan melebihi 1 juta token boleh membantu model mengendalikan pangkalan kod yang besar, koleksi dokumen penyelidikan yang panjang dan tugasan pejabat yang kompleks. Namun, manfaat sebenar masih bergantung pada kualiti mendapatkan semula maklumat, kependaman dan keupayaan model mengekalkan ketepatan dalam input yang sangat panjang.

Adakah Hy4 mengatasi pesaing China?

Perbandingan paling jelas yang diterbitkan Tencent datang daripada penilaian dalaman secara buta. Dalam ujian itu, 163 pakar dalaman menilai output untuk 203 tugasan kejuruteraan. Hy4 Preview memperoleh skor purata 2.99 daripada 4, berbanding 2.92 untuk GLM-5.3 oleh Zhipu dan 2.94 untuk Kimi K3 oleh Moonshot. 8

Keputusan itu meletakkan Hy4 sedikit di hadapan dalam ujian Tencent, tetapi ia tidak wajar dianggap sebagai kedudukan neutral atau menyeluruh. Penilainya ialah pakar dalaman Tencent dan skop ujian tertumpu kepada tugasan kejuruteraan. Laporan daripada penanda aras lain pula menunjukkan keputusan Hy4 berubah-ubah apabila dibandingkan dengan pesaing domestik seperti model Qwen Alibaba dan DeepSeek. 113

Beberapa laporan sekunder turut menyebut peningkatan besar berbanding Hy3 dalam penanda aras pengekodan, termasuk Terminal-Bench 2.1 dan DeepSWE. Angka tersebut memberikan petunjuk tentang kemajuan yang didakwa Tencent, tetapi perlu ditafsir dengan berhati-hati sehingga keadaan ujian dan keputusannya dihasilkan semula secara bebas. 1718

Kesimpulan yang paling kukuh buat masa ini ialah Hy4 berada dalam kelompok teratas model terbuka China untuk tugasan pengekodan dan produktiviti. Bukti yang tersedia belum menunjukkan bahawa ia secara muktamad mengatasi setiap model pesaing bagi semua jenis tugasan.

Di mana Hy4 Preview boleh digunakan?

Tencent menyediakan Hy4 melalui pemberat yang boleh dimuat turun serta beberapa produk dan perkhidmatan hos.

Pemberat dan penerapan sendiri

Model utama serta versi FP8 tersedia melalui Hugging Face, ModelScope, GitCode dan CNB. Tencent turut menyediakan resipi penerapan untuk vLLM dan SGLang, laluan API tempatan yang serasi dengan OpenAI, arahan penalaan halus serta alat kuantisasi. 812

Ini memudahkan pembangun yang mahu menguji pemberat tersebut atau membina sistem penyajian tersuai. Namun, “pemberat terbuka” tidak bermaksud model ini ringan. Konfigurasi FP8 rujukan Tencent menggunakan paralelisme tensor lapan hala, dan penyajian model 770B masih memerlukan infrastruktur berbilang GPU yang serius. 8

Produk Tencent dan API hos

Pengguna boleh mengakses Hy4 melalui WorkBuddy, CodeBuddy, Yuanbao dan ima. Tencent turut menyenaraikan akses melalui Tencent Cloud TokenHub dan OpenRouter. Ketika pelancaran, Tencent menawarkan akses percuma selama dua minggu melalui WorkBuddy dan CodeBuddy, manakala akses kepada model Hy3 terdahulu dilanjutkan sehingga 30 September. 12

Satu laporan pihak ketiga menyenaraikan harga input OpenRouter sekitar AS$0.834 bagi setiap 1 juta token. Angka itu perlu dianggap sebagai harga khusus saluran, bukannya harga senarai Tencent yang kekal, kerana harga dan ketersediaan boleh berubah mengikut penyedia serta lokasi pengguna. 3

Mengapa pengedaran produk Tencent penting?

Hy4 berkait rapat dengan strategi produk Tencent. Syarikat itu menyatakan bahawa model berkenaan dibangunkan bersama WorkBuddy dan CodeBuddy, menggunakan data tugasan serta maklum balas daripada jurutera dalaman, pembangun permainan, penganalisis kewangan dan pakar keselamatan. 8

Pendekatan ini berpotensi memberikan Tencent kelebihan di luar seni bina model semata-mata. Syarikat itu boleh menguji Hy4 dalam produk yang mengendalikan aliran kerja pengekodan dan pejabat sebenar, sebelum menggunakan maklum balas tersebut untuk penambahbaikan seterusnya.

Rangkaian pengedaran yang sama juga menawarkan cara mudah untuk mencuba model tanpa perlu memuat turun dan mengurus sistem 770B sendiri.

Terdapat tanda awal bahawa pengedaran Hunyuan yang lebih luas mampu menghasilkan penggunaan yang ketara. Tencent melaporkan bahawa selepas Hunyuan 3 digunakan dalam pengeluaran, purata penggunaan token harian meningkat kira-kira enam kali ganda berbanding fasa pratonton. Ini menunjukkan pertumbuhan penggunaan yang pantas, tetapi bukan bukti bebas tentang kepuasan pengguna atau kadar kekal pengguna dalam jangka panjang.

Tencent juga meningkatkan perbelanjaan untuk menyokong strategi ini. Perbelanjaan modal bagi kemudahan dan peralatan mencecah RMB52.784 bilion pada suku kedua 2026, kira-kira 2.8 kali ganda berbanding setahun sebelumnya. Pihak pengurusan menyatakan keutamaan diberikan kepada infrastruktur AI dan pelaburan berkaitan WorkBuddy.

Tencent pernah menggambarkan WorkBuddy sebagai perkhidmatan ejen AI produktiviti yang paling banyak digunakan di China. Namun, itu ialah dakwaan syarikat dan bukan ukuran bahagian pasaran yang diaudit secara bebas. 4

Had Hy4 Preview ketika ini

Hy4 Preview belum dipersembahkan sebagai model akhir. Tencent mengakui bahawa model itu mungkin mengambil masa lebih lama daripada perlu untuk membuat penaakulan bagi tugasan sukar, selain cenderung menyemak semula hasil kerjanya secara berlebihan. Keadaan ini boleh meningkatkan kependaman dan kos inferens. 8

Saiz model pula mewujudkan batasan praktikal yang lain. Walaupun hanya 49B parameter aktif bagi token tertentu melalui penghalaan MoE, keseluruhan model masih perlu disimpan dan disajikan. Organisasi yang mahu mengehosnya sendiri memerlukan kapasiti memori, rangkaian dan GPU berbilang unit yang besar.

Bukti penanda aras juga mempunyai batasan. Penilaian dalaman Tencent menunjukkan kelebihan kecil berbanding GLM-5.3 dan Kimi K3 dalam tugasan kejuruteraan, manakala keputusan perbandingan yang lebih luas berubah mengikut penanda aras. Oleh itu, kedudukan awal Hy4 lebih wajar dianggap sebagai petunjuk arah, bukan keputusan muktamad. 8

Selain itu, konteks panjang tidak semestinya bermaksud penaakulan konteks panjang yang boleh dipercayai. Tetingkap 1 juta token ialah kelebihan spesifikasi yang besar, tetapi prestasi sebenar bergantung pada jenis tugasan, struktur arahan, strategi mendapatkan semula maklumat dan konfigurasi penyajian.

Apakah penambahbaikan yang mungkin datang selepas ini?

Hala tuju yang dinyatakan Tencent lebih jelas berbanding pelan pelancaran rasmi. Syarikat itu menunjuk kepada tambahan pralatihan dan pascalatihan, penaakulan yang lebih pantas serta kurang berulang, maklum balas berterusan daripada WorkBuddy dan CodeBuddy, serta usaha pemampatan dan kuantisasi untuk mengurangkan kos penerapan. 8

Penambahbaikan tersebut akan menangani pertukaran utama Hy4: model ini menawarkan kapasiti dan konteks yang jauh lebih besar berbanding Hy3, tetapi label “Preview” menunjukkan bahawa kelajuan, kecekapan dan kebolehpercayaan dalam pengeluaran masih sedang diperhalus.

Kesimpulan

Hy4 Preview ialah peningkatan besar daripada Hy3. Jumlah parameternya meningkat daripada 295B kepada 770B, parameter aktif bertambah daripada 21B kepada 49B, manakala tetingkap konteks berkembang daripada 262K kepada lebih 1 juta token. Model ini juga terhubung rapat dengan ekosistem pengekodan, pejabat, awan dan produk pengguna Tencent. 812

Bagi pembangun, pemberat berlesen Apache 2.0 serta alat penerapan menjadikan Hy4 model yang wajar dinilai. Bagi organisasi, akses hos melalui produk dan API Tencent mungkin lebih praktikal berbanding mengendalikan model itu sendiri.

Namun, penilaian paling tepat buat masa ini perlu sederhana: Hy4 kelihatan seperti model terbuka China bertaraf tinggi untuk pengekodan dan produktiviti berasaskan ejen. Sama ada ia benar-benar mampu mengekalkan kelebihan itu akan bergantung pada penanda aras bebas, penerimaan pembangun dan prestasi stabil dalam penggunaan sebenar.

Tencent Hy4 Preview ialah keluaran model bahasa dengan pemberat terbuka terbesar Tencent setakat ini. Dilancarkan pada 28 Ogos 2026, ia disasarkan kepada kerja kejuruteraan perisian, penyelidikan, analisis kewangan dan tugasan produktiviti yang dikendalikan oleh ejen AI. 112

Angka utamanya memang besar: 770 bilion jumlah parameter, 49 bilion parameter aktif bagi setiap token dan tetingkap konteks melebihi 1 juta token. Namun, kesimpulan yang lebih berhati-hati ialah Hy4 kini kelihatan sebagai antara model terbuka China teratas untuk pengekodan dan produktiviti — bukan bukti muktamad bahawa ia mengatasi semua pesaing. Sebahagian besar perbandingan awam masih berdasarkan penilaian Tencent sendiri dan memerlukan ujian bebas yang lebih meluas. 18

Apakah Tencent Hy4 Preview?

Hy4 Preview ialah model bahasa besar berasaskan seni bina Mixture-of-Experts (MoE). Dalam reka bentuk ini, model tidak menggunakan semua parameternya untuk setiap token. Sebaliknya, sistem penghalaan memilih sebahagian rangkaian yang paling sesuai bagi setiap permintaan.

Pendekatan tersebut membolehkan Tencent membina model dengan kapasiti keseluruhan yang sangat besar tanpa mengenakan kos pengiraan penuh pada setiap token. Tencent memposisikan Hy4 bukan sekadar sebagai chatbot umum, tetapi sebagai model untuk kerja berasaskan ejen — termasuk pengekodan, produktiviti pejabat, penyelidikan dan analisis kewangan. 18

Istilah “sumber terbuka” dalam konteks ini lebih tepat difahami sebagai pemberat terbuka dengan sokongan penggunaan dan penerapan yang permisif. Tencent menerbitkan model itu di bawah lesen Apache 2.0, selain menyediakan panduan untuk penyajian, penalaan halus dan kuantisasi. 812

Spesifikasi dan seni bina Hy4

Spesifikasi utama Hy4 Preview ialah:

• Jumlah parameter: 770 bilion
• Parameter aktif bagi setiap token: 49 bilion
• Tetingkap konteks: Lebih daripada 1 juta token
• Seni bina: Mixture-of-Experts
• Lesen: Apache 2.0
• Format model: BF16 dan FP8
• Sokongan penyajian: Resipi vLLM dan SGLang, termasuk laluan API serasi OpenAI 812

Teras model ini mempunyai 78 lapisan. Menurut Tencent, lapisan pertama menggunakan rangkaian suapan hadapan padat, manakala 77 lapisan selebihnya menggunakan penghalaan MoE dengan 256 pakar berhala dan satu pakar dikongsi. Setiap token memilih lapan pakar berhala bersama pakar dikongsi itu. Hy4 turut mempunyai lapisan ramalan berbilang token asli yang direka untuk membantu penyahkodan spekulatif. 8

Bagi mekanisme perhatian, Hy4 menggunakan Gated DeepSeek Sparse Attention dengan IndexCache. Reka bentuk ini membolehkan indeks perhatian jarang digunakan semula merentasi lapisan. Tencent menyatakan pendekatannya mendapat inspirasi, sebahagiannya, daripada kaedah yang dikaitkan dengan DeepSeek dan GLM. 8

Jadi, kelebihan Hy4 bukan sekadar jumlah parameternya. Ia menggabungkan kapasiti model yang sangat besar dengan penghalaan jarang, pemprosesan konteks panjang dan mekanisme yang bertujuan mengurangkan beban inferens.

Hy4 berbanding Hy3: Apa yang berubah?

Hy4 merupakan peningkatan besar daripada model terdahulu Tencent, Hy3:

Spesifikasi	Hy3	Hy4 Preview	Perubahan
Jumlah parameter	295B	770B	Kira-kira 2.6 kali lebih besar
Parameter aktif bagi setiap token	21B	49B	Kira-kira 2.3 kali lebih banyak pengiraan aktif
Tetingkap konteks	262K token	Lebih 1M token	Kira-kira 4 kali lebih besar
Reka bentuk model	MoE	MoE diperluas dengan perubahan perhatian jarang	Kapasiti dan konteks lebih tinggi

Hy4 meningkatkan kedua-dua kapasiti keseluruhan model dan jumlah pengiraan aktif bagi setiap token. Tencent turut menyatakan bahawa data latihan diperluas, selain perubahan besar pada proses pralatihan dan pascalatihan. 814

Lonjakan tetingkap konteks mungkin paling bermakna untuk penggunaan praktikal. Sokongan melebihi 1 juta token boleh membantu model mengendalikan pangkalan kod yang besar, koleksi dokumen penyelidikan yang panjang dan tugasan pejabat yang kompleks. Namun, manfaat sebenar masih bergantung pada kualiti mendapatkan semula maklumat, kependaman dan keupayaan model mengekalkan ketepatan dalam input yang sangat panjang.

Adakah Hy4 mengatasi pesaing China?

Perbandingan paling jelas yang diterbitkan Tencent datang daripada penilaian dalaman secara buta. Dalam ujian itu, 163 pakar dalaman menilai output untuk 203 tugasan kejuruteraan. Hy4 Preview memperoleh skor purata 2.99 daripada 4, berbanding 2.92 untuk GLM-5.3 oleh Zhipu dan 2.94 untuk Kimi K3 oleh Moonshot. 8

Keputusan itu meletakkan Hy4 sedikit di hadapan dalam ujian Tencent, tetapi ia tidak wajar dianggap sebagai kedudukan neutral atau menyeluruh. Penilainya ialah pakar dalaman Tencent dan skop ujian tertumpu kepada tugasan kejuruteraan. Laporan daripada penanda aras lain pula menunjukkan keputusan Hy4 berubah-ubah apabila dibandingkan dengan pesaing domestik seperti model Qwen Alibaba dan DeepSeek. 113

Beberapa laporan sekunder turut menyebut peningkatan besar berbanding Hy3 dalam penanda aras pengekodan, termasuk Terminal-Bench 2.1 dan DeepSWE. Angka tersebut memberikan petunjuk tentang kemajuan yang didakwa Tencent, tetapi perlu ditafsir dengan berhati-hati sehingga keadaan ujian dan keputusannya dihasilkan semula secara bebas. 1718

Kesimpulan yang paling kukuh buat masa ini ialah Hy4 berada dalam kelompok teratas model terbuka China untuk tugasan pengekodan dan produktiviti. Bukti yang tersedia belum menunjukkan bahawa ia secara muktamad mengatasi setiap model pesaing bagi semua jenis tugasan.

Di mana Hy4 Preview boleh digunakan?

Tencent menyediakan Hy4 melalui pemberat yang boleh dimuat turun serta beberapa produk dan perkhidmatan hos.

Pemberat dan penerapan sendiri

Model utama serta versi FP8 tersedia melalui Hugging Face, ModelScope, GitCode dan CNB. Tencent turut menyediakan resipi penerapan untuk vLLM dan SGLang, laluan API tempatan yang serasi dengan OpenAI, arahan penalaan halus serta alat kuantisasi. 812

Ini memudahkan pembangun yang mahu menguji pemberat tersebut atau membina sistem penyajian tersuai. Namun, “pemberat terbuka” tidak bermaksud model ini ringan. Konfigurasi FP8 rujukan Tencent menggunakan paralelisme tensor lapan hala, dan penyajian model 770B masih memerlukan infrastruktur berbilang GPU yang serius. 8

Produk Tencent dan API hos

Pengguna boleh mengakses Hy4 melalui WorkBuddy, CodeBuddy, Yuanbao dan ima. Tencent turut menyenaraikan akses melalui Tencent Cloud TokenHub dan OpenRouter. Ketika pelancaran, Tencent menawarkan akses percuma selama dua minggu melalui WorkBuddy dan CodeBuddy, manakala akses kepada model Hy3 terdahulu dilanjutkan sehingga 30 September. 12

Satu laporan pihak ketiga menyenaraikan harga input OpenRouter sekitar AS$0.834 bagi setiap 1 juta token. Angka itu perlu dianggap sebagai harga khusus saluran, bukannya harga senarai Tencent yang kekal, kerana harga dan ketersediaan boleh berubah mengikut penyedia serta lokasi pengguna. 3

Mengapa pengedaran produk Tencent penting?

Hy4 berkait rapat dengan strategi produk Tencent. Syarikat itu menyatakan bahawa model berkenaan dibangunkan bersama WorkBuddy dan CodeBuddy, menggunakan data tugasan serta maklum balas daripada jurutera dalaman, pembangun permainan, penganalisis kewangan dan pakar keselamatan. 8

Pendekatan ini berpotensi memberikan Tencent kelebihan di luar seni bina model semata-mata. Syarikat itu boleh menguji Hy4 dalam produk yang mengendalikan aliran kerja pengekodan dan pejabat sebenar, sebelum menggunakan maklum balas tersebut untuk penambahbaikan seterusnya.

Rangkaian pengedaran yang sama juga menawarkan cara mudah untuk mencuba model tanpa perlu memuat turun dan mengurus sistem 770B sendiri.

Terdapat tanda awal bahawa pengedaran Hunyuan yang lebih luas mampu menghasilkan penggunaan yang ketara. Tencent melaporkan bahawa selepas Hunyuan 3 digunakan dalam pengeluaran, purata penggunaan token harian meningkat kira-kira enam kali ganda berbanding fasa pratonton. Ini menunjukkan pertumbuhan penggunaan yang pantas, tetapi bukan bukti bebas tentang kepuasan pengguna atau kadar kekal pengguna dalam jangka panjang.

Tencent juga meningkatkan perbelanjaan untuk menyokong strategi ini. Perbelanjaan modal bagi kemudahan dan peralatan mencecah RMB52.784 bilion pada suku kedua 2026, kira-kira 2.8 kali ganda berbanding setahun sebelumnya. Pihak pengurusan menyatakan keutamaan diberikan kepada infrastruktur AI dan pelaburan berkaitan WorkBuddy.

Tencent pernah menggambarkan WorkBuddy sebagai perkhidmatan ejen AI produktiviti yang paling banyak digunakan di China. Namun, itu ialah dakwaan syarikat dan bukan ukuran bahagian pasaran yang diaudit secara bebas. 4

Had Hy4 Preview ketika ini

Hy4 Preview belum dipersembahkan sebagai model akhir. Tencent mengakui bahawa model itu mungkin mengambil masa lebih lama daripada perlu untuk membuat penaakulan bagi tugasan sukar, selain cenderung menyemak semula hasil kerjanya secara berlebihan. Keadaan ini boleh meningkatkan kependaman dan kos inferens. 8

Saiz model pula mewujudkan batasan praktikal yang lain. Walaupun hanya 49B parameter aktif bagi token tertentu melalui penghalaan MoE, keseluruhan model masih perlu disimpan dan disajikan. Organisasi yang mahu mengehosnya sendiri memerlukan kapasiti memori, rangkaian dan GPU berbilang unit yang besar.

Bukti penanda aras juga mempunyai batasan. Penilaian dalaman Tencent menunjukkan kelebihan kecil berbanding GLM-5.3 dan Kimi K3 dalam tugasan kejuruteraan, manakala keputusan perbandingan yang lebih luas berubah mengikut penanda aras. Oleh itu, kedudukan awal Hy4 lebih wajar dianggap sebagai petunjuk arah, bukan keputusan muktamad. 8

Selain itu, konteks panjang tidak semestinya bermaksud penaakulan konteks panjang yang boleh dipercayai. Tetingkap 1 juta token ialah kelebihan spesifikasi yang besar, tetapi prestasi sebenar bergantung pada jenis tugasan, struktur arahan, strategi mendapatkan semula maklumat dan konfigurasi penyajian.

Apakah penambahbaikan yang mungkin datang selepas ini?

Hala tuju yang dinyatakan Tencent lebih jelas berbanding pelan pelancaran rasmi. Syarikat itu menunjuk kepada tambahan pralatihan dan pascalatihan, penaakulan yang lebih pantas serta kurang berulang, maklum balas berterusan daripada WorkBuddy dan CodeBuddy, serta usaha pemampatan dan kuantisasi untuk mengurangkan kos penerapan. 8

Penambahbaikan tersebut akan menangani pertukaran utama Hy4: model ini menawarkan kapasiti dan konteks yang jauh lebih besar berbanding Hy3, tetapi label “Preview” menunjukkan bahawa kelajuan, kecekapan dan kebolehpercayaan dalam pengeluaran masih sedang diperhalus.

Kesimpulan

Hy4 Preview ialah peningkatan besar daripada Hy3. Jumlah parameternya meningkat daripada 295B kepada 770B, parameter aktif bertambah daripada 21B kepada 49B, manakala tetingkap konteks berkembang daripada 262K kepada lebih 1 juta token. Model ini juga terhubung rapat dengan ekosistem pengekodan, pejabat, awan dan produk pengguna Tencent. 812

Bagi pembangun, pemberat berlesen Apache 2.0 serta alat penerapan menjadikan Hy4 model yang wajar dinilai. Bagi organisasi, akses hos melalui produk dan API Tencent mungkin lebih praktikal berbanding mengendalikan model itu sendiri.

Namun, penilaian paling tepat buat masa ini perlu sederhana: Hy4 kelihatan seperti model terbuka China bertaraf tinggi untuk pengekodan dan produktiviti berasaskan ejen. Sama ada ia benar-benar mampu mengekalkan kelebihan itu akan bergantung pada penanda aras bebas, penerimaan pembangun dan prestasi stabil dalam penggunaan sebenar.