Tencent Hy4 Preview to największy jak dotąd model językowy udostępniony przez Tencent w formule open weight. Chińska firma pozycjonuje go nie tylko jako chatbot, lecz przede wszystkim jako narzędzie do programowania, pracy biurowej, badań, analiz finansowych i zadań wykonywanych przez agentów AI. Model został wydany 28 sierpnia 2026 r. 112

Najważniejsze liczby robią wrażenie: 770 mld parametrów łącznie, 49 mld parametrów aktywowanych przy każdym tokenie oraz okno kontekstowe przekraczające milion tokenów. Ostrożniejszy wniosek brzmi jednak tak: Hy4 wygląda na jeden z najmocniejszych chińskich modeli open weight do kodowania i produktywności, ale jego przewaga nad konkurencją nadal opiera się w dużej mierze na testach Tencentu i czeka na szerszą, niezależną weryfikację. 18

Czym jest Tencent Hy4 Preview?

Hy4 Preview wykorzystuje architekturę Mixture of Experts, czyli MoE. Zamiast uruchamiać wszystkie parametry przy każdym zapytaniu, system kieruje poszczególne tokeny do mniejszej części sieci. Dzięki temu model może mieć bardzo dużą całkowitą pojemność, bez ponoszenia pełnego kosztu obliczeniowego przy każdej odpowiedzi.

Tencent projektuje Hy4 z myślą o pracy agentowej — na przykład samodzielnym wykonywaniu złożonych zadań programistycznych lub biurowych — a nie wyłącznie o rozmowie z użytkownikiem. Model ma być wykorzystywany w programowaniu, analizie dokumentów, badaniach i finansach, także bezpośrednio w narzędziach deweloperskich i produktywnościowych firmy. 18

Określenie „open source” najlepiej rozumieć w tym przypadku jako dostępne wagi oraz szerokie możliwości wdrażania. Tencent opublikował model na licencji Apache 2.0, a także udostępnił wskazówki dotyczące serwowania, dostrajania i kwantyzacji. 812

Architektura i specyfikacja Hy4

Najważniejsze parametry modelu to:

• Łączna liczba parametrów: 770 mld
• Parametry aktywne na token: 49 mld
• Okno kontekstowe: ponad 1 mln tokenów
• Architektura: Mixture of Experts
• Licencja: Apache 2.0
• Formaty: BF16 i FP8
• Obsługa wdrożeń: przepisy konfiguracyjne dla vLLM i SGLang oraz ścieżka API kompatybilna z OpenAI 812

Szkielet modelu ma 78 warstw. Pierwsza wykorzystuje gęstą sieć feed-forward, natomiast pozostałe 77 korzysta z routingu MoE. W tych warstwach znajduje się 256 ekspertów routowanych oraz jeden ekspert współdzielony. Dla każdego tokena wybieranych jest ośmiu ekspertów routowanych i ekspert współdzielony. Hy4 ma również natywną warstwę przewidywania wielu tokenów, która ma wspierać dekodowanie spekulatywne. 8

W mechanizmie uwagi zastosowano Gated DeepSeek Sparse Attention z IndexCache, pozwalającym ponownie wykorzystywać indeksy rzadkiej uwagi w kolejnych warstwach. Tencent wskazuje, że rozwiązania architektoniczne inspirowane są m.in. podejściami kojarzonymi z modelami DeepSeek i GLM. 8

W praktyce znaczenie Hy4 nie sprowadza się więc do samej liczby parametrów. Model łączy bardzo dużą pojemność z rzadkim routingiem, obsługą wyjątkowo długiego kontekstu i mechanizmami, które mają ograniczać koszt wnioskowania.

Hy4 Preview kontra Hy3: co się zmieniło?

W porównaniu z poprzednią generacją Hy3 jest to wyraźny skok skali:

Parametr	Hy3	Hy4 Preview	Zmiana
Łączna liczba parametrów	295 mld	770 mld	około 2,6 raza więcej
Parametry aktywne na token	21 mld	49 mld	około 2,3 raza więcej
Okno kontekstowe	262 tys. tokenów	ponad 1 mln tokenów	około 4 razy większe
Konstrukcja	MoE	rozbudowane MoE ze zmianami w rzadkiej uwadze	większa pojemność i dłuższy kontekst

Hy4 zwiększa więc zarówno całkowitą pojemność modelu, jak i zakres aktywnych obliczeń przypadających na token. Tencent informuje również o rozszerzeniu danych treningowych oraz istotnych zmianach w pretreningu i posttreningu. 814

Szczególnie praktyczne może okazać się okno kontekstowe przekraczające milion tokenów. Taka pojemność potencjalnie ułatwia analizę dużych repozytoriów kodu, obszernych zbiorów badań czy wielowątkowych procesów firmowych. Sama długość kontekstu nie gwarantuje jednak dobrej odpowiedzi — znaczenie mają także opóźnienia, jakość wyszukiwania informacji i utrzymanie poprawności na długim wejściu.

Jak Hy4 wypada na tle chińskiej konkurencji?

Najbardziej konkretne publiczne porównanie Tencentu pochodzi z wewnętrznego, ślepego testu porównawczego. 163 ekspertów firmy oceniło odpowiedzi na 203 zadania inżynieryjne. Hy4 Preview uzyskał średnio 2,99 pkt na 4, wyprzedzając GLM-5.3 firmy Zhipu, który otrzymał 2,92 pkt, oraz Kimi K3 firmy Moonshot z wynikiem 2,94 pkt. 8

To niewielka przewaga w teście Tencentu, ale nie należy traktować jej jako neutralnego, pełnego rankingu rynku. Oceniającymi byli wewnętrzni eksperci firmy, a zakres badania ograniczał się do zadań inżynieryjnych. W innych benchmarkach wyniki Hy4 różniły się w porównaniach z modelami Alibaba Qwen i DeepSeek. 113

Część publikacji branżowych wskazuje także na duży postęp względem Hy3 w testach programistycznych, m.in. Terminal-Bench 2.1 i DeepSWE. Są to użyteczne sygnały rozwoju modelu, ale warto podchodzić do nich ostrożnie, dopóki warunki testów i rezultaty nie zostaną szerzej niezależnie odtworzone. 1718

Najbezpieczniejszy wniosek jest taki, że Hy4 należy do ścisłej czołówki chińskich modeli open weight dla kodowania i produktywności. Dostępne dane nie dowodzą jeszcze, że zdecydowanie wygrywa z każdym konkurentem w każdym rodzaju zadania.

Gdzie można korzystać z Hy4 Preview?

Tencent udostępnił model zarówno w postaci wag do pobrania, jak i w swoich produktach oraz usługach hostowanych.

Wagi i samodzielne wdrożenie

Model, w tym wersja FP8, jest dostępny w serwisach Hugging Face, ModelScope, GitCode i CNB. Tencent opublikował konfiguracje dla vLLM i SGLang, lokalną ścieżkę API kompatybilną z OpenAI, instrukcje dostrajania oraz narzędzia do kwantyzacji. 812

To ułatwia deweloperom eksperymentowanie z wagami i budowę własnego środowiska serwującego. „Open weight” nie oznacza jednak, że model jest lekki. Referencyjna konfiguracja FP8 Tencentu korzysta z równoległości tensorowej na ośmiu układach, a obsługa modelu o rozmiarze 770 mld parametrów pozostaje poważnym projektem infrastrukturalnym wymagającym wielu GPU. 8

Produkty Tencentu i dostęp przez API

Z Hy4 można korzystać w WorkBuddy, CodeBuddy, Yuanbao i ima. Tencent wymienia również dostęp przez Tencent Cloud TokenHub i OpenRouter. W chwili premiery firma zaoferowała dwa tygodnie bezpłatnego dostępu w WorkBuddy i CodeBuddy, a dostęp do poprzedniego modelu Hy3 przedłużono do 30 września. 12

Według zewnętrznego raportu cena wejściowa w OpenRouter wynosiła około 0,834 dol. za milion tokenów. Należy traktować ją jako stawkę zależną od konkretnego kanału, a nie stały cennik Tencentu — ceny i dostępność mogą różnić się w zależności od dostawcy oraz regionu. 3

Dlaczego dystrybucja produktów jest ważna?

Hy4 jest ściśle powiązany ze strategią produktową Tencentu. Firma twierdzi, że model był współprojektowany z WorkBuddy i CodeBuddy, a podczas jego tworzenia wykorzystywano dane zadań oraz opinie wewnętrznych inżynierów, twórców gier, analityków finansowych i specjalistów ds. bezpieczeństwa. 8

Daje to Tencentowi potencjalną przewagę wykraczającą poza samą architekturę. Firma może testować model w rzeczywistych narzędziach do kodowania i pracy biurowej, a następnie wykorzystywać informacje zwrotne przy kolejnych iteracjach. Rozbudowany ekosystem sprawia też, że użytkownicy mogą wypróbować Hy4 bez samodzielnego uruchamiania systemu o rozmiarze 770 mld parametrów.

Pierwsze dane sugerują, że szeroka dystrybucja modeli Hunyuan może szybko generować duże wykorzystanie. Tencent podał, że po wdrożeniu Hunyuan 3 do produkcji średnie dzienne użycie tokenów wzrosło około sześciokrotnie względem fazy preview. To dowód szybkiego wzrostu wykorzystania, ale nie niezależne potwierdzenie zadowolenia użytkowników ani ich długoterminowego utrzymania.

Firma mocno inwestuje w zaplecze tej strategii. W drugim kwartale 2026 r. wydatki kapitałowe na obiekty i sprzęt wyniosły 52,784 mld juanów, czyli około 2,8 raza więcej niż rok wcześniej. Kierownictwo wskazywało na priorytet dla infrastruktury AI i inwestycji związanych z WorkBuddy.

Tencent określa WorkBuddy jako najczęściej używaną usługę produktywnościową opartą na agencie AI w Chinach. Jest to jednak deklaracja firmy, a nie niezależnie audytowany pomiar udziału w rynku. 4

Najważniejsze ograniczenia

Hy4 Preview nie jest przedstawiany jako ukończony model. Tencent przyznaje, że przy trudnych zadaniach system może rozumować dłużej, niż jest to potrzebne, oraz nadmiernie weryfikować własne odpowiedzi. Może to zwiększać opóźnienia i koszt wnioskowania. 8

Drugim problemem jest sama skala. Choć dzięki architekturze MoE przy pojedynczym tokenie aktywnych jest 49 mld parametrów, cały model nadal trzeba przechowywać i obsługiwać. Organizacje planujące instalację on-premise muszą dysponować dużą pamięcią, szybkim połączeniem między układami i infrastrukturą wieloprocesorową.

Ograniczenia dotyczą również dowodów benchmarkowych. Wewnętrzny test Tencentu pokazuje niewielką przewagę nad GLM-5.3 i Kimi K3 w zadaniach inżynieryjnych, natomiast szersze porównania dają różne rezultaty zależnie od testu. Wczesne rankingi należy więc traktować jako wskazówkę, a nie ostateczny werdykt. 8

Wreszcie milion tokenów kontekstu nie oznacza automatycznie niezawodnego rozumowania na tak długim wejściu. Rzeczywista skuteczność będzie zależeć od rodzaju zadania, konstrukcji promptu, strategii wyszukiwania oraz konfiguracji serwera.

Jakich usprawnień można się spodziewać?

Kierunek rozwoju wskazywany przez Tencent jest bardziej konkretny niż formalny harmonogram wydań. Firma zapowiada dalszy pretrening i posttrening, szybsze oraz mniej powtarzalne rozumowanie, kolejne iteracje oparte na informacjach z WorkBuddy i CodeBuddy, a także kompresję i kwantyzację obniżającą koszt wdrożenia. 8

Takie usprawnienia odpowiadałyby na główny kompromis Hy4: model oferuje większą pojemność i znacznie dłuższy kontekst niż Hy3, ale oznaczenie „Preview” sygnalizuje, że szybkość, efektywność i niezawodność produkcyjna są nadal dopracowywane.

Werdykt

Hy4 Preview to duży krok naprzód względem Hy3: liczba parametrów wzrosła z 295 do 770 mld, liczba aktywnych parametrów z 21 do 49 mld, a okno kontekstowe z 262 tys. do ponad miliona tokenów. Model jest też wyjątkowo mocno połączony z ekosystemem Tencentu obejmującym narzędzia programistyczne, aplikacje biurowe, chmurę i produkty konsumenckie. 812

Dla deweloperów licencja Apache 2.0 i dostępne narzędzia wdrożeniowe czynią Hy4 interesującym modelem do testów. Firmom wygodniejszy może być dostęp przez produkty i API Tencentu niż samodzielne utrzymywanie infrastruktury dla modelu 770B.

Obecny werdykt powinien jednak pozostać wyważony: Hy4 wygląda na potężny, należący do czołówki chiński model open weight do kodowania i produktywności agentowej. To niezależne benchmarki oraz dłuższe wykorzystanie produkcyjne pokażą, czy obiecujący start przełoży się na trwałą przewagę.

Tencent Hy4 Preview to największy jak dotąd model językowy udostępniony przez Tencent w formule open weight. Chińska firma pozycjonuje go nie tylko jako chatbot, lecz przede wszystkim jako narzędzie do programowania, pracy biurowej, badań, analiz finansowych i zadań wykonywanych przez agentów AI. Model został wydany 28 sierpnia 2026 r. 112

Najważniejsze liczby robią wrażenie: 770 mld parametrów łącznie, 49 mld parametrów aktywowanych przy każdym tokenie oraz okno kontekstowe przekraczające milion tokenów. Ostrożniejszy wniosek brzmi jednak tak: Hy4 wygląda na jeden z najmocniejszych chińskich modeli open weight do kodowania i produktywności, ale jego przewaga nad konkurencją nadal opiera się w dużej mierze na testach Tencentu i czeka na szerszą, niezależną weryfikację. 18

Czym jest Tencent Hy4 Preview?

Hy4 Preview wykorzystuje architekturę Mixture of Experts, czyli MoE. Zamiast uruchamiać wszystkie parametry przy każdym zapytaniu, system kieruje poszczególne tokeny do mniejszej części sieci. Dzięki temu model może mieć bardzo dużą całkowitą pojemność, bez ponoszenia pełnego kosztu obliczeniowego przy każdej odpowiedzi.

Tencent projektuje Hy4 z myślą o pracy agentowej — na przykład samodzielnym wykonywaniu złożonych zadań programistycznych lub biurowych — a nie wyłącznie o rozmowie z użytkownikiem. Model ma być wykorzystywany w programowaniu, analizie dokumentów, badaniach i finansach, także bezpośrednio w narzędziach deweloperskich i produktywnościowych firmy. 18

Określenie „open source” najlepiej rozumieć w tym przypadku jako dostępne wagi oraz szerokie możliwości wdrażania. Tencent opublikował model na licencji Apache 2.0, a także udostępnił wskazówki dotyczące serwowania, dostrajania i kwantyzacji. 812

Architektura i specyfikacja Hy4

Najważniejsze parametry modelu to:

• Łączna liczba parametrów: 770 mld
• Parametry aktywne na token: 49 mld
• Okno kontekstowe: ponad 1 mln tokenów
• Architektura: Mixture of Experts
• Licencja: Apache 2.0
• Formaty: BF16 i FP8
• Obsługa wdrożeń: przepisy konfiguracyjne dla vLLM i SGLang oraz ścieżka API kompatybilna z OpenAI 812

Szkielet modelu ma 78 warstw. Pierwsza wykorzystuje gęstą sieć feed-forward, natomiast pozostałe 77 korzysta z routingu MoE. W tych warstwach znajduje się 256 ekspertów routowanych oraz jeden ekspert współdzielony. Dla każdego tokena wybieranych jest ośmiu ekspertów routowanych i ekspert współdzielony. Hy4 ma również natywną warstwę przewidywania wielu tokenów, która ma wspierać dekodowanie spekulatywne. 8

W mechanizmie uwagi zastosowano Gated DeepSeek Sparse Attention z IndexCache, pozwalającym ponownie wykorzystywać indeksy rzadkiej uwagi w kolejnych warstwach. Tencent wskazuje, że rozwiązania architektoniczne inspirowane są m.in. podejściami kojarzonymi z modelami DeepSeek i GLM. 8

W praktyce znaczenie Hy4 nie sprowadza się więc do samej liczby parametrów. Model łączy bardzo dużą pojemność z rzadkim routingiem, obsługą wyjątkowo długiego kontekstu i mechanizmami, które mają ograniczać koszt wnioskowania.

Hy4 Preview kontra Hy3: co się zmieniło?

W porównaniu z poprzednią generacją Hy3 jest to wyraźny skok skali:

Parametr	Hy3	Hy4 Preview	Zmiana
Łączna liczba parametrów	295 mld	770 mld	około 2,6 raza więcej
Parametry aktywne na token	21 mld	49 mld	około 2,3 raza więcej
Okno kontekstowe	262 tys. tokenów	ponad 1 mln tokenów	około 4 razy większe
Konstrukcja	MoE	rozbudowane MoE ze zmianami w rzadkiej uwadze	większa pojemność i dłuższy kontekst

Hy4 zwiększa więc zarówno całkowitą pojemność modelu, jak i zakres aktywnych obliczeń przypadających na token. Tencent informuje również o rozszerzeniu danych treningowych oraz istotnych zmianach w pretreningu i posttreningu. 814

Szczególnie praktyczne może okazać się okno kontekstowe przekraczające milion tokenów. Taka pojemność potencjalnie ułatwia analizę dużych repozytoriów kodu, obszernych zbiorów badań czy wielowątkowych procesów firmowych. Sama długość kontekstu nie gwarantuje jednak dobrej odpowiedzi — znaczenie mają także opóźnienia, jakość wyszukiwania informacji i utrzymanie poprawności na długim wejściu.

Jak Hy4 wypada na tle chińskiej konkurencji?

Najbardziej konkretne publiczne porównanie Tencentu pochodzi z wewnętrznego, ślepego testu porównawczego. 163 ekspertów firmy oceniło odpowiedzi na 203 zadania inżynieryjne. Hy4 Preview uzyskał średnio 2,99 pkt na 4, wyprzedzając GLM-5.3 firmy Zhipu, który otrzymał 2,92 pkt, oraz Kimi K3 firmy Moonshot z wynikiem 2,94 pkt. 8

To niewielka przewaga w teście Tencentu, ale nie należy traktować jej jako neutralnego, pełnego rankingu rynku. Oceniającymi byli wewnętrzni eksperci firmy, a zakres badania ograniczał się do zadań inżynieryjnych. W innych benchmarkach wyniki Hy4 różniły się w porównaniach z modelami Alibaba Qwen i DeepSeek. 113

Część publikacji branżowych wskazuje także na duży postęp względem Hy3 w testach programistycznych, m.in. Terminal-Bench 2.1 i DeepSWE. Są to użyteczne sygnały rozwoju modelu, ale warto podchodzić do nich ostrożnie, dopóki warunki testów i rezultaty nie zostaną szerzej niezależnie odtworzone. 1718

Najbezpieczniejszy wniosek jest taki, że Hy4 należy do ścisłej czołówki chińskich modeli open weight dla kodowania i produktywności. Dostępne dane nie dowodzą jeszcze, że zdecydowanie wygrywa z każdym konkurentem w każdym rodzaju zadania.

Gdzie można korzystać z Hy4 Preview?

Tencent udostępnił model zarówno w postaci wag do pobrania, jak i w swoich produktach oraz usługach hostowanych.

Wagi i samodzielne wdrożenie

Model, w tym wersja FP8, jest dostępny w serwisach Hugging Face, ModelScope, GitCode i CNB. Tencent opublikował konfiguracje dla vLLM i SGLang, lokalną ścieżkę API kompatybilną z OpenAI, instrukcje dostrajania oraz narzędzia do kwantyzacji. 812

To ułatwia deweloperom eksperymentowanie z wagami i budowę własnego środowiska serwującego. „Open weight” nie oznacza jednak, że model jest lekki. Referencyjna konfiguracja FP8 Tencentu korzysta z równoległości tensorowej na ośmiu układach, a obsługa modelu o rozmiarze 770 mld parametrów pozostaje poważnym projektem infrastrukturalnym wymagającym wielu GPU. 8

Produkty Tencentu i dostęp przez API

Z Hy4 można korzystać w WorkBuddy, CodeBuddy, Yuanbao i ima. Tencent wymienia również dostęp przez Tencent Cloud TokenHub i OpenRouter. W chwili premiery firma zaoferowała dwa tygodnie bezpłatnego dostępu w WorkBuddy i CodeBuddy, a dostęp do poprzedniego modelu Hy3 przedłużono do 30 września. 12

Według zewnętrznego raportu cena wejściowa w OpenRouter wynosiła około 0,834 dol. za milion tokenów. Należy traktować ją jako stawkę zależną od konkretnego kanału, a nie stały cennik Tencentu — ceny i dostępność mogą różnić się w zależności od dostawcy oraz regionu. 3

Dlaczego dystrybucja produktów jest ważna?

Hy4 jest ściśle powiązany ze strategią produktową Tencentu. Firma twierdzi, że model był współprojektowany z WorkBuddy i CodeBuddy, a podczas jego tworzenia wykorzystywano dane zadań oraz opinie wewnętrznych inżynierów, twórców gier, analityków finansowych i specjalistów ds. bezpieczeństwa. 8

Daje to Tencentowi potencjalną przewagę wykraczającą poza samą architekturę. Firma może testować model w rzeczywistych narzędziach do kodowania i pracy biurowej, a następnie wykorzystywać informacje zwrotne przy kolejnych iteracjach. Rozbudowany ekosystem sprawia też, że użytkownicy mogą wypróbować Hy4 bez samodzielnego uruchamiania systemu o rozmiarze 770 mld parametrów.

Pierwsze dane sugerują, że szeroka dystrybucja modeli Hunyuan może szybko generować duże wykorzystanie. Tencent podał, że po wdrożeniu Hunyuan 3 do produkcji średnie dzienne użycie tokenów wzrosło około sześciokrotnie względem fazy preview. To dowód szybkiego wzrostu wykorzystania, ale nie niezależne potwierdzenie zadowolenia użytkowników ani ich długoterminowego utrzymania.

Firma mocno inwestuje w zaplecze tej strategii. W drugim kwartale 2026 r. wydatki kapitałowe na obiekty i sprzęt wyniosły 52,784 mld juanów, czyli około 2,8 raza więcej niż rok wcześniej. Kierownictwo wskazywało na priorytet dla infrastruktury AI i inwestycji związanych z WorkBuddy.

Tencent określa WorkBuddy jako najczęściej używaną usługę produktywnościową opartą na agencie AI w Chinach. Jest to jednak deklaracja firmy, a nie niezależnie audytowany pomiar udziału w rynku. 4

Najważniejsze ograniczenia

Hy4 Preview nie jest przedstawiany jako ukończony model. Tencent przyznaje, że przy trudnych zadaniach system może rozumować dłużej, niż jest to potrzebne, oraz nadmiernie weryfikować własne odpowiedzi. Może to zwiększać opóźnienia i koszt wnioskowania. 8

Drugim problemem jest sama skala. Choć dzięki architekturze MoE przy pojedynczym tokenie aktywnych jest 49 mld parametrów, cały model nadal trzeba przechowywać i obsługiwać. Organizacje planujące instalację on-premise muszą dysponować dużą pamięcią, szybkim połączeniem między układami i infrastrukturą wieloprocesorową.

Ograniczenia dotyczą również dowodów benchmarkowych. Wewnętrzny test Tencentu pokazuje niewielką przewagę nad GLM-5.3 i Kimi K3 w zadaniach inżynieryjnych, natomiast szersze porównania dają różne rezultaty zależnie od testu. Wczesne rankingi należy więc traktować jako wskazówkę, a nie ostateczny werdykt. 8

Wreszcie milion tokenów kontekstu nie oznacza automatycznie niezawodnego rozumowania na tak długim wejściu. Rzeczywista skuteczność będzie zależeć od rodzaju zadania, konstrukcji promptu, strategii wyszukiwania oraz konfiguracji serwera.

Jakich usprawnień można się spodziewać?

Kierunek rozwoju wskazywany przez Tencent jest bardziej konkretny niż formalny harmonogram wydań. Firma zapowiada dalszy pretrening i posttrening, szybsze oraz mniej powtarzalne rozumowanie, kolejne iteracje oparte na informacjach z WorkBuddy i CodeBuddy, a także kompresję i kwantyzację obniżającą koszt wdrożenia. 8

Takie usprawnienia odpowiadałyby na główny kompromis Hy4: model oferuje większą pojemność i znacznie dłuższy kontekst niż Hy3, ale oznaczenie „Preview” sygnalizuje, że szybkość, efektywność i niezawodność produkcyjna są nadal dopracowywane.

Werdykt

Hy4 Preview to duży krok naprzód względem Hy3: liczba parametrów wzrosła z 295 do 770 mld, liczba aktywnych parametrów z 21 do 49 mld, a okno kontekstowe z 262 tys. do ponad miliona tokenów. Model jest też wyjątkowo mocno połączony z ekosystemem Tencentu obejmującym narzędzia programistyczne, aplikacje biurowe, chmurę i produkty konsumenckie. 812

Dla deweloperów licencja Apache 2.0 i dostępne narzędzia wdrożeniowe czynią Hy4 interesującym modelem do testów. Firmom wygodniejszy może być dostęp przez produkty i API Tencentu niż samodzielne utrzymywanie infrastruktury dla modelu 770B.

Obecny werdykt powinien jednak pozostać wyważony: Hy4 wygląda na potężny, należący do czołówki chiński model open weight do kodowania i produktywności agentowej. To niezależne benchmarki oraz dłuższe wykorzystanie produkcyjne pokażą, czy obiecujący start przełoży się na trwałą przewagę.