Tencent Hy4 Preview: en jättemodell för kodning, forskning och arbetsflöden

Tencent Hy4 Preview är den största modellen med öppna vikter som Tencent hittills har släppt. Den presenterades den 28 augusti 2026 och är främst inriktad på programmering, forskning, finansanalys och andra arbetsuppgifter där AI-agenter kan planera och utföra flera steg. 112

De stora siffrorna är 770 miljarder parametrar totalt, 49 miljarder aktiva parametrar per token och ett kontextfönster på över en miljon tokens. Den mer försiktiga slutsatsen är att Hy4 ser ut att tillhöra toppskiktet bland kinesiska modeller med öppna vikter för kodning och produktivitet – men att påståenden om överlägsenhet fortfarande till stor del bygger på Tencents egna tester. 18

Vad är Tencent Hy4 Preview?

Hy4 är en så kallad Mixture-of-Experts-modell (MoE). I stället för att använda hela nätverket för varje token väljer modellen ut en mindre grupp experter för varje förfrågan. På så sätt kan Tencent bygga en modell med mycket stor total kapacitet utan att alla parametrar behöver bearbetas för varje token.

Tencent positionerar Hy4 som mer än en vanlig chattbot. Modellen ska användas för bland annat programvaruutveckling, kontorsarbete, forskning och finansiell analys, med kopplingar till verktyg där AI:n kan ingå direkt i arbetsflödet. 18

Begreppet ”öppen källkod” bör här förstås som öppna modellvikter och stöd för flexibel distribution. Tencent har släppt modellen under Apache 2.0-licensen och publicerat instruktioner för drift, finjustering och kvantisering. 812

Arkitekturen bakom Hy4

De viktigaste specifikationerna är:

• Totalt antal parametrar: 770 miljarder
• Aktiva parametrar per token: 49 miljarder
• Kontextfönster: över 1 miljon tokens
• Arkitektur: Mixture of Experts
• Licens: Apache 2.0
• Modellformat: BF16 och FP8
• Serveringsstöd: recept för vLLM och SGLang samt en OpenAI-kompatibel API-väg 812

Modellens stomme består av 78 lager. Det första lagret använder ett tätt feed-forward-nätverk, medan de följande 77 lagren använder MoE-routing med 256 routade experter och en gemensam expert. För varje token väljs åtta routade experter tillsammans med den gemensamma experten. Hy4 har också inbyggd flertokenprediktion, som är tänkt att möjliggöra spekulativ avkodning. 8

Uppmärksamhetsdelen använder Gated DeepSeek Sparse Attention med IndexCache. Det gör det möjligt att återanvända glesa uppmärksamhetsindex mellan lager. Tencent uppger att arkitekturen delvis inspirerats av metoder förknippade med DeepSeek och GLM. 8

Det viktiga är därför inte bara storleken. Hy4 kombinerar en mycket hög total kapacitet med gles routing, lång kontext och tekniker som ska minska kostnaden för inferens – alltså själva körningen när modellen svarar.

Hy4 jämfört med Hy3

Specifikation	Hy3	Hy4 Preview	Förändring
Totalt antal parametrar	295 miljarder	770 miljarder	Cirka 2,6 gånger större
Aktiva parametrar per token	21 miljarder	49 miljarder	Cirka 2,3 gånger mer aktiv beräkning
Kontextfönster	262 000 tokens	Över 1 miljon tokens	Ungefär fyra gånger större
Modelltyp	MoE	Utökad MoE med förändrad sparse attention	Högre kapacitet och längre kontext

Hy4 ökar alltså både modellens totala kapacitet och mängden aktiv beräkning per token. Tencent uppger dessutom att bolaget har utökat träningsdatamängden och gjort större förändringar i både förträning och efterträning. 814

Det längre kontextfönstret kan bli särskilt användbart för stora kodbaser, omfattande forskningsmaterial och komplexa arbetsuppgifter. I praktiken avgörs nyttan dock också av modellens sök- och återhämtningsförmåga, svarstid och förmåga att hålla hög kvalitet genom mycket långa indata.

Hur står sig Hy4 mot kinesiska konkurrenter?

Tencents tydligaste offentliga jämförelse är ett internt blindtest. Där bedömde 163 interna experter modellernas svar på 203 tekniska uppgifter. Hy4 Preview fick i genomsnitt 2,99 av 4 poäng, jämfört med 2,92 för Zhipus GLM-5.3 och 2,94 för Moonshots Kimi K3. 8

Det placerar Hy4 något före konkurrenterna i Tencents test, men resultatet ska inte tolkas som en neutral och heltäckande ranking. Bedömarna var Tencents egna experter och testet fokuserade på tekniska uppgifter. Andra rapporterade benchmarkresultat visar dessutom varierande utfall mot modeller som Alibabas Qwen-serie och DeepSeek. 113

Sekundära rapporter hänvisar också till stora förbättringar jämfört med Hy3 i kodningstester som Terminal-Bench 2.1 och DeepSWE. Sådana siffror kan ge en bild av Tencents påstådda utveckling, men bör behandlas med viss försiktighet tills testförhållanden och resultat har reproducerats oberoende. 1718

Den mest hållbara slutsatsen just nu är att Hy4 hör till toppskiktet bland kinesiska modeller med öppna vikter för kodning och produktivitetsarbete. Det finns däremot inte tillräckligt med oberoende belägg för att säga att modellen klart slår alla konkurrenter på alla typer av uppgifter.

Var kan Hy4 användas?

Tencent erbjuder Hy4 både som nedladdningsbara modellvikter och genom egna tjänster och externa API-plattformar.

Nedladdning och egen drift

Modellen och FP8-versionen finns på Hugging Face, ModelScope, GitCode och CNB. Tencent erbjuder driftrecept för vLLM och SGLang, en lokal OpenAI-kompatibel API-väg, instruktioner för finjustering och verktyg för kvantisering. 812

Det gör modellen intressant för utvecklare som vill testa vikterna eller bygga en egen serveringsmiljö. ”Öppna vikter” betyder dock inte att modellen är lätt att köra. Tencents referenskonfiguration för FP8 använder tensorparallellism över åtta enheter, och en modell på 770 miljarder parametrar kräver fortfarande betydande minne, nätverk och GPU-kapacitet. 8

Tencent-appar och värdbaserade API:er

Hy4 kan användas i WorkBuddy, CodeBuddy, Yuanbao och ima. Tencent listar även tillgång via Tencent Cloud TokenHub och OpenRouter. Vid lanseringen erbjöds två veckors fri användning i WorkBuddy och CodeBuddy, medan tillgången till föregångaren Hy3 förlängdes till den 30 september. 12

En tredjepartsrapport angav ett pris på cirka 0,834 amerikanska dollar per miljon inmatade tokens via OpenRouter. Det bör ses som ett kanal- och leverantörsspecifikt pris, inte som en permanent officiell Tencent-prislista. Pris och tillgänglighet kan variera beroende på leverantör och geografisk marknad. 3

Därför är Tencents produktdistribution viktig

Hy4 är nära kopplad till Tencents strategi för sina egna AI-produkter. Tencent uppger att modellen utvecklades tillsammans med WorkBuddy och CodeBuddy, med uppgiftsdata och återkoppling från interna ingenjörer, spelutvecklare, finansanalytiker och säkerhetsspecialister. 8

Det kan ge Tencent en fördel som går utöver själva modellarkitekturen. Bolaget kan testa modellen direkt i kodnings- och kontorsverktyg, samla in återkoppling från verkliga arbetsflöden och använda den i kommande versioner. Samma distributionsnät gör också att användare kan prova modellen utan att själva behöva drifta ett system på 770 miljarder parametrar.

Det finns tidiga tecken på att Tencents bredare Hunyuan-distribution kan skapa stor användning. Tencent har rapporterat att den genomsnittliga dagliga tokenanvändningen ökade ungefär sex gånger när Hunyuan 3 gick från förhandsversion till produktion. Det visar snabb användningstillväxt, men är inte ett oberoende bevis på användarnöjdhet eller långsiktig lojalitet.

Tencent satsar samtidigt stora belopp på infrastrukturen bakom strategin. Investeringarna i anläggningar och utrustning uppgick till 52,784 miljarder yuan under andra kvartalet 2026, cirka 2,8 gånger mer än ett år tidigare. Ledningen prioriterade AI-infrastruktur och investeringar kopplade till WorkBuddy.

Tencent har beskrivit WorkBuddy som Kinas mest använda produktivitetsbaserade AI-agenttjänst. Det är dock ett företagsuttalande, inte en oberoende och reviderad mätning av marknadsandelar. 4

Begränsningar i den nuvarande förhandsversionen

Hy4 presenteras inte som en färdig slutprodukt. Tencent medger att modellen ibland kan ägna längre tid än nödvändigt åt svåra resonemang och överkontrollera sina egna svar. Det kan ge högre svarstid och ökade kostnader för inferens. 8

Storleken är en annan praktisk begränsning. MoE-routing innebär att bara 49 miljarder parametrar är aktiva för en enskild token, men hela modellen måste fortfarande lagras och hanteras i servermiljön. Organisationer som vill drifta Hy4 själva behöver därför betydande minne, nätverkskapacitet och flera GPU:er.

Även benchmarkunderlaget har begränsningar. Tencents interna test visar ett smalt försprång över GLM-5.3 och Kimi K3 inom tekniska uppgifter, medan bredare jämförelser varierar mellan olika testsviter. Tidiga topplaceringar bör därför ses som vägledande, inte slutgiltiga. 8

Ett kontextfönster på en miljon tokens är dessutom inte samma sak som tillförlitligt resonemang över en miljon tokens. Den verkliga prestandan beror på uppgiften, promptens struktur, hur information hämtas och hur modellen körs.

Vad kan förbättras framöver?

Tencents uttalade riktning är tydligare än någon formell lanseringsplan. Bolaget pekar på mer förträning och efterträning, snabbare och mindre repetitiva resonemang, fortsatt återkoppling från WorkBuddy och CodeBuddy samt komprimering och kvantisering för att minska kostnaderna för drift. 8

Det skulle adressera Hy4:s centrala avvägning: modellen erbjuder större kapacitet och mycket längre kontext än Hy3, men beteckningen ”Preview” visar att snabbhet, effektivitet och tillförlitlighet i produktion fortfarande utvecklas.

Slutsats

Hy4 Preview är ett stort steg upp från Hy3. Den ökar från 295 till 770 miljarder parametrar totalt, från 21 till 49 miljarder aktiva parametrar och från 262 000 tokens till över en miljon tokens i kontext. Modellen är dessutom ovanligt tätt integrerad med Tencents kodnings-, kontors-, moln- och konsumentprodukter. 812

För utvecklare gör Apache 2.0-licensen och de publicerade verktygen Hy4 värd att utvärdera. För företag kan värdbaserad användning via Tencents tjänster och API:er vara betydligt enklare än egen drift.

Den rimliga bedömningen är ändå återhållsam: Hy4 ser ut att vara en kraftfull kinesisk modell med öppna vikter för kodning och AI-drivna produktivitetsflöden. Om den tidiga potentialen blir ett varaktigt försprång avgörs först när fler oberoende benchmarktester och längre tids användning i produktion finns på plats.