Tencent merilis dan meng-open-source-kan Hunyuan Hy4 preview pada 28 Agustus, dengan total 770 miliar parameter dan 49 miliar parameter aktif per token, serta jendela konteks native sebesar 1.048.576 token. Bobot model tersedia di bawah lisensi Apache 2.0 di Hugging Face, ModelScope, dan GitCode, dan model ini juga sudah tersedia di TokenHub milik Tencent Cloud, OpenRouter, serta layanan Tencent sendiri seperti WorkBuddy/CodeBuddy, Yuanbao, dan ima. Tencent memposisikannya sebagai "salah satu versi awal dari iterasi Hy4", dengan klaim resmi bahwa model ini "berada kokoh di kelompok papan atas model open source".
Berdasarkan model card, Hy4 preview adalah model mixture-of-experts (MoE) dengan sparsitas tinggi yang khas: dari 78 layer, hanya 1 yang merupakan layer FFN dense, sementara 77 layer sisanya melalui expert routing — tiap layer memiliki 256 expert yang dirutekan ditambah 1 shared expert, dan setiap token memilih 8 expert yang dirutekan. Lebar hidden layer adalah 6.144 dengan ukuran vocabulary 120.832. Bagian attention menggunakan gated sparse attention dengan IndexCache, mengompresi query ke 2.048 dimensi dan key-value ke 512 dimensi, dipadukan dengan 4 aliran residual iHC. Dari sisi deployment, model ini mendukung vLLM dan SGLang, dengan speculative decoding MTP aktif secara default.
Di Balik Rasio Aktivasi 6,4% Ada Hitung-hitungan Komputasi
49 miliar dibagi 770 miliar menghasilkan rasio aktivasi sekitar 6,4%. Angka ini menjadi kunci untuk memahami skema harga model — total parameter menentukan kebutuhan memori dan biaya loading, sementara parameter yang aktif menentukan beban komputasi riil per token. Tencent melebarkan jarak keduanya lebih dari 15 kali lipat, dan hasilnya adalah daftar harga yang tidak terlalu mahal: 6 yuan (sekitar 0,834 dolar AS) per juta token input, 18 yuan (sekitar 2,501 dolar AS) per juta token output, dan 0,3 yuan untuk cache hit.
Harga ini berada di kelas menengah dalam jajaran open source Tiongkok. GLM-5.3-Flash, yang dirilis pada minggu yang sama, mematok harga input serendah 0,075 dolar AS per juta token — sebelas kali lebih murah dari Hy4 preview — tetapi itu adalah kelas ringan dengan 18 miliar parameter aktif. Hy4 preview membidik tugas yang lebih berat: membaca kode lintas file, menganalisis lintas dokumen. Keduanya tidak berada di jalur yang sama, sehingga membandingkan harga secara langsung tidak terlalu bermakna.
Variabel biaya yang sesungguhnya tersembunyi dalam jendela konteks 1 juta token. Mengisi penuh satu juta token input sekali saja menghabiskan sekitar 6 yuan berdasarkan harga standar, turun menjadi 0,3 yuan jika terjadi cache hit — harga cache hanya seperdua puluh dari harga aslinya. Besaran diskon ini pada dasarnya menyampaikan pesan kepada developer: perlakukan konteks panjang sebagai ruang kerja permanen, jangan kirim ulang setiap kali.
Bagaimana Membaca Selisih 0,07 Poin Itu
Hasil uji buta yang dirilis Tencent: 163 pakar internal menilai 203 tugas rekayasa, dengan Hy4 preview meraih rata-rata 2,99 (dari skala maksimal 4), dibandingkan 2,92 untuk GLM-5.3 dan 2,94 untuk Kimi K3.
Selisih skornya kecil, tetapi distribusi menang-kalah justru lebih informatif. Melawan GLM-5.3, Hy4 preview menang 46,8%, seri 12,8%, dan kalah 40,4%; melawan Kimi K3, menang 51,2%, seri 7,9%, dan kalah 40,9%. Pada kedua pertandingan, tingkat kekalahan berada di kisaran 40% — artinya pada hampir separuh tugas individual, lawannya tampil lebih baik. Ketiga model ini bersaing sangat ketat, tidak ada yang benar-benar unggul.
Ada dua catatan pembatas yang tidak boleh dilewatkan: juri adalah pakar internal Tencent dan kumpulan tugasnya juga dipilih oleh Tencent, sehingga evaluasi buta yang diselenggarakan sendiri semacam ini secara inheren membawa keuntungan "kandang sendiri"; selain itu, dengan sampel 203 tugas, selisih 0,05 hingga 0,07 poin memiliki signifikansi statistik yang cukup terbatas.
Angka-angka dari benchmark publik lebih bisa dibandingkan secara horizontal: 82,9 di SWE-bench Multilingual, 65,7 di SWE-bench Pro, 85,4 di Terminal-Bench 2.1, 92,3 di GPQA Diamond, dan 55,4 di HLE dengan tools. SWE-bench Pro secara konsisten menjadi titik di mana model-model paling banyak kehilangan poin, dan skor 65,7 menempatkannya di kelompok teratas di antara model open source saat ini.
Bertaruh pada Tugas Jangka Panjang
Tencent menyampaikan secara terus terang ke mana arah utama model ini: rekayasa perangkat lunak jangka panjang, analisis perkantoran lintas file, pengembangan game, dan riset ilmiah. Model ini menyediakan dua mode reasoning, high dan no_think — yang pertama untuk skenario yang membutuhkan rantai penalaran panjang, yang kedua untuk menghemat token.
Salah satu contoh yang ditampilkan pihak resmi sebagai showcase adalah masalah Blaschke–Lebesgue tiga dimensi — model ini berhasil mendorong batas bawah volume dari 0,380799 menjadi 0,41104, masih sekitar 2% di bawah nilai 0,41986 dari konjektur tetrahedron Meissner. Contoh semacam ini daya yakinnya terbatas karena merupakan showcase yang dipilih dengan cermat, tetapi arahnya jelas: Tencent ingin Hy4 preview masuk ke dalam alur kerja riset, bukan sekadar berhenti di jendela chat.
Bagi developer di Tiongkok, dampak praktisnya adalah bertambahnya satu pilihan lagi. GLM-5.3, Kimi K3, dan DeepSeek-V4-Pro sudah memadati ruang konteks panjang open source, dan Hy4 preview menyelip masuk berbekal lisensi Apache 2.0 yang longgar ditambah layanan inferensi siap pakai dari Tencent Cloud. Soal lisensi ini terutama penting — tidak sedikit model open source buatan Tiongkok yang menyertakan klausul pembatasan penggunaan komersial, sementara Apache 2.0 berarti perusahaan bisa langsung memodifikasi, men-deploy, dan menjualnya kembali tanpa perlu negosiasi lisensi terpisah.
Versi preview tetaplah versi preview. Tencent belum memberikan linimasa untuk rilis resmi Hy4, dan juga belum menjelaskan seberapa besar perbedaan antara versi preview dan versi resminya nanti.
Sumber: Blog teknis Tencent Hunyuan, model card Hugging Face, IT Home, CocoLoop, DataLearner. Parameter model, metodologi uji buta, dan harga API diverifikasi berdasarkan model card resmi dan halaman harga; konversi harga merupakan estimasi kasar berdasarkan harga standar.