Die Hy4-Preview macht aus einem Vergleich offener Modelle eine Entscheidung über die Bereitstellung. Tencents offizielle Forschungsseite zu Hy ist auf den 28. August 2026 datiert, und die Modellkarte stellt Hy4 preview als großes Modell mit offenen Gewichten und einer Mixture-of-Experts-Architektur mit einem dokumentierten Weg über vLLM oder SGLang dar. Damit ist die Veröffentlichung für diejenigen relevant, die Modelle auswählen und die Kapazität für deren Bereitstellung bewerten können, nicht nur die Ausgabequalität. Es handelt sich weiterhin um eine Vorschauversion, die entscheidende Frage ist also, ob sie zu einer gemessenen Arbeitslast passt.
Bestätigte Details der Modellkarte sind ungewöhnlich konkret. Hy4 preview hat insgesamt 770B Parameter und 49B pro Token aktivierte Parameter. Das Grundmodell hat 78 Schichten, 256 geroutete Experten plus 1 gemeinsamen Experten, wobei pro Token top-8 geroutete Experten plus der gemeinsame Experte verwendet werden. Es enthält eine native MTP-Schicht mit insgesamt 10B und 0.7B aktivierten Parametern für spekulative Dekodierung. Tencent beschreibt seinen Aufmerksamkeitsmechanismus als Gated DeepSeek Sparse Attention mit IndexCache und iHC. Die Kontextlänge beträgt 1M, die Vokabulargröße 120832.
Die Veröffentlichung liefert auch einen Weg zur Inbetriebnahme. Die Modellkarte zeigt ein Kennzeichen für Apache License 2.0, verlinkt auf Hugging Face, ModelScope, GitCode und CNB und enthält eine FP8-Variante. Tencent empfiehlt vLLM oder SGLang. Das vLLM-Beispiel nutzt tencent/Hy4-preview-FP8, --tensor-parallel-size 8, spekulative MTP-Dekodierung, ein Backend für dünn besetzte Aufmerksamkeit, --tool-call-parser hy_v4, --reasoning-parser hy_v4 und --enable-auto-tool-choice; das SGLang-Beispiel nutzt --tp-size 8. Diese Anweisungen garantieren keine einfache Bereitstellung.
Tencent sagt, Hy4 sei für Softwareentwicklung, Büroarbeit und Analyse, Spieleentwicklung sowie wissenschaftliche Forschung mitentwickelt. Es berichtet eine blinde Vergleichsbewertung durch 163 interne Experten zu 203 Entwicklungsaufgaben: Hy4 preview erzielte im Schnitt 2.99 gegenüber 2.92 für GLM 5.3, mit 46.8% Siegen, 12.8% Unentschieden und 40.4% Niederlagen. Gegen Kimi K3 berichtet Tencent 2.94, mit 51.2% Siegen, 7.9% Unentschieden und 40.9% Niederlagen. Diese Zahlen sind Tencents interne Ergebnisse, keine unabhängigen Benchmarks.
Nicht bewiesen ist ein allgemeines Ranking. Die vorliegenden Informationen liefern keinen Nachweis für unabhängige Benchmark-Ergebnisse, Latenz, Speicherverbrauch, Durchsatz, Kosten oder Qualität jenseits dieser 203 Aufgaben. Die Veröffentlichungsdetails beweisen auch keinen Einsatz auf Laptops, keine bestimmte Hardwarekonfiguration, keinen Preis und keine Verfügbarkeit. Das Kennzeichen für Apache License 2.0 ist eine dokumentierte Bezeichnung in der Modellkarte; es ist hier keine Grundlage für zusätzliche rechtliche Schlussfolgerungen.
Das ändert die Wahl, weil Modellverhalten und Betriebsaufwand jetzt zusammenkommen. Der 1M-Kontext, das MoE-Design, die FP8-Variante und natives MTP können einen Versuch rechtfertigen, wenn langer Kontext oder kontrollierte Bereitstellung zählt. Gleichzeitig machen insgesamt 770B Parameter und Beispiele mit einer Tensor-Parallel-Größe von 8 Kapazität und Laufzeitkomplexität zu einem Teil der Entscheidung. Das ist eine Schlussfolgerung aus der veröffentlichten Konfiguration, keine Leistungsbehauptung. Behandeln Sie Modelle mit offenen Gewichten als Kandidaten für den Betrieb, nicht als reibungslose Fähigkeit.
Die Prüfung sollte reproduzierbar sein. Legen Sie Modell und Revision fest, folgen Sie einem dokumentierten vLLM- oder SGLang-Weg und führen Sie feste Programmier- und Analyseaufgaben aus. Vergleichen Sie Qualität, Latenz, Speicher, Durchsatz und Betriebsaufwand mit einem bestehenden Modell und bewahren Sie Fehlerfälle sowie die genaue Bereitstellungskonfiguration auf. Beziehen Sie komplexe Aufgaben zum Schlussfolgern ein, statt nur günstige Beispiele zu behalten. Tencent nennt Hy4 eine frühe Version und merkt an, dass es bei komplexem Schlussfolgern länger als nötig dauern kann und dazu neigt, die eigene Arbeit zu überprüfen. Beobachten Sie künftige Revisionen der Modellkarte oder des Bereitstellungswegs sowie unabhängige Tests, aber nehmen Sie keine Verbesserung an, bis sie dokumentiert ist. Vorerst ist Hy4 preview ein Kandidat, dessen Modellauswahl sich nicht vom Bereitstellungsweg trennen lässt.