Hy4 preview transforme une comparaison de modèles ouverts en une décision de déploiement. La page de recherche Hy officielle de Tencent est datée du 28 août 2026, et la fiche du modèle présente Hy4 preview comme un grand modèle de type Mixture-of-Experts à poids ouverts, avec un parcours documenté via vLLM ou SGLang. Cela rend la publication pertinente pour les décideurs qui peuvent évaluer la capacité de déploiement, pas seulement la qualité de sortie. Il s’agit encore d’une preview, donc la question utile est de savoir si elle convient à une charge de travail mesurée.
Les détails confirmés de la fiche du modèle sont inhabituellement précis. Hy4 preview a 770B paramètres au total et 49B activés par jeton. Son architecture centrale a 78 couches, 256 experts routés plus 1 expert partagé, avec les experts routés top-8 et l’expert partagé utilisés pour chaque jeton. Il inclut une couche MTP native avec 10B au total et 0.7B paramètres activés pour le décodage spéculatif. Tencent décrit son attention comme Gated DeepSeek Sparse Attention avec IndexCache et iHC. La longueur de contexte est 1M, et la taille du vocabulaire est 120832.
La publication fournit aussi un chemin d’exploitation. La fiche du modèle affiche un badge Apache License 2.0, des liens vers Hugging Face, ModelScope, GitCode et CNB, et inclut une variante FP8. Tencent recommande vLLM ou SGLang. L’exemple vLLM utilise tencent/Hy4-preview-FP8, --tensor-parallel-size 8, le décodage spéculatif MTP, un backend d’attention parcimonieuse, --tool-call-parser hy_v4, --reasoning-parser hy_v4 et --enable-auto-tool-choice ; l’exemple SGLang utilise --tp-size 8. Ces instructions ne garantissent pas un déploiement facile.
Tencent indique avoir co-conçu Hy4 pour le génie logiciel, le travail de bureau et l’analyse, le développement de jeux et la recherche scientifique. Elle rapporte une évaluation en aveugle côte à côte par 163 experts internes sur 203 tâches d’ingénierie : Hy4 preview a obtenu 2.99 en moyenne contre 2.92 pour GLM 5.3, avec 46.8% de victoires, 12.8% d’égalités et 40.4% de défaites. Face à Kimi K3, Tencent rapporte 2.94, avec 51.2% de victoires, 7.9% d’égalités et 40.9% de défaites. Ces chiffres sont des résultats internes de Tencent, pas des évaluations comparatives indépendantes.
Ce qui n’est pas prouvé, c’est un classement général. Les preuves fournies n’établissent pas de résultats d’évaluations comparatives indépendantes, de latence, d’usage mémoire, de débit, de coût ou de qualité au-delà de ces 203 tâches. Les détails de la publication ne prouvent pas non plus un déploiement sur ordinateur portable, une configuration matérielle précise, un prix ou une disponibilité. Le badge Apache License 2.0 est une étiquette documentée sur la fiche du modèle ; ce n’est pas ici une base pour des conclusions juridiques supplémentaires.
Cela change le choix parce que le comportement du modèle et la charge d’exploitation arrivent ensemble. Le contexte 1M, la conception MoE, la variante FP8 et le MTP natif peuvent justifier un essai là où un long contexte ou un déploiement contrôlé compte. En même temps, 770B paramètres au total et des exemples utilisant un parallélisme de tenseurs de taille 8 font de la capacité et de la complexité d’exécution une partie de la décision. C’est une inférence à partir de la configuration publiée, pas une affirmation de performance. Traitez les poids ouverts comme un candidat à exploiter, pas comme une capacité sans friction.
La vérification doit être reproductible. Épinglez le modèle et la révision, suivez un chemin vLLM ou SGLang documenté, et exécutez des tâches fixes de code et d’analyse. Comparez qualité, latence, mémoire, débit et effort d’exploitation à un modèle existant, en conservant les cas d’échec et la configuration exacte de déploiement. Incluez des tâches de raisonnement complexe plutôt que de ne garder que les exemples favorables. Tencent qualifie Hy4 de version précoce et note qu’il peut prendre plus de temps que nécessaire sur le raisonnement complexe et tend à trop vérifier son travail. Surveillez les futures révisions de fiche du modèle ou de déploiement et les tests indépendants, mais n’assumez aucune amélioration tant qu’elle n’est pas documentée. Pour l’instant, Hy4 preview est un candidat dont le choix de modèle ne peut pas être séparé de son chemin de déploiement.