⏱️ Lectura: 12 min
Tencent acaba de abrir el código de Hy4 preview, su modelo de lenguaje más grande hasta la fecha: 770.000 millones de parámetros totales, pero solo 49.000 millones activos por inferencia gracias a una arquitectura mixture-of-experts. La ventana de contexto supera el millón de tokens, y en una evaluación ciega con 163 expertos humanos el modelo superó a GLM-5.3 y Kimi K3 en tareas reales de ingeniería.
📑 En este artículo
El lanzamiento no es solo un anuncio de rendimiento. Tencent afirma que Hy4 preview participó en su propio desarrollo, optimizando de forma autónoma parte de su pipeline de entrenamiento y su propio motor de inferencia. Por dos semanas, además, el acceso vía WorkBuddy y CodeBuddy es gratuito.
TL;DR
- Tencent liberó Hy4 preview: 770.000 millones de parámetros totales, 49.000 millones activos (MoE) y contexto de más de un millón de tokens.
- Evaluación ciega con 163 expertos y 203 tareas: Hy4 preview promedió 2,99/4,00 frente a 2,92 (GLM-5.3) y 2,94 (Kimi K3).
- Gratis por dos semanas en WorkBuddy y CodeBuddy; el acceso gratuito a Hy3 se extendió hasta el 30 de septiembre.
- API vía Tencent Cloud TokenHub y OpenRouter: 0,834 USD por millón de tokens de entrada, 2,501 USD de salida y 0,042 USD por tokens de caché.
- El modelo propuso y probó cambios en su propio entrenamiento, datos y evaluación: un ciclo de auto-mejora incipiente.
- Optimizó de forma autónoma su motor de inferencia y elevó el rendimiento end-to-end un 31,8% frente a la línea base.
- También llega a Yuanbao e ima, con mejoras en desarrollo de juegos, análisis financiero e investigación científica.
Qué pasó
El equipo Hunyuan de Tencent publicó y liberó los pesos de Hy4 preview, un modelo diseñado para tareas de productividad real: programación, trabajo de oficina e investigación científica. El modelo ya está integrado en WorkBuddy y CodeBuddy, los asistentes de desarrollo de Tencent, y también en Yuanbao e ima, sus apps de consumo.
Para quien prefiera integrarlo directo en su propio código, Tencent ofrece acceso por API a través de Tencent Cloud TokenHub y de OpenRouter. Al momento del lanzamiento, el uso en WorkBuddy y CodeBuddy es gratuito durante dos semanas, y el acceso gratuito a Hy3, el modelo anterior de la familia, se extendió hasta el 30 de septiembre.
Contexto e historia
Hy4 preview llega apenas semanas después de que Tencent presentara oficialmente Hy3, la versión anterior de la familia Hunyuan, enfocada en capacidades de agentes y una integración más profunda con sus productos. La estrategia de Tencent es lanzar primero una versión «preview», recoger uso real, y después publicar una versión oficial: es lo que ya pasó con Hy3 y lo que la propia compañía anticipa que volverá a pasar con el resto de la serie Hy4.
Ese patrón de preview primero y versión oficial después ubica a Hy4 preview dentro de una carrera más amplia entre laboratorios chinos por liderar la frontera de los modelos de pesos abiertos: Moonshot AI con Kimi K3 y Z.ai con GLM-5.3 son justamente los dos rivales contra los que Tencent compara a Hy4 preview en su propio anuncio. Los tres proyectos comparten un objetivo similar, ofrecer capacidades cercanas a los modelos cerrados de OpenAI o Anthropic, pero con pesos que cualquiera puede descargar, auditar o adaptar.
Detalles técnicos y rendimiento de Hy4 preview
La cifra que más llama la atención de Hy4 preview es la relación entre parámetros totales y parámetros activos. De los 770.000 millones de parámetros del modelo, solo 49.000 millones se activan para procesar cada token: el resto queda dormido en cada pasada gracias al enrutamiento propio de una arquitectura mixture-of-experts (MoE). Esa dispersión es lo que permite entrenar y servir un modelo de esa escala sin que el costo de cómputo por token crezca al mismo ritmo que el tamaño total.
La ventana de contexto supera el millón de tokens, suficiente para cargar una base de código completa o varios documentos largos en una sola conversación sin recurrir a resúmenes intermedios.
Para medir la calidad del modelo en tareas reales, y no solo en benchmarks académicos, Tencent organizó una evaluación ciega interna con 163 expertos humanos que calificaron 203 tareas de ingeniería. Hy4 preview promedió 2,99 sobre 4,00, apenas por delante de Kimi K3 (2,94) y GLM-5.3 (2,92):
| Modelo | Puntaje evaluación interna (163 expertos, 203 tareas) | Pesos |
|---|---|---|
| Hy4 preview (Tencent) | 2,99 / 4,00 | Abiertos |
| Kimi K3 (Moonshot AI) | 2,94 / 4,00 | Abiertos |
| GLM-5.3 (Z.ai) | 2,92 / 4,00 | Abiertos |
⚠️ Ojo: que solo 49.000 millones de parámetros estén activos por inferencia no significa que el modelo pese poco: los 770.000 millones de parámetros totales igual hay que guardarlos en disco y repartirlos entre GPUs para servirlo localmente. Para la mayoría de los equipos, la vía práctica es la API, no el self-hosting.
Lo más inusual del anuncio de Tencent es otra cosa: según la compañía, Hy4 preview participó en su propio proceso de desarrollo. El modelo intervino, por primera vez, en la optimización automatizada de métodos de entrenamiento, estrategias de datos, marcos de evaluación y operadores de bajo nivel. Propuso enfoques, corrió experimentos e iteró según los resultados, y ese código, esos registros y esa retroalimentación alimentaron las siguientes rondas de exploración: lo que Tencent describe como un ciclo temprano de auto-mejora recursiva.
flowchart TD
A["Hy4 preview analiza su propio pipeline"] --> B["Propone cambios en datos y entrenamiento"]
B --> C["Ejecuta experimentos y genera código"]
C --> D["Evalúa resultados con sus propios frameworks"]
D --> E["Alimenta hallazgos a la siguiente ronda"]
E --> A💭 Clave: Tencent dice que Hy4 preview participó en su propio desarrollo: propuso cambios de entrenamiento, corrió los experimentos y usó los resultados para la siguiente ronda. Es un ciclo de auto-mejora incipiente, no un modelo que se reescribe solo sin supervisión.
Ese mismo proceso autónomo se aplicó al motor de inferencia: Hy4 preview analizó los cuellos de botella de su propio sistema de servicio y ejecutó varias rondas de optimización en áreas como la fusión de operadores y la optimización de comunicación. El resultado, según Tencent, fue un aumento del 31,8% en el rendimiento end-to-end frente a la línea base, con ganancias consistentes en distintas longitudes de contexto y niveles de concurrencia.
Cómo empezar a probarlo
La forma más rápida de probar Hy4 preview sin instalar nada es a través de WorkBuddy, CodeBuddy, Yuanbao o ima. Para integrarlo en tu propio código, la ruta más simple es la API compatible con el formato de OpenAI, disponible tanto en Tencent Cloud TokenHub como en OpenRouter. El siguiente ejemplo funciona igual en macOS, Linux y Windows (en Windows, usá curl.exe desde PowerShell o CMD, incluido desde Windows 10):
curl https://openrouter.ai/api/v1/chat/completions \
-H "Authorization: Bearer $OPENROUTER_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "tencent/hunyuan-hy4-preview",
"messages": [
{ "role": "user", "content": "Explica que es un modelo mixture-of-experts en dos frases." }
]
}'Esa llamada mínima alcanza para confirmar que tenés acceso y que el modelo responde. Para un caso más realista, como pedirle que revise un diff antes de un merge, el cliente de Python de OpenAI funciona sin cambios apuntando al endpoint de Tencent Cloud:
from openai import OpenAI
client = OpenAI(
api_key="TU_TOKEN_DE_TENCENT_CLOUD",
base_url="https://api.hunyuan.cloud.tencent.com/v1",
)
response = client.chat.completions.create(
model="hunyuan-hy4-preview",
messages=[
{"role": "system", "content": "Sos un asistente que revisa pull requests."},
{"role": "user", "content": "Revisa este diff y señala posibles bugs:\n\n" + diff_text},
],
max_tokens=2048,
)
print(response.choices[0].message.content)Para confirmar que la respuesta viene realmente de Hy4 preview y no de otro modelo del catálogo, revisá el campo model del JSON de respuesta: debe devolver el mismo identificador que pediste. También podés listar el catálogo completo con curl https://openrouter.ai/api/v1/models y buscar «hunyuan» en el resultado, porque los proveedores a veces ajustan el slug exacto de los modelos que están en preview.
Impacto y análisis
El dato que más pesa para un equipo de desarrollo no es el conteo de parámetros, sino el precio: 0,834 USD por millón de tokens de entrada y 2,501 USD por millón de salida ubican a Hy4 preview en un rango competitivo frente a otros modelos abiertos de su clase, con un descuento adicional a 0,042 USD por millón de tokens que aciertan en caché.
La comparación contra GLM-5.3 y Kimi K3 conviene leerla con matices: la evaluación de 2,99 contra 2,94 y 2,92 sobre 4,00 la hizo Tencent con su propio panel de 163 expertos, no un tercero independiente. La diferencia entre los tres modelos es además pequeña: menos de una décima separa al primero del tercero. Eso no invalida el resultado, pero sí sugiere que hoy los tres modelos compiten en la misma liga, más que uno dominando claramente a los otros dos.
Donde Hy4 preview sí se distingue con claridad es en las tareas concretas que Tencent optimizó de la mano de sus propios productos: comprensión y depuración de proyectos con contexto largo, mejor calidad visual e interacción en desarrollo frontend, análisis financiero y de datos, generación de prototipos jugables desde una sola instrucción en lenguaje natural, y razonamiento en dominios científicos como dinámica molecular y física de la materia condensada.
Qué sigue
Tencent adelantó que el próximo lote de modelos de la serie Hy4 saldrá pronto, siguiendo el mismo patrón de preview primero y versión oficial después que ya usó con Hy3. Mientras tanto, el reloj corre para dos ventanas de acceso gratuito: las dos semanas de WorkBuddy y CodeBuddy para Hy4 preview, y el 30 de septiembre como fecha límite para el acceso gratuito a Hy3 en las mismas plataformas.
📖 Resumen en Telegram: Ver resumen
Probalo vos: pedí una API key en Tencent Cloud TokenHub o en OpenRouter y mandale a Hy4 preview un diff real de tu proyecto para ver cómo lo revisa.
Preguntas frecuentes
¿Qué significa que Hy4 preview sea open source?
Que Tencent publicó los pesos del modelo, no solo el acceso por API. Eso permite descargarlo, inspeccionarlo y ejecutarlo en infraestructura propia, algo que los modelos cerrados de OpenAI o Anthropic no ofrecen.
¿Cuánto cuesta usar Hy4 preview por API?
0,834 USD por millón de tokens de entrada, 2,501 USD por millón de tokens de salida y 0,042 USD por millón de tokens que aciertan en caché, según la tarifa publicada por Tencent.
¿Es gratis probarlo?
Sí, en WorkBuddy y CodeBuddy es gratuito durante las primeras dos semanas tras el lanzamiento. El acceso gratuito a Hy3, el modelo anterior, sigue disponible en ambas plataformas hasta el 30 de septiembre.
¿En qué se diferencia de GLM-5.3 y Kimi K3?
Los tres son modelos de pesos abiertos de laboratorios chinos y compiten en la misma franja de rendimiento. En la evaluación interna de Tencent, Hy4 preview sacó una ligera ventaja (2,99 contra 2,94 y 2,92 sobre 4,00), pero la diferencia es pequeña y la midió el propio fabricante.
¿Necesito hardware propio para correrlo?
No hace falta: la vía más simple es la API vía Tencent Cloud TokenHub u OpenRouter. Si preferís correrlo localmente, tené en cuenta que los 770.000 millones de parámetros totales hay que almacenarlos y repartirlos entre GPUs, aunque solo 49.000 millones se activen por inferencia.
¿Qué es el ciclo de auto-mejora del que habla Tencent?
Es el proceso en el que Hy4 preview participó en la optimización de su propio entrenamiento y de su motor de inferencia: propuso cambios, corrió experimentos y usó los resultados para la siguiente ronda, lo que Tencent reporta como una mejora del 31,8% en el rendimiento end-to-end de inferencia.
Referencias
- Tencent: anuncio oficial de la apertura de Hy4 preview, con las cifras de parámetros, la evaluación ciega y los precios de la API.
- GitHub: Tencent Hunyuan: organización oficial donde el equipo Hunyuan publica pesos y código de sus modelos.
- OpenRouter: catálogo de modelos donde se puede consultar el identificador exacto de Hy4 preview y comparar precios entre proveedores.
- Wikipedia: Mixture of experts: explicación de la arquitectura que permite activar solo una fracción de los parámetros por inferencia.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Imagen destacada: Foto de Kevin Ache en Unsplash
0 Comentarios