Tencent
Hy3
最大上下文
256K
最大輸出
128K
發布日期
暫無
hy4-previewHy4 preview 是騰訊混元(Tencent Hunyuan)的下一代開源 MoE 旗艦模型,專為編碼、辦公、科學研究、長上下文推理與複雜代理工作流等實際生產力任務而設計。又稱 Tencent Hy4 preview 或 Hunyuan 4 preview,總參數量 770B,每個 token 啟動 49B 參數,並支援超過 1M token 的上下文窗口。模型擅長理解大型程式碼庫與文件、多步規劃、工具使用、除錯、驗證及持續任務執行。
上下文視窗
1M Token
最大輸出
64K Token
發布日期
2026年8月28日
模態
| 輸入價格 | 輸出價格 | 快取讀取 |
|---|---|---|
| $0.8571/M | $2.5714/M | $0.0429/M |
推理
工具呼叫
Temperature 參數
附件
知識庫
Endpoint 協議
Hy4 Preview 在文字型旗艦模型中結合長程工程、生產力與科學推理能力,並提供一百萬 Token 的內容脈絡。
模型能理解、規劃、除錯與驗證長程開發任務,並在多個步驟間維持連續性。
Hy4 Preview 可處理辦公分析、金融模型、跨檔案資訊與結構化專業成果。
模型可針對 AI 研究、分子動力學、凝態物理與數學中的複雜問題進行推理。
Hy4 Preview 適合複雜軟體開發、跨文件辦公分析、遊戲原型製作與技術研究。
分析需求、規劃實作、修改大型程式碼庫、診斷故障,並驗證完成後的解決方案。
彙整分散於不同檔案中的資訊與資料,產生報告、試算表、簡報、金融模型等可分享成果。
分析技術文獻與複雜科學問題、推導解釋、比較方法,並形成研究方向。
import OpenAI from "openai"
const client = new OpenAI({
apiKey: process.env.TOKENHUB_API_KEY,
baseURL: "https://us-api.tokenhub.com/v1",
})
const result = await client.chat.completions.create({})
console.log(result.choices[0]?.message?.content)瞭解騰訊混元 Hy4 Preview 的模型架構、長上下文能力、生產力情境、使用取捨、API 呼叫與模型選擇。
Hy4 Preview 是騰訊混元推出並開源的新一代混合專家旗艦大模型。作為混元 4(騰訊混元 Hy4)的預覽版本,它擁有 7,700 億總參數、每個 token 啟用 490 億參數,並支援超過 1M token 的上下文窗口,主要面向程式設計、辦公、科學研究、複雜推理及智慧代理工作流程。
Hy4 Preview 適合大型程式碼倉庫理解、軟體規劃與除錯、長文件分析、多檔案辦公任務、科學研究、工具呼叫代理,以及需要跨多個步驟持續保留上下文的複雜流程。相較於一次性的簡短問答,它更重視長週期執行與實際生產力情境。
它的主要優勢包括長上下文理解、多步驟規劃、程式設計、工具呼叫、除錯驗證和智慧代理持續執行。稀疏 MoE 架構讓模型在每個 token 只啟用部分參數的同時保有更大的總體容量;開放權重亦方便部署、評測及適配。
Hy4 Preview 是混元 4 的早期預覽版本,並非最終正式版,因此模型行為、供應情況、價格及串接細節都可能調整。生產使用前應對重要流程進行回歸測試、審核工具呼叫、監控過長的推理過程,並準備備用模型。自行部署完整權重亦需要大量運算與儲存資源。
使用 TokenHub 模型目錄中顯示的 Hy4 Preview 模型 ID,並設定 TokenHub 端點與 API Key。訊息、推理選項、串流輸出、工具呼叫和結構化輸出應以目前端點文件為準。若從騰訊混元 API 遷移,需先驗證請求欄位、工具定義及回應解析。
請在 TokenHub 目前模型頁面查看輸入、輸出、快取或按請求計費的價格,以及可用端點。估算成本時應納入實際提示詞長度、預期輸出、推理行為、並行量、工具呼叫及重試率。由於它仍是預覽模型,不應把首發價格或暫時供應狀態視為永久承諾。
若任務需要更長上下文、更強的多步驟執行、大型軟體工程、文件密集型辦公或科學研究,可優先評估騰訊混元 Hy4 Preview。若現有生產流程已依賴 Hy3 的穩定行為、延遲或串接協議,繼續使用 Hy3 可能較穩妥。遷移前應以相同的代表性任務測試兩個模型。
透過一個 API Key 接入 Hy4 preview 與更多 AI 模型。
Hy4 Preview 媒體內容與示範
精選騰訊混元 Hy4 Preview 的公開發布內容、技術講解、部署測試與社群討論。
X (Twitter)
Tencent Hy ·
🚀 Hy4 preview is here. 770B, 49B active, 1M context. Built for productivity. Open source frontier. Consistent affordable price. Use it. Tell us what breaks. More on Hy blog:https://hy.tencent.ai/research/hy4-preview HuggingFace:https://huggingface.co/tencent/Hy4-preview Github:https://github.com/Tencent-Hunyuan/Hy4-preview https://t.co/4iW6gSuZKr
https://pbs.twimg.com/media/HQyfABta8AAq3x7.jpg查看原文Tencent AI ·
Introducing Hy4 preview ◆ Open weights: 770B MoE, 49B active, 1M context ◆ Built for real work: code, docs and analysis, scientific research ◆ Hy4 preview helped optimize its own training pipeline, kernels included ◆ We ship upgrades, not price hikes Free in @WorkBuddy_AI https://t.co/sCb2eYj6Vq
https://pbs.twimg.com/media/HQyn5vtaoAAGLLB.jpg查看原文Tencent Hy ·
We compressed Hy4-preview from 1.5TB to ~200GiB GGUF and it still works well ! Meet MIX-STQ1_0.The trick isn’t just going low, it’s deciding where: calibration data picks each layer’s bit-width, some down to 1.31-bit STQ1_0, some up to 2.06-bit IQ2_XXS. Same budget, lower https://t.co/xK8d3BH5br
https://pbs.twimg.com/media/HQ3cZjubEAAYzkS.jpghttps://pbs.twimg.com/media/HQ3cZjsa4AAgvNH.png查看原文Reddit
Tencent/Hy4-preview 770B-A49B weight dropped
Beamsters ·
查看原文Tencent AI "Introducing Hy4 preview ◆ Open weights: 770B MoE, 49B active, 1M context ◆ Built for real work: code, docs and analysis, scientific research ◆ Hy4 preview helped optimize its own training pipeline, kernels included" ➡️ new model for you? :P
Koala_Confused ·
查看原文Tencent Hy4 Preview is live in Command Code.
maedahbatool ·
Tencent Hy4 Preview is live in Command Code 🐐 770B mode, 49B active, 1M context. `cmd update` available in GOAT and above plans. Our early internal benchmarks show strong perf yet cheaper per task compared to GLM 5.3 Flash. Y'all share how it goes.
查看原文YouTube
Hy4 Preview: Tencent’s 780B Open Agent Model Is Here
RepoChad
查看原文Hy4 Preview: Built for Productivity and Beats GLM 5.3, DeepSeek, Opus
Fahd Mirza
查看原文Tencent Hy4 Preview: 770B Parameters, 49B Active, a 200-GiB GGUF, and Day-Zero vLLM
AI tech
查看原文