Tencent ha lanzado una vista previa de Hy4 de código abierto, un nuevo modelo emblemático de lenguaje grande de su equipo de Hunyuan que la compañía está posicionando en la frontera del código abierto. Los pesos llegaron a Hugging Face, ModelScope, GitCode y CNB el 28 de agosto bajo la permisiva licencia Apache 2.0, junto con una variante cuantificada del FP8 para una inferencia más económica.
El lanzamiento intensifica la competencia entre los laboratorios chinos que envían modelos fronterizos de peso abierto, un campo que actualmente incluye la serie GLM de Z.AI y los modelos Kimi de Moonshot AI. Bloomberg informó que Tencent afirma que el nuevo modelo supera a ambos rivales en las pruebas internas, una afirmación que, como todas las evaluaciones realizadas por proveedores, merece escrutinio. Para más contexto sobre esta historia, consulta nuestra noticias de IA.
Los números de los titulares
La vista previa de Hy4 es un modelo de mezcla de expertos (MoE) con 770 mil millones de parámetros totales, de los cuales 49 mil millones se activan por token. Según el modelo de tarjeta oficial publicado en el repositorio GitHub de Tencent-Hunyuan, la columna vertebral tiene 78 capas, 256 expertos enrutados más un experto compartido y activa los 8 expertos enrutados principales para cada token. Una capa nativa de predicción de múltiples tokens (MTP) (10 mil millones de parámetros totales, 700 millones activados) está integrada para la decodificación especulativa.
La ventana de contexto es la otra especificación principal: 1 millón de tokens, una longitud que permite al modelo procesar bases de código completas, documentos legales extensos o transcripciones de reuniones de una hora de duración en una sola pasada.
Arquitectura tomada prestada de rivales y construida sobre ella
En un grado inusual de franqueza para un lanzamiento emblemático, la documentación de Tencent afirma que el módulo de atención fue "inspirado en DeepSeek y GLM". La vista previa de Hy4 utiliza Gated DeepSeek Sparse Attention (Gated DSA) combinado con IndexCache para la reutilización de índices dispersos entre capas, mientras que la ruta residual emplea Hyper-Connections de identidad (iHC) para expandir el flujo de información entre capas.
La apertura es importante para los desarrolladores que evalúan el modelo: la escasa atención es lo que hace que un contexto de 1 millón de tokens sea económicamente útil, ya que una atención total e ingenua a esa longitud se vuelve prohibitivamente costosa. Tanto DeepSeek como Z.AI han enviado variantes de este diseño en sus propios modelos emblemáticos.
Creado para la productividad, ajustado con expertos internos
Tencent dice que se asoció con expertos dentro de la empresa (ingenieros de software, desarrolladores de juegos, analistas financieros y expertos en seguridad) y creó datos de capacitación en torno al trabajo que realmente realizan. La tarjeta modelo destaca cuatro áreas de enfoque:
- Ingeniería de software: planificación, depuración y verificación mejoradas en tareas de desarrollo a largo plazo, además de mejoras en el "gusto visual" del front-end.
- Oficina y análisis: convertir un contexto desordenado de múltiples archivos en documentos, hojas de cálculo y presentaciones que se pueden compartir, con un mejor manejo de ecuaciones y modelos financieros.
- Desarrollo de juegos: generar prototipos jugables a partir de un único mensaje y trabajar con fluidez con los motores del juego en múltiples turnos de refinamiento.
- Investigación científica: avances reclamados en la investigación de IA, dinámica molecular, física de la materia condensada y problemas de matemáticas puras.
Tencent también dice que la vista previa de Hy4 fue codiseñada con sus propios productos, CodeBuddy y WorkBuddy, para que las ganancias del modelo se traduzcan en mejoras del producto.
Lo que muestran los propios puntos de referencia de Tencent
La comparación más concreta en los materiales de lanzamiento es una evaluación ciega lado a lado que Tencent realizó con 163 expertos internos calificando los resultados de 203 tareas de ingeniería. En esas pruebas, la vista previa de Hy4 obtuvo un promedio de 2,99, ligeramente por delante del 2,92 de GLM 5.3 (46,8 por ciento de victorias, 12,8 por ciento de empates, 40,4 por ciento de derrotas) y el 2,94 de Kimi K3 (51,2 por ciento de victorias, 7,9 por ciento de empates, 40,9 por ciento de derrotas).
Vale la pena hacer dos advertencias claramente. En primer lugar, se trata de evaluaciones internas de Tencent, no de puntos de referencia independientes; la compañía aún no ha publicado resultados verificados por terceros en las tablas de clasificación públicas. En segundo lugar, los márgenes son estrechos: una brecha de 0,05 a 0,07 puntos en una escala subjetiva de calificación de expertos está dentro del rango que diferentes grupos de calificación podrían cambiar fácilmente.
La verificación independiente provendrá de agregaciones públicas a medida que la comunidad ejecute el modelo a través de codificación, razonamiento y conjuntos de agentes estandarizados en las próximas semanas.
Envío anticipado, con errores conocidos
Tencent es explícito en que se trata de un adelanto. La tarjeta modelo enumera limitaciones conocidas, incluyendo pasar más tiempo del necesario razonando a través de tareas complejas y una tendencia a verificar excesivamente su propio trabajo. El equipo dice que "preferiría realizar envíos temprano y escuchar qué falla", citando el enfoque que mejoró su generación Hy3.
Para la implementación, los pesos están disponibles tanto en BF16 como en FP8, con soporte desde el primer día en vLLM y SGLang. Tencent publica imágenes de Docker prediseñadas para ambos, con recetas que recomiendan el paralelismo tensorial en 8 GPU y la decodificación especulativa basada en MTP para servicios sensibles a la latencia. Junto con el modelo se incluyen un proceso de ajuste y el kit de herramientas de cuantificación AngelSlim.
Por qué es importante
La carrera de peso abierto en China se ha convertido en una guerra de dos frentes entre la serie GLM de Z.AI y los modelos Kimi de Moonshot, con DeepSeek, Qwen y ahora una entrada mucho más grande de Hunyuan abarrotando el campo. La combinación de la vista previa de Hy4 de licencia Apache 2.0, una escala de parámetros de 770B y un contexto de token de 1M eleva el límite de lo que cualquiera puede descargar y autohospedar, y el soporte de vLLM y SGLang desde el primer día reduce la barrera para ejecutarlo.
Para las empresas que comparan los modelos abiertos con las API cerradas occidentales, la pregunta práctica ya no es si un modelo abierto puede igualar el rendimiento cerrado en papel, sino si las herramientas circundantes (cuantización, servicio, ajuste) son lo suficientemente maduras. Tencent apuesta a que enviarlo todo de una vez, bajo una licencia permisiva, es la forma en que Hunyuan vuelve a la conversación.
Si las afirmaciones de los puntos de referencia internos se mantienen bajo pruebas independientes determinará si la vista previa de Hy4 se recuerda como una versión genuina de código abierto de vanguardia u otro punto de referencia de un proveedor en un campo abarrotado. Las pesas ya son públicas, por lo que el veredicto de la comunidad no debería tardar mucho.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
