Tencent ha pubblicato a fine agosto Hy4 preview, una nuova generazione della famiglia Hunyuan sviluppata per attività di coding, produttività, analisi e ricerca scientifica. Il modello utilizza un’architettura Mixture-of-Experts e porta la piattaforma cinese su una scala sensibilmente superiore rispetto alla precedente generazione, in una fase in cui la competizione tra i principali sviluppatori di modelli linguistici procede con cicli di aggiornamento sempre più ravvicinati.
La società distribuisce pubblicamente i pesi di Hy4 preview e della variante FP8 attraverso Hugging Face e altri repository, utilizzando una licenza Apache 2.0. Tencent definisce il modello open source.
In termini più rigorosi, Hy4 può essere descritto anche come modello a pesi aperti, perché la disponibilità dei parametri e del software necessario all’esecuzione non implica la pubblicazione integrale dei dati di addestramento e dell’intera pipeline utilizzata per costruirlo.
Indice degli argomenti:
Un backbone da 770 miliardi di parametri
La dimensione del modello richiede una precisazione tecnica. La documentazione ufficiale attribuisce al backbone di Hy4 preview 770 miliardi di parametri complessivi, dei quali circa 49 miliardi vengono attivati per ciascun token. A questa struttura Tencent affianca un layer nativo MTP, Multi-Token Prediction, da ulteriori 10 miliardi di parametri, circa 0,7 miliardi dei quali attivati. Il componente viene utilizzato per lo speculative decoding, una tecnica pensata per accelerare la generazione.
Il backbone è formato da 78 livelli. Il primo utilizza una struttura feed-forward densa, mentre i successivi 77 adottano il modello Mixture-of-Experts. Ogni livello MoE dispone di 256 esperti instradabili e di un esperto condiviso. Per ogni token vengono selezionati otto esperti, oltre a quello condiviso.
Questa architettura permette di aumentare notevolmente la capacità complessiva della rete senza utilizzare tutti i parametri durante ogni passaggio di inferenza. Non significa però che Hy4 sia un modello leggero. I pesi devono comunque essere conservati e distribuiti sull’infrastruttura, per cui l’esecuzione locale richiede sistemi hardware di fascia elevata.
Oltre un milione di token di contesto
Uno degli elementi centrali di Hy4 preview è la finestra di contesto dichiarata superiore a un milione di token. Una capacità di questa scala permette teoricamente di elaborare grandi repository software, raccolte di documenti o sessioni di lavoro particolarmente estese senza frammentare continuamente le informazioni in richieste separate.
Tencent ha sviluppato il modello con particolare attenzione ai compiti di lunga durata. La documentazione cita comprensione, pianificazione, debugging e verifica nel software engineering, insieme all’analisi di dati e documenti, alla produzione di fogli di calcolo e presentazioni e ad applicazioni nella ricerca scientifica.
La dimensione della finestra di contesto non deve comunque essere confusa con la capacità effettiva di sfruttare ogni informazione presente al suo interno. Un modello può accettare centinaia di migliaia di token senza necessariamente mantenere la stessa precisione nel recuperare e collegare dettagli molto distanti. Anche Hy4 dovrà quindi essere sottoposto a valutazioni indipendenti specifiche sul long context.
I benchmark interni richiedono cautela
Per misurare il comportamento nelle applicazioni reali, Tencent riferisce di aver organizzato una valutazione cieca interna coinvolgendo 163 esperti e 203 attività ingegneristiche. Hy4 preview ha ottenuto una valutazione media di 2,99 punti su 4, rispetto a 2,92 per GLM-5.3 e 2,94 per Kimi K3.
Il confronto è interessante perché riguarda attività selezionate per rappresentare scenari produttivi, ma non costituisce una dimostrazione indipendente della superiorità del modello. Il test è stato progettato e condotto dalla stessa Tencent e le differenze riportate sono relativamente contenute. Per valutare con maggiore precisione il posizionamento di Hy4 saranno necessari benchmark esterni condotti con metodologie uniformi e riproducibili.
La stessa distinzione vale per le prestazioni dichiarate nelle applicazioni scientifiche e di produttività. I dati aziendali offrono una prima fotografia del modello, ma non possono sostituire verifiche condotte da laboratori, sviluppatori e gruppi di ricerca indipendenti.
Quando il modello contribuisce al proprio sviluppo
Tencent attribuisce particolare rilievo a un altro aspetto della progettazione. Secondo l’azienda, Hy4 preview è stato utilizzato durante lo sviluppo per contribuire all’ottimizzazione dei metodi di training, delle strategie sui dati, dei sistemi di valutazione e di alcuni operatori software a basso livello. Il modello avrebbe proposto soluzioni, eseguito esperimenti e utilizzato codice, log e feedback ottenuti per alimentare iterazioni successive.
Tencent descrive questo processo come una prima forma di ciclo ricorsivo di miglioramento. La formula non deve essere interpretata come la dimostrazione di un sistema capace di modificarsi autonomamente e senza controllo. Il quadro descritto è più concreto. Un modello AI viene impiegato come strumento all’interno della pipeline ingegneristica attraverso cui ricercatori e sviluppatori costruiscono e ottimizzano sistemi successivi.
Lo stesso principio è stato applicato all’infrastruttura di inferenza. Tencent afferma che Hy4 abbia individuato colli di bottiglia e contribuito a ottimizzare componenti relativi alla fusione degli operatori e alla comunicazione tra dispositivi.
Secondo i test interni dell’azienda, queste modifiche avrebbero aumentato del 31,8 per cento il throughput end-to-end rispetto alla baseline utilizzata. Anche questo risultato deve essere considerato una misura aziendale, non ancora una prestazione verificata indipendentemente.
Prezzi e strategia commerciale
La distribuzione dei pesi non esclude un modello commerciale basato sul cloud. Tencent offre Hy4 attraverso i propri prodotti e tramite API, indicando al lancio un prezzo di 0,834 dollari per milione di token in ingresso e 2,501 dollari per milione di token in uscita. Per i cache hit il prezzo dichiarato è di 0,042 dollari per milione di token.
La combinazione tra pesi disponibili pubblicamente e accesso commerciale attraverso servizi gestiti segue una strategia ormai diffusa nell’industria dell’AI. Gli sviluppatori possono scegliere di eseguire il modello sulla propria infrastruttura, quando dispongono delle risorse necessarie, oppure utilizzare servizi cloud evitando di gestire direttamente l’hardware.
La competizione cinese passa anche dai modelli aperti
Hy4 si inserisce in un ecosistema cinese particolarmente dinamico, nel quale Tencent compete con gruppi come Alibaba, DeepSeek, Zhipu AI e Moonshot AI. La disponibilità dei pesi è diventata uno degli strumenti attraverso cui questi sviluppatori cercano di costruire comunità, attirare applicazioni e accelerare l’adozione dei propri modelli.
In questo scenario le architetture Mixture-of-Experts assumono un ruolo centrale perché consentono di aumentare il numero complessivo di parametri mantenendo molto più basso quello attivato durante l’inferenza. Parallelamente, tecniche di attenzione sparse e meccanismi di speculative decoding cercano di contenere il costo computazionale prodotto da modelli e finestre di contesto sempre più grandi.
Hy4 rappresenta bene questa tendenza. La sua rilevanza non dipende soltanto dalla cifra dei parametri, ma dal tentativo di combinare capacità elevate, contesti molto estesi, strumenti per l’esecuzione efficiente e disponibilità pubblica dei pesi.
La verifica decisiva avverrà fuori da Tencent
Hy4 preview rimane una versione preliminare. Tencent stessa segnala alcuni limiti, tra cui la tendenza a dedicare più tempo del necessario al ragionamento su problemi complessi e a verificare eccessivamente il proprio lavoro. Sono comportamenti che possono tradursi in maggiore latenza e consumo di token nei processi agentici prolungati.
La pubblicazione dei pesi rende però possibile una verifica che non dipende esclusivamente dai benchmark dell’azienda. Ricercatori e sviluppatori possono esaminare il modello, sottoporlo a test differenti e confrontarne prestazioni, costi e affidabilità con sistemi concorrenti.
È proprio questa fase a stabilire il peso reale di Hy4. I 770 miliardi di parametri del backbone e il milione di token di contesto definiscono la scala tecnica del progetto. La capacità di trasformare quella scala in prestazioni riproducibili, efficienti e utili verrà invece misurata nelle prossime settimane dai test indipendenti. È su quel terreno, più che sulle cifre comunicate al lancio, che si capirà quanto Tencent abbia realmente ridotto la distanza dai modelli più avanzati.
Bibliografia
Tencent, “Tencent Releases and Open-Sources Tencent Hy4 preview”, 28 agosto 2026.
https://www.tencent.com/tencent-releases-and-open-sources-tencent-hy4-preview/
Tencent Hunyuan, “Hy4-preview”, repository tecnico ufficiale GitHub, consultato il 28 agosto 2026.
https://github.com/Tencent-Hunyuan/Hy4-preview
Tencent, “Hy4-preview”, Hugging Face, modello e licenza Apache 2.0, consultato il 28 agosto 2026.
https://huggingface.co/tencent/Hy4-preview
Reuters, “China’s Tencent releases new open-source AI model for coding, research tasks”, 28 agosto 2026.
https://www.reuters.com/world/asia-pacific/chinas-tencent-releases-new-open-source-ai-model-coding-research-tasks-2026-08-28/
Caixin Global, “Tencent Unveils Larger AI Model in Bid to Close Gap With Rivals”, 28 agosto 2026.
https://www.caixinglobal.com/2026-08-28/tencent-unveils-larger-ai-model-in-bid-to-close-gap-with-rivals-102479258.html
Partecipa alla community