Posso eseguire Hunyuan-A13B localmente?

Sì, i pesi sono aperti e disponibili su Hugging Face da Tencent, con varianti quantizzate FP8 e GPTQ-Int4 per ridurre i requisiti di memoria. Detto ciò, il modello completo ha 80 miliardi di parametri totali, quindi servirà hardware sostanziale anche con la quantizzazione.

Quanto costa usarlo tramite API e qual è il limite di contesto?

Tencent lo prezza a 0,14$ per milione di token in input e 0,57$ per milione di token in output tramite HunyuanAPI. La finestra di contesto nativa è di 256K token.

In cosa differisce Hunyuan-A13B da un modello denso standard da 13B?

Utilizza un'architettura Mixture-of-Experts, quindi solo 13 miliardi di parametri sono attivi per ogni passaggio in avanti anche se il modello completo ne contiene 80 miliardi. Questo gli permette di eguagliare modelli densi molto più grandi nei benchmark mantenendo i costi di inferenza vicini a quelli di un vero modello da 13B.

Hunyuan A13B Instruct

2495°

#llm #tencent #ragionamento #agenti #programmazione #contesto lungo

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

Tencent | contesto da 131.072 token | $0.14/M input, $0.57/M output. Hunyuan-A13B è un modello linguistico Mixture-of-Experts (MoE) con 13B parametri attivi sviluppato da Tencent, con un totale di 80B parametri e supporto per il ragionamento tramite Chain-of-Thought. Offre prestazioni competitive su benchmark di matematica, scienza, coding e ragionamento multi-turno, mantenendo alta efficienza di inferenza grazie a Grouped Query Attention (GQA) e supporto alla quantizzazione (FP8, GPTQ, ecc.).

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Hunyuan-A13B Instruct è un modello Mixture-of-Experts di Tencent con 13 miliardi di parametri attivi estratti da un totale di 80 miliardi, offrendo la qualità di un modello denso a una frazione del costo di inferenza. Supporta una finestra di contesto di 256K token, ragionamento a catena di pensiero e modalità di pensiero veloce e lento. Pesi aperti, pronto per la quantizzazione e offerto a basso costo tramite API, è adatto agli sviluppatori che necessitano di un modello di ragionamento capace senza un conto computazionale elevato.

Conosciuto per

Efficienza MoE: 13 miliardi di parametri attivi su 80 miliardi totali mantiene l'inferenza leggera
Finestra di contesto nativa da 256K token per lavori su documenti lunghi e multi-turno
Modalità di pensiero veloce e lento commutabili per controllare la profondità del ragionamento
Ottimi risultati nei benchmark agent su BFCL-v3, τ-Bench e C3-Bench
Disponibilità di più formati di quantizzazione: FP8, GPTQ-Int4 e altri

Attenzione a

80 miliardi di parametri totali significa che il deployment locale richiede hardware serio nonostante il basso numero di parametri attivi.
I termini di licenza non sono riassunti qui; controlla la licenza pubblicata da Tencent prima di qualsiasi uso commerciale.
I benchmark nella scheda modello sono valutati sui modelli base, non direttamente sulla variante instruct.

Ideale per

Ragionamento

Agenti e uso di strumenti

Programmazione

Contesto lungo

Funziona localmente

Prompt da provare

Dimostrazione matematica a più passaggi

Un treno parte dalla città A alle 08:00 viaggiando a 90 km/h. Un secondo treno parte dalla città B, distante 450 km, alle 09:30 viaggiando verso la città A a 110 km/h. A che ora si incontrano e a che distanza dalla città A? Mostra ogni passaggio del tuo ragionamento prima di dare la risposta finale.

Piano d'uso degli strumenti per un agente

Sei un agente con accesso a tre strumenti: web_search(query), read_file(path) e send_email(to, subject, body). Un utente chiede: 'Trova il tasso EUR/USD attuale, salvalo in rates.txt, poi invialo via email a finance@example.com con un riassunto in una frase.' Scrivi la sequenza esatta di chiamate agli strumenti che faresti, con gli argomenti, e spiega perché le ordini in quel modo.

Debug di un bug di concorrenza

Ecco una funzione Python che occasionalmente restituisce risultati errati quando viene chiamata da più thread simultaneamente. Identifica la race condition, spiega perché si verifica e riscrivi la funzione per essere thread-safe senza usare un lock globale se possibile: import threading counter = 0 def increment(n): global counter for _ in range(n): counter += 1

Confronta con

Hy4 preview
Modello con pesi aperti
Contesto di 1,048,576 token · Input $0.83/M, output $2.50/M
Hy3
Modello con pesi aperti
Contesto di 262,144 token · Input $0.13/M, output $0.53/M
Hy3 preview
Modello con pesi aperti
Contesto di 262,144 token · Input $0.18/M, output $0.60/M
GPT-6 Luna
Modello solo API
Contesto di 1,050,000 token · Input $0.10/M, output $0.50/M

Altri modelli di testo da tencent

Domande frequenti

Posso eseguire Hunyuan-A13B localmente?: Sì, i pesi sono aperti e disponibili su Hugging Face da Tencent, con varianti quantizzate FP8 e GPTQ-Int4 per ridurre i requisiti di memoria. Detto ciò, il modello completo ha 80 miliardi di parametri totali, quindi servirà hardware sostanziale anche con la quantizzazione.
Quanto costa usarlo tramite API e qual è il limite di contesto?: Tencent lo prezza a 0,14$ per milione di token in input e 0,57$ per milione di token in output tramite HunyuanAPI. La finestra di contesto nativa è di 256K token.
In cosa differisce Hunyuan-A13B da un modello denso standard da 13B?: Utilizza un'architettura Mixture-of-Experts, quindi solo 13 miliardi di parametri sono attivi per ogni passaggio in avanti anche se il modello completo ne contiene 80 miliardi. Questo gli permette di eguagliare modelli densi molto più grandi nei benchmark mantenendo i costi di inferenza vicini a quelli di un vero modello da 13B.

Verdetto del capitano
Un MoE con pesi aperti ben prezzato che supera il suo numero di parametri attivi, specialmente per agenti e ragionamento su contesti lunghi.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Gemini 3.1 Pro Preview Custom Tools

TEXT / LLM

Seed 1.6 Flash

TEXT / LLM

Modelli di IA per generare immagini, video e testo

Hunyuan A13B Instruct è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm tencent ragionamento agenti programmazione contesto lungo locale

Sfoglia per famiglia di modelli