Är vikterna öppna och kan jag köra Hy4 preview lokalt?

Ja, vikterna finns på Hugging Face under tencent/Hy4-preview. Lokal körning är tekniskt möjlig men med 770 miljarder totala parametrar krävs betydande multi-GPU-infrastruktur – kontrollera VRAM-guiden innan du börjar.

Vad kostar Hy4 preview och hur stort är dess kontextfönster?

Via API kostar det $0,75 per miljon inmatningstokens och $2,25 per miljon utmatningstokens, med ett kontextfönster på en miljon tokens.

Vad är Hy4 preview egentligen byggd för?

Tencent designade den för kodningsagenter, komplexa verktygsarbetsflöden och flerstegsproduktivitet – mjukvaruutveckling, dataanalys, spelutveckling och vetenskaplig forskning – snarare än som en allmän chattmodell.

▲

29.4%

den här veckan

Hy4 preview

9358°

#llm #tencent #resonemang #kodning #agenter #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Tencent | 1,048,576 token context | $0.83/M input, $2.50/M output. Tencent: Hy4 preview is a mixture-of-experts model from Tencent, with 49B active parameters out of 770B total. It is designed for coding agents, complex tool-use workflows, and productivity tasks that require planning, context continuity, and sustained multi-step execution.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Hy4 preview är en 770 miljarder parametrar stor mixture-of-experts-modell från Tencent, som aktiverar 49 miljarder parametrar per token, med ett kontextfönster på en miljon tokens. Träningen är byggd kring verkliga professionella arbetsflöden – mjukvaruutveckling, finans, spelutveckling, vetenskaplig forskning – snarare än generiska benchmarktester. Om du kör långsiktiga agentuppgifter eller behöver en frontlinjemodell med öppna vikter är detta ett seriöst alternativ att utvärdera.

Känd för

770 miljarder totala parametrar, 49 miljarder aktiva per token via en 256-expert MoE-arkitektur.
En miljon tokens kontextfönster för uthålliga, flerdokumentarbetsflöden.
Inbyggt MTP-lager möjliggör spekulativ avkodning för snabbare inferens.
Tränad på verkliga professionella uppgifter: kodning, finans, spelutveckling, forskning.
Öppna vikter tillgängliga på Hugging Face, stödjer lokal eller självhostad driftsättning.

Se upp för

770 miljarder totala parametrar innebär att självhostning kräver seriös multi-GPU-infrastruktur; de flesta användare kommer att använda API:et.
Vikterna är öppna men kontrollera licensvillkoren innan kommersiell eller härledd användning.
Med $2,25 per miljon utmatningstokens är det inte ett budgetval; ta hänsyn till detta i agentarbetsflöden med långa svar.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Plan för refaktorering över flera filer

Du har en Python-webbtjänst uppdelad på tolv filer: routes, models, services, tests och ett konfigurationslager. Teamet vill migrera från synkron SQLAlchemy till asynkron SQLAlchemy 2.0 utan att bryta testsuiten. Skriv en steg-för-steg-migrationsplan, markera varje fil som behöver ändras och skapa den uppdaterade basmodells-klassen.

Agentisk verktygsanvändningsstomme

Designa en minimal agentloop i Python som använder tre verktyg: web_search(query), read_file(path) och write_file(path, content). Agenten ska ta emot ett övergripande mål, dela upp det i deluppgifter, anropa verktyg i sekvens och verifiera varje resultat innan den går vidare. Visa fullständig implementation med felhantering.

Finansiell modell från rörig kontext

Här är tre års kvartalsvisa siffror för intäkter, kostnader och personalantal klistrade från ett kalkylblad med inkonsekvent formatering. Rensa datan, beräkna år-till-år-tillväxt och rörelsemarginal för varje kvartal, identifiera de två kvartal med störst marginalpress och förklara sannolika orsaker baserat på siffrorna.

Jämför med

Hy3
Öppen vikt-modell
262,144 tokens kontext · $0.13/M indata, $0.53/M utdata
Hy3 preview
Öppen vikt-modell
262,144 tokens kontext · $0.18/M indata, $0.60/M utdata
Hunyuan A13B Instruct
Öppen vikt-modell
131,072 tokens kontext · $0.14/M indata, $0.57/M utdata
GPT-6 Luna
Endast API-modell
1,050,000 tokens kontext · $0.10/M indata, $0.50/M utdata

Fler textmodeller från tencent

Vanliga frågor

Är vikterna öppna och kan jag köra Hy4 preview lokalt?: Ja, vikterna finns på Hugging Face under tencent/Hy4-preview. Lokal körning är tekniskt möjlig men med 770 miljarder totala parametrar krävs betydande multi-GPU-infrastruktur – kontrollera VRAM-guiden innan du börjar.
Vad kostar Hy4 preview och hur stort är dess kontextfönster?: Via API kostar det $0,75 per miljon inmatningstokens och $2,25 per miljon utmatningstokens, med ett kontextfönster på en miljon tokens.
Vad är Hy4 preview egentligen byggd för?: Tencent designade den för kodningsagenter, komplexa verktygsarbetsflöden och flerstegsproduktivitet – mjukvaruutveckling, dataanalys, spelutveckling och vetenskaplig forskning – snarare än som en allmän chattmodell.

Kaptens omdöme
En seriös frontlinjemodell med öppna vikter byggd för agenter och långsiktigt arbete, inte för casual chatt – infrastrukturen kostar påtagligt.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Also ranked: #3 Hottest Text / LLM model · #3 Hottest Text / LLM text model

Not this creator?

Get your own badge

Popularitetstrend för Hy4 preview

Värmenpoäng sedan 28 Aug 2026

Värmescore

9,358°

Den här veckan

▲

29.4%

9,323° då, 9,358° nu

Den här månaden

▲

349%

9,159° då, 9,358° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,974°

OpenRouter-token

37,964,608,298,713 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 3,796,460; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+384°

Adoptionshastighet

Ungefär 133,694 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 9,358°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
3,796,460 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,974°
8,974°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 133,694 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+384°
9,358°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
9,358°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Hy4 preview är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm tencent resonemang kodning agenter lång kontext lokal

Bläddra efter modellfamilj