Maaari ko bang patakbuhin ang Hunyuan-A13B nang lokal?

Oo, bukas ang mga timbang at available sa Hugging Face mula sa Tencent, kasama ang FP8 at GPTQ-Int4 na mga quantized variant para mabawasan ang pangangailangan sa memorya. Gayunpaman, ang buong modelo ay may 80B kabuuang parameter, kaya kakailanganin mo ng malaking hardware kahit may quantization.

Magkano ang gastos sa paggamit nito sa API, at ano ang limitasyon ng context?

Pinapresyo ito ng Tencent sa $0.14 kada milyon input tokens at $0.57 kada milyon output tokens sa pamamagitan ng HunyuanAPI. Ang context window ay 256K tokens nang native.

Paano naiiba ang Hunyuan-A13B mula sa karaniwang 13B dense model?

Gumagamit ito ng Mixture-of-Experts na arkitektura, kaya 13B lamang ang aktibo sa bawat forward pass kahit na may 80B kabuuang parameter ang modelo. Pinapayagan nito itong makipagsabayan sa mas malalaking dense models sa benchmarks habang pinananatiling malapit ang gastos sa inference sa isang tunay na 13B model.

Hunyuan A13B Instruct

2495°

#llm #tencent #pangangatwiran #mga ahente #pag-coding #mahabang konteksto

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Tencent | 131,072 token context | $0.14/M input, $0.57/M output. Ang Hunyuan-A13B ay isang 13B active parameter Mixture-of-Experts (MoE) language model na ginawa ng Tencent, na may kabuuang 80B parameters at sumusuporta sa reasoning gamit ang Chain-of-Thought. Nagbibigay ito ng kompetitibong performance sa mga benchmark sa matematika, agham, coding, at multi-turn reasoning tasks, habang pinananatili ang mataas na inference efficiency gamit ang Grouped Query Attention (GQA) at suporta sa quantization (FP8, GPTQ, atbp.).

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Hunyuan-A13B Instruct ay isang Mixture-of-Experts na modelo mula sa Tencent na may 13B aktibong parameter mula sa kabuuang 80B, na nagbibigay ng kalidad ng dense-model sa mas mababang gastos sa inference. Sinusuportahan nito ang 256K na context window, chain-of-thought reasoning, at parehong mabilis at mabagal na mga mode ng pag-iisip. Bukas ang mga timbang, handa para sa quantization, at mura ang presyo sa pamamagitan ng API, kaya angkop ito para sa mga developer na nangangailangan ng isang mahusay na reasoning model nang hindi mataas ang gastos sa compute.

Kilalang-kilala sa

MoE efficiency: 13B aktibong parameter mula sa 80B kabuuan para sa magaan na inference
256K native na context window para sa mahahabang dokumento at multi-turn na gawain
Maaaring palitan ang mabilis at mabagal na mga mode ng pag-iisip para sa kontrol sa lalim ng reasoning
Malalakas na resulta sa agent benchmark sa BFCL-v3, τ-Bench at C3-Bench
Maraming quantization format na available: FP8, GPTQ-Int4 at iba pa

Mag-ingat sa

Ang 80B kabuuang parameter ay nangangahulugan na nangangailangan ng seryosong hardware ang lokal na deployment kahit mababa ang aktibong parameter.
Hindi nakasaad dito ang mga termino ng lisensya; suriin ang inilathalang lisensya ng Tencent bago gamitin sa komersyal na paraan.
Ang mga benchmark sa model card ay sinusuri sa base models, hindi direkta sa instruct variant.

Pinakamainam para sa

Pangangatwiran

Mga ahente at paggamit ng tool

Pag-coding

Mahabang konteksto

Tumakbo nang lokal

Mga prompt na subukan

Multi-step math proof

Isang tren ang umalis sa lungsod A ng 08:00 na bumabiyahe ng 90 km/h. Isang pangalawang tren ang umalis sa lungsod B, na 450 km ang layo, ng 09:30 na papunta sa lungsod A na may bilis na 110 km/h. Anong oras sila magkikita, at gaano kalayo mula sa lungsod A? Ipakita ang bawat hakbang ng iyong pag-iisip bago ibigay ang panghuling sagot.

Agent tool-use plan

Ikaw ay isang ahente na may access sa tatlong tools: web_search(query), read_file(path), at send_email(to, subject, body). May tanong ang user: 'Hanapin ang kasalukuyang EUR/USD rate, i-save ito sa rates.txt, pagkatapos i-email ito sa finance@example.com na may isang pangungusap na buod.' Isulat ang eksaktong pagkakasunod ng tawag sa mga tool na gagawin mo, kasama ang mga argumento, at ipaliwanag kung bakit mo ito inayos sa ganoong paraan.

Debug a concurrency bug

Narito ang isang Python function na paminsan-minsan ay nagbabalik ng maling resulta kapag tinawag mula sa maraming threads nang sabay-sabay. Tukuyin ang race condition, ipaliwanag kung bakit ito nangyayari, at isulat muli ang function upang maging thread-safe nang hindi gumagamit ng global lock kung maaari: import threading counter = 0 def increment(n): global counter for _ in range(n): counter += 1

Ihambing sa

Hy4 preview
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.83/M input, $2.50/M output
Hy3
Modelong bukas ang timbang
262,144 token na konteksto · $0.13/M input, $0.53/M output
Hy3 preview
Modelong bukas ang timbang
262,144 token na konteksto · $0.18/M input, $0.60/M output
GPT-6 Luna
Modelong API lang
1,050,000 token na konteksto · $0.10/M input, $0.50/M output

Higit pang mga text model mula sa tencent

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Hunyuan-A13B nang lokal?: Oo, bukas ang mga timbang at available sa Hugging Face mula sa Tencent, kasama ang FP8 at GPTQ-Int4 na mga quantized variant para mabawasan ang pangangailangan sa memorya. Gayunpaman, ang buong modelo ay may 80B kabuuang parameter, kaya kakailanganin mo ng malaking hardware kahit may quantization.
Magkano ang gastos sa paggamit nito sa API, at ano ang limitasyon ng context?: Pinapresyo ito ng Tencent sa $0.14 kada milyon input tokens at $0.57 kada milyon output tokens sa pamamagitan ng HunyuanAPI. Ang context window ay 256K tokens nang native.
Paano naiiba ang Hunyuan-A13B mula sa karaniwang 13B dense model?: Gumagamit ito ng Mixture-of-Experts na arkitektura, kaya 13B lamang ang aktibo sa bawat forward pass kahit na may 80B kabuuang parameter ang modelo. Pinapayagan nito itong makipagsabayan sa mas malalaking dense models sa benchmarks habang pinananatiling malapit ang gastos sa inference sa isang tunay na 13B model.

Hatol ng Kapitan
Isang mahusay ang presyo na open-weights MoE na lumalampas sa bilang ng aktibong parameter nito, lalo na para sa mga agent at long-context na reasoning.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Hunyuan A13B Instruct ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm tencent pangangatwiran mga ahente pag-coding mahabang konteksto lokal

Mag-browse ayon sa pamilya ng model