مدل Hy4 در پیش‌نمایش با وزن‌های Apache 2.0 و پنجرهٔ زمینهٔ 1M-token عرضه شده است. Tencent در August 28 پیش‌نمایش Hy4 را به‌عنوان مدل زبانی بزرگ و آشکارا در دسترس عرضه کرد؛ مدلی که هدف آن مهندسی نرم‌افزار، کار اداری و پژوهش علمی است. اهمیت عرضه کمتر از آن است که Tencent آن را مدل پیشرو می‌نامد و بیشتر از آن است که شرکت سطح کامل توسعه‌دهنده را همراهش فرستاده: وزن‌های قابل‌بارگیری تحت Apache 2.0، پنجرهٔ یک‌میلیون‌توکنی، مسیرهای مستند vLLM و SGLang، ابزار تنظیم مجدد و کمی‌سازی، و دسترسی پولی از طریق API.

همین ترکیب، پیش‌نمایش Hy4 را گزینهٔ عملی تازه‌ای برای تیم‌هایی می‌کند که مدل‌های باز بزرگ را برای کار عاملی با زمینهٔ بلند می‌سنجند. طبق اطلاعیهٔ Tencent، مدل 770 billion پارامتر کلی دارد اما 49 billion پارامتر را در هر توکن فعال می‌کند. مخزن رسمی معماری Mixture-of-Experts را با 256 خبرهٔ مسیریابی‌شده، هشت خبرهٔ فعال در هر توکن، یک خبرهٔ مشترک، توجه تنک و لایهٔ بومی رمزگشایی گمانی توصیف می‌کند. Reuters مستقلاً عرضهٔ August 28 و تمرکز آن بر کدنویسی، پژوهش و کار تحلیلی را گزارش کرد.

مدلی بسیار بزرگ با ردپای فعال کوچک‌تر

پیش‌نمایش Hy4 حتی با معیارهای فعلی مدل‌های باز بزرگ است. Tencent 770 billion پارامتر بدنه، 49 billion پارامتر فعال و طول زمینهٔ یک میلیون توکن را فهرست می‌کند. مدل از طرح Mixture-of-Experts استفاده می‌کند؛ بنابراین بیشتر پارامترها برای هر توکن فعال نیستند. این استقرار را سبک نمی‌کند، اما مشخصات محاسبه را نسبت به مدل متراکم با اندازهٔ کلی مشابه تغییر می‌دهد.

مخزن جزئیات معماری‌ای را آشکار می‌کند که برای تیم‌های زیرساخت سودمند است، نه این‌که فقط یک نقطهٔ دسترسی API منتشر کند. بدنه 78 لایه دارد. Tencent می‌گوید مسیر توجه از Gated DeepSeek Sparse Attention با سازوکار IndexCache برای بازاستفاده از نمایه‌های تنک میان لایه‌ها بهره می‌برد. همچنین لایهٔ بومی پیش‌بینی چندتوکنی برای پشتیبانی از رمزگشایی گمانی دارد. مخزن راهنمای استقرار برای vLLM و SGLang و نیز مسیرهای تنظیم مجدد و کمی‌سازی را شامل می‌شود.

برای معماران، این یعنی پیش‌نمایش Hy4 را می‌توان مدلی ارزیابی کرد که سازمان می‌تواند آن را اداره و تغییر دهد، نه فقط از پشت یک رابط میزبانی‌شده مصرف کند. مجوز Apache 2.0 به‌ویژه برای شرکت‌هایی مرتبط است که به حقوق روشن‌تر برای سازگاری داخلی و بازتوزیع نیاز دارند تا مجوزهای محدودکننده‌تر مخصوص یک مدل. تیم‌ها همچنان باید متن کامل مجوز و الزامات انطباق خود را بررسی کنند، اما انتخاب مجوز یکی از موانع رایج پذیرش را به‌طور ملموس پایین می‌آورد.

Tencent محصولات کاری را هدف گرفته، نه فقط گفت‌وگو

Tencent پیش‌نمایش Hy4 را حول بارهای کاری بهره‌وری قرار می‌دهد، نه فقط معیارهای مکالمه. شرکت می‌گوید دادهٔ آموزشی را با مهندسان نرم‌افزار، توسعه‌دهندگان بازی، تحلیل‌گران مالی و متخصصان امنیت داخل Tencent ساخته است. هدف اعلام‌شده، کار افق‌بلند است که برنامه‌ریزی، اشکال‌زدایی، اعتبارسنجی، تحلیل بین‌سندی و تولید مصنوعاتی چون اسناد، صفحه‌گسترده‌ها و ارائه‌ها را در بر می‌گیرد.

عرضه همچنین در محصولات Tencent از جمله CodeBuddy و WorkBuddy یکپارچه شده و Tencent می‌گوید از طریق Tencent Cloud TokenHub و OpenRouter در دسترس است. این به پیش‌نمایش چند مسیر ارزیابی می‌دهد: میزبانی وزن‌ها توسط خود سازمان، استفاده از API مدیریت‌شده، یا آزمون مدل از طریق محصولاتی که گردش‌کار عاملی را دور آن بسته‌بندی کرده‌اند.

Tencent یک ارزیابی کور داخلی با 163 متخصص و 203 وظیفهٔ مهندسی گزارش می‌کند که در آن پیش‌نمایش Hy4 امتیاز 2.99 از 4.00 گرفت؛ اندکی بالاتر از مدل‌های مقایسه‌ای که شرکت ذکر کرده است. این ارقام را باید قرائن گزارش‌شده از سوی فروشنده دانست، نه رده‌بندی مستقل. طراحی وظایف، جمعیت ارزیاب و شرایط مقایسه اهمیت دارند و تکرارپذیری مستقل هنوز تثبیت نشده است.

ادعای خودبهینه‌سازی جالب است اما نیازمند خویشتن‌داری

یکی از ادعاهای نامعمول‌تر Tencent این است که پیش‌نمایش Hy4 در بخش‌هایی از توسعهٔ خودش مشارکت داشته است. شرکت می‌گوید مدل رویکردها را پیشنهاد کرده، آزمایش اجرا کرده و روی روش‌های آموزش، راهبردهای داده، چارچوب‌های ارزیابی و عملگرهای سطح پایین تکرار کرده است. Tencent همچنین می‌گوید مدل گلوگاه‌های استنتاج را تحلیل کرده و به تولید بهینه‌سازی‌های همجوشی عملگر و ارتباطات کمک کرده که گذردهی سرتاسری را 31.8 percent نسبت به خط پایهٔ خودش افزایش داده است.

این موضوع بالقوه برای تیم‌هایی که گردش‌کارهای خودکار مهندسی مدل یا زیرساخت عاملی می‌سازند اهمیت دارد. حلقه‌ای را القا می‌کند که در آن مدل نه‌فقط بار کاری در حال بهینه‌سازی، بلکه مشارکت‌کنندهٔ فعال در تشخیص و تغییر سامانهٔ پیرامون خویش است.

بااین‌حال، قرائن فعلاً از Tencent می‌آید. عرضه ثابت نمی‌کند که همان فرایند به مجموعه‌های فنی مدل دیگر، محیط‌های سخت‌افزاری یا تیم‌های مهندسی تعمیم می‌یابد، و بهبود گذردهی گزارش‌شده به خط پایه و شرایط پیاده‌سازی Tencent وابسته است. بهتر است آن را مورد استفادهٔ داخلی مشخصی دانست که شایستهٔ بازتولید است، نه اثبات بهبود بازگشتی عمومی.

توسعه‌دهندگان سپس چه باید بسنجند

برای استفاده در مهندسی نرم‌افزار، پرسش‌های عملی مهم‌تر از شمار پارامترهای تیتر هستند. تیم‌ها باید تکمیل وظیفه در مقیاس مخزن، اطمینان ابزار، کیفیت وصله، انضباط آزمون، حفظ زمینه و هزینه را زیر مهارهای خود اندازه بگیرند. پنجرهٔ یک‌میلیون‌توکنی می‌تواند بخشی از فشار بازیابی را کم کند، اما زمینهٔ بلند به‌خودی‌خود تصمیم بهتر یا هزینهٔ کل استنتاج پایین‌تر نمی‌سازد.

تیم‌های زیرساخت باید رفتار ارائه را نیز زیر همزمانی واقع‌گرایانه بیازمایند. مسیر فعال 49 میلیاردپارامتری همچنان سنگین است، درحالی‌که ردپای کلی 770 میلیاردپارامتری ملاحظات ذخیره‌سازی، جای‌گذاری حافظه و مسیریابی خبره ایجاد می‌کند. کمی‌سازی و رمزگشایی گمانی ممکن است کمک کنند، اما اقتصاد تولید به توپولوژی سخت‌افزار، طول درخواست و میزان بهره‌برداری بستگی خواهد داشت.

Tencent قیمت API را $0.834 به‌ازای هر million توکن ورودی، $2.501 به‌ازای هر million توکن خروجی و $0.042 به‌ازای هر million توکن نهان‌سازی‌شده فهرست می‌کند. این قیمت‌های میزبانی‌شده خط پایهٔ مفیدی برای مقایسهٔ میزبانی خودی با دسترسی مدیریت‌شده‌اند، هرچند به‌تنهایی هزینهٔ کل کاربرد را برای عامل‌های طولانی‌مدت نشان نمی‌دهند.

پیش‌نمایش Hy4 ازاین‌رو شایان توجه است که سه چیزی را ترکیب می‌کند که اغلب جدا می‌مانند: مدلی باز و بسیار بزرگ، مجموعهٔ استقرار قابل‌بهره‌برداری برای توسعه‌دهنده، و تمرکز روشن بر تولید مصنوعات کاری واقعی. ادعاهای عملکرد هنوز نیازمند اعتبار بیرونی‌اند و محصول صریحاً پیش‌نمایش است. اما برای تیم‌هایی که مدل‌های باز را برای کدنویسی و سامانه‌های عاملی با زمینهٔ بلند می‌سنجند، عرضه به‌اندازهٔ کافی ملموس است که اکنون آزموده شود، نه این‌که فقط تماشا شود.

منابع