Tencent abre Hy4 flash: de 224.000 millones de parámetros, solo 12.000 millones trabajan a la vez, con un contexto de 1 millón de tokens
Tencent ha abierto los pesos del modelo Hy4 flash, y el motor vLLM lo soporta desde el día del lanzamiento. El modelo suma 224.000 millones de parámetros, pero para cada token solo se activan 12.000 millones, así que sus respuestas deberían ser más rápidas y baratas que las de un modelo denso del mismo tamaño. Un contexto de 1 millón de tokens equivale a una pila de libros gruesos o a un paquete de contratos en una sola consulta. Hay una imagen Docker lista para usar, de modo que se puede probar el modelo con documentos propios en una tarde, aunque hace falta memoria para los 224.000 millones de parámetros completos.
Procesado por IA desde X: @vllm_project; editado por Hamidun News
Los modelos abiertos chocan cada vez menos con la calidad y más con una cuestión práctica: en qué hardware ejecutarlos y cuánto costará cada respuesta. Tencent ha lanzado Hy4 flash con pesos abiertos, y vLLM, un popular motor para servir modelos, ha añadido soporte el mismo día de la publicación. Las cifras del nombre se leen así.
224.000 millones es el número total de parámetros, es decir, el «volumen de conocimiento» del modelo. 12.
000 millones es la parte que participa en el procesamiento de cada token, de ahí que esta cifra determine la velocidad y el precio de la respuesta. 1 millón de tokens es el tamaño del contexto: aproximadamente varios libros gruesos o un gran paquete de contratos que se puede cargar en una sola consulta. Si alojas tú mismo los modelos, no tendrás que esperar a que la comunidad ponga a punto el despliegue.
Qué se ha publicado exactamente
Hy4 flash es obra del equipo Tencent Hunyuan. Según la descripción, es un modelo multimodal nativo: trabaja no solo con texto, sino también con imágenes, documentos y diapositivas. Los escenarios que declara son tareas de investigación, trabajo con documentos y presentaciones extensos y control del ordenador (computer use), es decir, que el modelo mira la pantalla y actúa como un usuario.
En Hugging Face hay tres variantes: la principal Hy4 flash, la cuantizada Hy4 flash-FP8 y la base Hy4 flash-Base. FP8 almacena los pesos en 8 bits y ocupa la mitad de memoria que la versión de 16 bits. La versión Base no está ajustada para el diálogo y está pensada para quien quiera hacer su propio fine-tuning.
Cómo entender «224B, pero 12B»
Es el principio de mixture-of-experts. Imagine un gran bufete de abogados: cientos de personas en plantilla, pero solo tres trabajan en un caso concreto. Aquí ocurre algo parecido: el modelo tiene muchos «especialistas», y para cada token se activa solo una pequeña parte. La calidad depende del volumen total de conocimiento almacenado en los pesos, mientras que la velocidad y el precio de la respuesta dependen de la parte activa. Por eso Hy4 flash debería funcionar más rápido que un modelo denso de 224.000 millones de parámetros.
Entre las decisiones de arquitectura, Tencent menciona la atención híbrida, Latent MoE y Engram. De los 224.000 millones de parámetros, 64.000 millones corresponden precisamente a Engram. El anuncio no explica cómo está construido este bloque; los detalles hay que buscarlos en la ficha del modelo. Tencent resume así su planteamiento general: la eficiencia está en el centro de la arquitectura. El modelo se presenta como rápido y orientado a la productividad cotidiana.
Qué aporta en la práctica
La principal noticia para los ingenieros es el soporte en vLLM desde el día cero. Hay una imagen Docker lista, vllm/vllm-openai:hy4-flash, y una receta de despliegue en recipes.vllm.ai. Esto significa que se puede levantar un servidor compatible con OpenAI con este modelo usando las mismas herramientas que para otros LLM abiertos, sin compilar nada por cuenta propia ni ajustar versiones.
Qué conviene tener en cuenta:
- Memoria. Un cálculo sencillo: 224.000 millones de parámetros en FP8 son unos 224 GB solo para los pesos, y el doble en formato de 16 bits. Los parámetros activos son 12.000 millones, pero hay que mantener todos en memoria. Por eso hará falta un servidor con varias GPU, no una sola tarjeta.
- El contexto largo es caro. Un millón de tokens en una consulta carga la memoria destinada a la caché de atención, y la longitud real habrá que ajustarla a su hardware.
- El anuncio no ofrece cifras de calidad. En la publicación original no hay benchmarks, ni comparaciones con otros modelos abiertos, ni condiciones de licencia. Conviene comprobarlo antes de construir un producto sobre el modelo.
Tencent también indica que Hy4 saldrá pronto. La versión flash parece el primer modelo de la familia disponible para ejecutarlo por cuenta propia.
A quién le conviene echarle un vistazo
Si analiza documentos largos y diapositivas, o prueba agentes que miran la pantalla, merece la pena pasar Hy4 flash por sus propios datos. Empiece con la versión FP8 y la imagen de vLLM, mida la velocidad con consultas reales y compare la calidad con el modelo que utiliza ahora. Mientras no haya pruebas independientes, es pronto para juzgar por fórmulas como «rápido y eficiente». Pero la combinación de pesos abiertos, multimodalidad, contexto amplio y una receta de despliegue lista para usar convierte este lanzamiento en un candidato destacado para experimentar.
- 19 nov 2026Amazon y Google tendrán el 28,4% de Anthropic tras la IPO, pero sin derecho a voto
- 19 nov 2026OpenAI y AMD logran hasta un 14 % de mejora en PPA en un bloque de GPU insignia en cinco meses
- 19 nov 2026Anthropic sale a bolsa: 17.000 millones de dólares de ingresos en un trimestre y 895.400 millones en contratos de servidores
- 19 nov 2026El precio del token de IA cae un 21,2% en seis semanas, y el gasto de las empresas en API, un 6,3%
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué se ha publicado exactamente?
Hy4 flash es obra del equipo Tencent Hunyuan. Según la descripción, es un modelo multimodal nativo: trabaja no solo con texto, sino también con imágenes, documentos y diapositivas. Los escenarios que declara son tareas de investigación, trabajo con documentos y presentaciones extensos y control del ordenador (computer use), es decir, que el modelo mira la pantalla y actúa como un usuario. En Hugging Face hay tres variantes: la principal Hy4 flash, la cuantizada Hy4 flash-FP8 y la base Hy4 flash-Base.
Cómo entender «224B, pero 12B»?
Es el principio de mixture-of-experts. Imagine un gran bufete de abogados: cientos de personas en plantilla, pero solo tres trabajan en un caso concreto. Aquí ocurre algo parecido: el modelo tiene muchos «especialistas», y para cada token se activa solo una pequeña parte. La calidad depende del volumen total de conocimiento almacenado en los pesos, mientras que la velocidad y el precio de la respuesta dependen de la parte activa.
¿Qué se sabe sobre Qué aporta en la práctica?
La principal noticia para los ingenieros es el soporte en vLLM desde el día cero. Hay una imagen Docker lista, vllm/vllm-openai:hy4-flash, y una receta de despliegue en recipes.vllm.ai. Esto significa que se puede levantar un servidor compatible con OpenAI con este modelo usando las mismas herramientas que para otros LLM abiertos, sin compilar nada por cuenta propia ni ajustar versiones. Qué conviene tener en cuenta: Memoria.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.