Tencent abre o Hy4 flash: de 224 bilhões de parâmetros, 12 bilhões ficam ativos, e o contexto chega a 1 milhão de tokens
A Tencent abriu os pesos do modelo Hy4 flash, e o motor vLLM passou a suportá-lo já no dia do lançamento. O modelo tem 224 bilhões de parâmetros no total, mas apenas 12 bilhões trabalham a cada palavra. Por isso, as respostas devem ser mais rápidas e baratas do que as de um modelo denso do mesmo tamanho. O contexto de 1 milhão de tokens equivale a uma pilha de livros grossos ou a um pacote de contratos em uma única requisição. Há uma imagem Docker pronta, então dá para testar o modelo com seus próprios documentos em uma noite, mas é preciso ter memória para todos os 224 bilhões de parâmetros.
Processado por IA de X: @vllm_project; editado por Hamidun News
Os modelos abertos esbarram cada vez menos na qualidade e cada vez mais numa pergunta prática: onde rodá-los e quanto custa cada resposta. A Tencent lançou o Hy4 flash com pesos abertos, e o projeto vLLM, motor popular para execução de modelos, adicionou suporte no mesmo dia. Os números do nome se leem assim.
224 bilhões é o total de parâmetros, ou seja, o "volume de conhecimento" do modelo. 12 bilhões é quanto desse total participa do processamento de cada token, e por isso é esse número que define a velocidade e o preço da resposta. 1 milhão de tokens é o tamanho do contexto: algo como vários livros grossos ou um grande pacote de contratos que cabe em uma única requisição.
Para quem hospeda os próprios modelos, não é preciso esperar a comunidade ajustar a execução.
O que exatamente foi lançado
O Hy4 flash foi criado pela equipe Tencent Hunyuan. Segundo a descrição, é um modelo nativamente multimodal: trabalha não só com texto, mas também com imagens, documentos e slides. Os cenários declarados são tarefas de pesquisa, trabalho com documentos e apresentações grandes e controle do computador (computer use), em que o modelo olha para a tela e age como um usuário.
No Hugging Face há três variantes: a principal Hy4 flash, a quantizada Hy4 flash-FP8 e a base Hy4 flash-Base. O FP8 armazena os pesos em 8 bits e ocupa metade da memória da versão de 16 bits. A versão Base não passou por ajuste fino para diálogo e serve a quem quer fazer o próprio ajuste fino.
Como entender "224B, mas 12B"
É o princípio de mixture-of-experts. Imagine um grande escritório de advocacia: há centenas de pessoas no quadro, mas apenas três trabalham em um caso específico. Aqui é igual: o modelo tem muitos "especialistas", e apenas uma pequena parte é acionada a cada token. A qualidade depende do volume total de conhecimento nos pesos, enquanto a velocidade e o preço da resposta dependem da parte ativa. Por isso, o Hy4 flash deve rodar mais rápido do que um modelo denso de 224 bilhões de parâmetros.
Entre as decisões de arquitetura, a Tencent cita atenção híbrida, Latent MoE e Engram. Dos 224 bilhões de parâmetros, 64 bilhões estão justamente no Engram. O anúncio não explica como esse bloco funciona; os detalhes devem estar no model card. A Tencent resume a ideia geral assim: a eficiência foi colocada no centro da arquitetura. O modelo é posicionado como rápido e voltado à produtividade do dia a dia.
O que isso muda na prática
A principal notícia para engenheiros é o suporte no vLLM desde o dia zero. Há uma imagem Docker pronta, vllm/vllm-openai:hy4-flash, e uma receita de implantação em recipes.vllm.ai. Isso significa que dá para subir um servidor compatível com a OpenAI com o modelo usando as mesmas ferramentas de outros LLMs abertos, sem compilar nada por conta própria nem acertar versões na mão.
O que vale levar em conta:
- Memória. Uma conta simples: 224 bilhões de parâmetros em FP8 dão cerca de 224 GB só para os pesos, e o dobro disso no formato de 16 bits. Os parâmetros ativos são 12 bilhões, mas é preciso manter todos na memória. Por isso, será necessário um servidor com várias GPUs, e não uma única placa.
- Contexto longo sai caro. Um milhão de tokens em uma requisição sobrecarrega a memória com o cache de atenção, e o comprimento real terá de ser ajustado ao seu hardware.
- O anúncio não traz números de qualidade. A publicação original não tem benchmarks, comparações com outros modelos abertos nem os termos da licença. Isso precisa ser verificado antes de construir um produto sobre o modelo.
A Tencent também diz que o Hy4 sairá em breve. A versão flash parece ser o primeiro modelo da família disponível para execução própria.
Para quem vale a pena olhar
Se você analisa documentos longos e slides ou testa agentes que olham para a tela, vale rodar o Hy4 flash com os seus dados. Comece pela versão FP8 e pela imagem do vLLM, meça a velocidade em requisições reais e compare a qualidade com o modelo que você usa hoje. Enquanto não houver testes independentes, é cedo para julgar por expressões como "rápido e eficiente". Mas a combinação de pesos abertos, multimodalidade, contexto grande e uma receita de execução pronta faz do lançamento um candidato de peso para experimentos.
- 19 de nov. de 2026Amazon e Google ficarão com 28,4% da Anthropic após o IPO, mas sem direito a voto
- 19 de nov. de 2026OpenAI e AMD encontram ganho de até 14% em PPA em bloco de GPU topo de linha em cinco meses
- 19 de nov. de 2026Anthropic vai à bolsa: US$ 17 bilhões de receita em um trimestre e US$ 895 bilhões em contratos de servidores
- 19 de nov. de 2026Preço do token de IA cai 21,2% em seis semanas, e gasto das empresas com APIs recua 6,3%
Perguntas frequentes sobre a notícia
O que exatamente foi lançado?
O Hy4 flash foi criado pela equipe Tencent Hunyuan. Segundo a descrição, é um modelo nativamente multimodal: trabalha não só com texto, mas também com imagens, documentos e slides. Os cenários declarados são tarefas de pesquisa, trabalho com documentos e apresentações grandes e controle do computador (computer use), em que o modelo olha para a tela e age como um usuário. No Hugging Face há três variantes: a principal Hy4 flash, a quantizada Hy4 flash-FP8 e a base Hy4 flash-Base.
Como entender "224B, mas 12B"?
É o princípio de mixture-of-experts. Imagine um grande escritório de advocacia: há centenas de pessoas no quadro, mas apenas três trabalham em um caso específico. Aqui é igual: o modelo tem muitos "especialistas", e apenas uma pequena parte é acionada a cada token. A qualidade depende do volume total de conhecimento nos pesos, enquanto a velocidade e o preço da resposta dependem da parte ativa. Por isso, o Hy4 flash deve rodar mais rápido do que um modelo denso de 224 bilhões de parâmetros.
O que isso muda na prática?
A principal notícia para engenheiros é o suporte no vLLM desde o dia zero. Há uma imagem Docker pronta, vllm/vllm-openai:hy4-flash, e uma receita de implantação em recipes.vllm.ai. Isso significa que dá para subir um servidor compatível com a OpenAI com o modelo usando as mesmas ferramentas de outros LLMs abertos, sem compilar nada por conta própria nem acertar versões na mão. O que vale levar em conta: Memória.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.