Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoCódigo / SDK · Pronto p/ usoX: @vllm_project→ original

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
Tencent abre o Hy4 flash: de 224 bilhões de parâmetros, 12 bilhões ficam ativos, e o contexto chega a 1 milhão de tokens
Fonte: X: @vllm_project. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalX: @vllm_project ↗
Editor-chefe
Três versõesHy4 flash, Hy4 flash-FP8 e a base Hy4 flash-Base
Dado-chave #2Dos 224 bilhões de parâmetros, 64 bilhões estão no bloco Engram
Imagem para execuçãovllm/vllm-openai:hy4-flash

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.

História

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.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…