Tencent Hy4 preview: la paliza a GLM 5.3 que no sale en los números

El 28 de agosto de 2026, Tencent Hy soltó esto en X: "770B, 49B active, 1M context. Built for productivity. Open source frontier. Consistent affordable price. Use it. Tell us what breaks". El post se fue a 778 mil vistas el mismo día.

El relato entra solo. Un Mixture-of-Experts de 770B con 49B activos por token, un millón de tokens de contexto, pesos abiertos y precio "asequible". El Cuñado no necesita más.

El Cuñado dice: Tencent acaba de tumbar a GLM 5.3 y a Kimi K3. Open source, barato, un millón de contexto. Los cerrados temblando.

La realidad es: la eval ciega que enseña Tencent (163 empleados propios, 203 tareas de ingeniería) deja a Hy4 preview en 2,99 frente a 2,92 de GLM 5.3. Margen del 2,4 %. Frente a Kimi K3, 2,99 contra 2,94. Victorias y derrotas contra GLM: 46,8 % / 40,4 %. Un modelo que pierde cuatro de cada diez cara a cara no gana. Empata con ruido.

Por qué importa saberlo: si mides capacidad con la opinión de un juez, y el juez cobra de la misma empresa que entrena el modelo, estás comprando un relato. Un hecho verificado es otra cosa.

163 empleados no son un leaderboard

Las cifras salen de Tencent. Vendor-reported. Los leaderboards independientes aún no se han pronunciado. Eso no es un detalle de letra pequeña. Es el método.

Hy4 2,99 vs GLM 5.3 2,92. Hy4 2,99 vs Kimi K3 2,94. El margen de victorias contra GLM son 6,4 puntos; contra Kimi, 10,3. En un set de 203 tareas, con jueces internos, eso cabe en el ruido de quién redactó el prompt, qué contaba como "ingeniería" y cómo se rompe el empate cuando los dos outputs son defendibles.

La capacidad se mide con un hecho que se pueda contrastar, no con una nota que pone gente de la casa. El checklist anti-hype empieza exactamente ahí: quién evalúa, con qué tareas, y si el margen sobrevive a quitar al vendor de la mesa.

La ficha que hay que leer no es el tweet. Es el model card oficial.

El vendor te avisa de que duda

Hy4 preview es una versión temprana. El propio model card lo admite.

Gasta más tiempo del necesario razonando tareas complejas y tiende a sobre-verificar su propio trabajo.

Eso no sale en el chart de 12 benchmarks. Sale en la frase que el vendor no puede borrar sin quedar peor. Un modelo que se pega un rato extra comprobando su propio output te cobra latencia y tokens de más. En el "built for productivity" del anuncio, el sobre-razonamiento no es un rasgo adorable. Es un modo de fallo: más reloj, más factura, misma respuesta.

Arquitectura, en limpio. Atención Gated DeepSeek Sparse Attention (Gated DSA) con IndexCache "inspirada en DeepSeek y GLM". Residual iHC con 4 streams. Vocabulario de 120.832. Tencent copia el playbook eficiente chino y escala. Eso no es un defecto. Es lo que hace todo el mundo cuando el truco que funciona ya está publicado.

Donde el chart se cae solo

Mismo paquete de cifras de Tencent, mismo asterisco de vendor-reported. Terminal Bench 2.1: Hy4 preview 85,4. Por detrás de GLM 5.3 (88,8). Al nivel de Kimi K3 (85,7). Claude Opus 5 y GPT 5.6 Sol, 88,3. El relato de paliza no sobrevive al banco donde otros frontier le ganan.

Humanity's Last Exam: 43,4 contra 53,2 de Claude Opus 5 y 49,6 de GLM 5.3. Techo de razonamiento, no de marketing.

Donde sí lidera entre abiertos, según ese mismo chart: SWE Atlas Refactoring (53,3) y OneMillionBench con herramientas (65,4). Anótalo. No lo conviertas en "el mejor abierto del momento". El chart no da para eso, y no hay verificación independiente encima.

El salto que sí hay que apuntar

Contra Hy3, Tencent publica esto y lo llama la mayor mejora generación-sobre-generación que ha medido:

• DeepSWE: 28,0 → 64,3
• PostTrainBench: 14,6 → 35,6
• Terminal Bench 2.1: 70,8 → 85,4
• ProgramBench: 3,6 → 17,5

Esas brechas son otra conversación. Hy3 a Hy4 no es un parche de blog. El modelo es probablemente bueno. El desmontaje no va de "es basura". Va de esto: el relato de victoria contra GLM 5.3 y Kimi K3 no lo sostienen ni los números que ellos mismos ponen encima de la mesa.

La línea Hy, con contexto de generaciones anteriores, está en IADecider. La lectura que parte el anuncio en dos (mejora real frente a reivindicación) está en explainx.ai.

Affordable, según contra quién

OpenRouter lo lista el día del lanzamiento: contexto 1,05M, 0,834 dólares por millón de tokens de entrada, 2,501 de salida, 0,042 en cached (descuento 20× sobre la entrada). En sus primeros días, 14,8B de tokens procesados.

Al lado: GLM-5.3 a 1,40 / 4,40. Kimi K3 a 3,00 / 15,00. DeepSeek V4 Pro a 0,44 / 0,87. Hy4 cuesta 1,9× en entrada respecto a DeepSeek V4 Pro. No es el abierto más barato. "Consistent affordable price" aguanta contra Kimi y, con matices, contra GLM. Contra DeepSeek, no.

Servirlo en casa es otra película. Pesos en FP8: unos 770 GB. Un nodo 8×H100 tiene 640 GB. No cabe. Un 8×H200 de 1,1 TB, sí. A 8K de contexto, pesos más KV cache: unos 810 GB (774,5 GB de pesos + 36 GB de KV). En 4-bit, unos 423 GB. Ni así lo toca un usuario retail. Tencent recomienda vLLM o SGLang con decodificación especulativa MTP. Eso es stack de cluster.

Si alguien te vende el millón de contexto como "ábrelo en el portátil", mira qué modelo te cabe de verdad. En un MoE de contexto largo la GPU se llena primero con el KV cache, no con los pesos. Quien sirve Kimi o GLM en producción apila cuantización FP8 del KV, compresión de pesos y protección de cache compartida entre requests, casi siempre sobre SGLang. Hy4 preview, con 1M de ventana, es exactamente ese problema a lo bestia. Open weights no equivale a local.

Rendimiento observado en OpenRouter, según las mediciones que recoge explainx.ai: 36 tok/s en P50, 3,19 s de latencia P50, disponibilidad en torno al 86 % en tres días. Preview. Temprano. Coherente con un modelo que el propio card describe como lento de más en tareas complejas.

Hy4 es texto. Los checkpoints de imagen, vídeo y 3D de Hunyuan van aparte. Quien lo presente como multimodal está mezclando catálogo.

La liga frontier y la liga local ya no son la misma

Esto encaja con lo que ya se veía en Qwen3.8-Flash: los gigantes chinos de 700B+ son jugadas de frontier. Entrenar 770B MoE, abrir pesos, pelear el millón de contexto y el chart de ingeniería. De esos entrenamientos salen las destilaciones que sí caben en local. Hy4 preview es la prueba de que las dos ligas se están separando.

El mérito está en el salto frente a Hy3, en copiar en voz alta Gated DSA e iHC, y en poner los pesos encima de la mesa. El hype de las 778 mil vistas se sostiene sobre una eval ciega interna con margen del 2,4 % y un 40 % de derrotas. El modelo puede ser bueno. El relato de paliza, con estos números, no.

Preguntas frecuentes

¿Hy4 preview es mejor que GLM 5.3 y Kimi K3?

No está demostrado. La eval ciega interna de Tencent (163 empleados, 203 tareas) sitúa a Hy4 preview en 2,99 frente a 2,92 de GLM 5.3 y 2,94 de Kimi K3: margen del 2,4 % y en torno a un 40 % de derrotas. Es un empate técnico con ruido, vendor-reported. Los leaderboards independientes aún no se han pronunciado.

¿Se puede ejecutar Hy4 preview en un PC de casa?

No. Los pesos en FP8 ocupan unos 770 GB y no caben en un nodo 8×H100 (640 GB). A 8K de contexto, pesos más KV cache rondan 810 GB; en 4-bit, unos 423 GB. Tencent apunta a vLLM o SGLang con MTP en cluster. Open weights no equivale a local retail.

¿Cuánto cuesta Hy4 preview?

En OpenRouter, el día del lanzamiento: 0,834 dólares por millón de tokens de entrada, 2,501 de salida y 0,042 cached. Es más barato que GLM-5.3 (1,40 / 4,40) y que Kimi K3 (3,00 / 15,00), pero 1,9× más caro en entrada que DeepSeek V4 Pro (0,44 / 0,87). No es el abierto más barato.

¿Hy4 preview es un modelo multimodal?

No. Hy4 preview es un modelo de texto (MoE 770B / 49B activos, 1M de contexto). Los modelos de imagen, vídeo y 3D de Hunyuan son checkpoints separados. Mezclar el catálogo Hunyuan con este preview infla el anuncio sin cambiar lo que hace el checkpoint.