Tencent Hy4

O novo modelo de linguagem open-weight Hy4 da Tencent está sendo avaliado contra concorrentes como DeepSeek, Kimi e modelos da OpenAI/Anthropic tanto em preço quanto em capacidade, com muitos observando que ele fica próximo da fronteira custo–precisão, mas pode ser lento e excessivamente minucioso. Comentadores destacam seus pontos fortes em análise de dados e desenvolvimento de jogos, ao mesmo tempo em que questionam sua competitividade em custo por tarefa e o impacto de escolhas de treinamento voltadas para segurança que excluem ciberofensiva e outros domínios “tabu”. O lançamento também alimenta debates mais amplos sobre o avanço da IA chinesa, controles de exportação, normas de vigilância e se modelos abertos mais baratos vão corroer a vantagem dos sistemas proprietários ocidentais.

Desempenho do modelo e benchmarks

  • Hy4 é geralmente visto como forte entre os modelos de pesos abertos, mas ainda atrás dos principais modelos proprietários em matemática difícil, programação de longo horizonte, autoaperfeiçoamento e visão avançada.
  • Em comparação com Kimi 3.1 Pro, diz-se que o Hy4 é ligeiramente mais fraco, mas significativamente mais barato e treinado com menos tokens (770B vs 2.8T), com alguns argumentando que modelos maiores melhoram principalmente o “gosto” e o comportamento em longo contexto.
  • Em benchmarks específicos:
    • A pontuação de 31 no FrontierCode 2.0 é vista como aproximadamente comparável a GPT‑6.1 Sol e Opus 5.5 Medium.
    • O benchmark de análise de dados da Plotly coloca o Hy4 na fronteira custo/precisão entre GPT‑6.1 Sol e Terra, mas observa que ele é muito minucioso e muito lento, muitas vezes emitindo muitas consultas.
    • No PacBench (agente do jogo Pac-Man), o Hy4 empata com o DeepSeek V4.1 Flash na pontuação do jogo enquanto é cerca de 7× mais barato, mas um pouco mais lento.

Preços, eficiência e custo por tarefa

  • Alguns argumentam que o Hy4 “não é competitivo em custo” em relação ao DeepSeek com base nos preços de token divulgados; outros dizem que o preço por token é enganoso e que o que importa é o custo por tarefa.
  • A experiência com o DeepSeek V4.1 Flash indica que ele pode ser mais barato na prática devido a preços de tokens em cache muito baixos e altas taxas de acerto de cache.
  • Uma análise de “eficiência de inteligência” vinculada é criticada por executar o DeepSeek em “Max” em vez de “High” e por usar benchmarks que não refletem trabalho de engenharia de software multi-turno e de grande contexto.

Segurança, capacidades ofensivas e filtragem de conteúdo

  • O treinamento do Hy4 filtra intencionalmente conteúdo ofensivo, como desenvolvimento de exploits, engenharia reversa e testes de penetração, decepcionando usuários que dependem dessas capacidades.
  • Alguns contrastam isso com abordagens que treinam em ofensiva cibernética e depois tentam anexar segurança; outros elogiam a escolha da Tencent como uma mitigação mais direta.
  • Há discussão sobre controles de exportação chineses (“Announcement 48”), com incerteza sobre como eles afetarão modelos de pesos abertos, especialmente para aplicações biomédicas.

Modelos abertos vs proprietários e tendências do ecossistema

  • Vários comentários veem o Hy4 e outros modelos abertos recentes (DeepSeek, Kimi, Qwen, Particle‑1, Ember‑1) como recolocando pesos abertos na fronteira custo/precisão.
  • O pós-treinamento em modelos fortes existentes é apontado como cada vez mais eficaz.
  • Alguns preveem que os modelos abertos chineses ultrapassarão os laboratórios dos EUA dentro de um ano; outros insistem que os modelos de fronteira dos EUA (Opus/Sol/Astra) ainda estão claramente à frente no topo e que modelos mais baratos na verdade aumentam a demanda por inferência de alto nível (paradoxo de Jevons), ponto que outros contestam como não universalmente aplicável.

Foco em desenvolvimento de jogos

  • O Hy4 é fortemente ajustado para desenvolvimento de jogos: implementação de recursos, lógica de gameplay, rastreamento de estado, pipelines de assets e suporte a Unreal, Unity e Godot, incluindo multiplayer.
  • Isso é visto como uma combinação natural dada a grande carteira global de jogos da Tencent e participações em grandes estúdios.

Geopolítica, economia e hardware futuro

  • Alguns argumentam que a perspectiva da economia dos EUA está ligada a saber se OpenAI/Anthropic permanecem à frente dos modelos chineses; outros consideram isso exagerado ou “apocalíptico”.
  • Há analogias com a dinâmica de 2008 de “grande demais para quebrar” e com a Silicon Graphics: se hardware, quantização e arquiteturas continuarem melhorando, LLMs perto do SOTA podem eventualmente rodar barato em máquinas de consumo, pressionando os atuais modelos de negócios no estilo SaaS.
  • Outros rebatem que muitas empresas podem construir hardware e modelos capazes no mundo todo, de modo que os benefícios da IA não ficam presos a um único país ou laboratório.

Vigilância, tecnocracia e atitudes em relação à tecnologia

  • As demos de visão do Hy4 (por exemplo, imagens de satélite, geolocalização) provocam comentários de que os lançamentos chineses parecem menos preocupados em parecer tecnologia de duplo uso ou militar.
  • Várias anedotas contrastam a infraestrutura visível de alta tecnologia da China e a vigilância onipresente com preocupações ocidentais sobre privacidade e direitos; as opiniões divergem:
    • Alguns descrevem a China como uma espécie de tecnocracia onde as pessoas percebem amplamente a tecnologia como algo que melhora a vida cotidiana.
    • Outros enfatizam censura, monitoramento (por exemplo, escândalos de telemetria de telefones) e o risco de que sistemas intrusivos, uma vez implantados, sejam difíceis de reverter.
  • Pesquisas sobre democracia percebida e qualidade de governança são citadas para argumentar que cidadãos chineses muitas vezes se sentem mais representados do que o público ocidental; outros permanecem céticos, apontando propaganda, desenvolvimento desigual e preocupações com direitos humanos.

Usabilidade, nomenclatura e confiança

  • O site oficial do Hy4 é criticado por ser desajeitado (por exemplo, benchmarks difíceis de ler/ampliar).
  • Há piadas sobre nomes mais coloridos de modelos chineses e referências a branding no estilo “big brother”.
  • Alguns expressam desconfiança em enviar dados a provedores chineses; outros rebatem que tais descartes superficiais pouco acrescentam sem argumentos concretos.