Introducing Hy4 Preview
Oleh Zai · Let's Make It Easy
Dipublikasikan 2026-08-30
Hy4 Preview adalah model bahasa open-weight terbaru dari Tencent yang menarik perhatian karena skala parameternya dan context window yang sangat besar. Simon Willison melaporkan...
Hy4 Preview adalah model bahasa open-weight terbaru dari Tencent yang menarik perhatian karena skala parameternya dan context window yang sangat besar. Simon Willison melaporkan bahwa model ini memiliki 770 miliar parameter total, dengan 49 miliar parameter aktif, serta context window 1 juta token. Hy4 adalah model text-only, sehingga informasi tersebut tidak boleh dibaca sebagai klaim bahwa model ini memproses gambar atau video. Model card-nya tersedia di Hugging Face, dengan ukuran sekitar 1,56 TB.
1. Apa yang berubah dari Hy3?
Perbandingan dengan generasi sebelumnya membantu memberi konteks. Hy3 dilaporkan memiliki 295 miliar parameter total, 21 miliar parameter aktif, context window 256.000 token, dan ukuran sekitar 598 GB. Hy4 membawa kenaikan besar pada skala total, parameter aktif, panjang konteks, dan kebutuhan penyimpanan. Angka-angka tersebut menjelaskan mengapa model ini lebih tepat dilihat sebagai komponen infrastruktur daripada aplikasi lokal ringan.
Parameter aktif tidak sama dengan total parameter yang harus disimpan atau dikelola. Karena itu, klaim 49 miliar parameter aktif tidak otomatis berarti kebutuhan hardware hanya setara dengan model 49B. Deployment tetap bergantung pada format bobot, quantization, runtime, bandwidth memori, dan pola concurrency. Tanpa data serving yang lengkap, kita belum bisa menyimpulkan apakah Hy4 efisien untuk penggunaan sehari-hari.
2. Apa arti context window 1 juta token?
Context window yang panjang dapat membantu workload yang perlu membaca banyak dokumen atau riwayat kode sekaligus. Namun, panjang konteks bukan jaminan bahwa model akan menggunakan semua informasi dengan akurat. Kualitas retrieval, attention behavior, latency, dan biaya inference tetap perlu diuji. Untuk tim developer, pengujian yang berguna adalah memasukkan repository nyata, mengukur apakah model menemukan bagian yang relevan, lalu membandingkan hasilnya dengan model yang lebih kecil.
3. Apa yang belum terbukti?
Sumber utama yang dibaca belum menyediakan benchmark independen yang cukup untuk menyatakan Hy4 lebih baik pada coding, reasoning, atau tugas bisnis tertentu. Ketersediaan model card juga bukan bukti kesiapan produksi. Tim perlu memeriksa lisensi, format bobot, dukungan runtime, kebutuhan GPU, latency, dan kualitas output pada data mereka sendiri.
4. Langkah praktis untuk developer
Mulai dari model card dan jangan langsung mengunduh seluruh bobot. Pastikan kapasitas storage dan bandwidth memadai, cek apakah runtime yang digunakan mendukung arsitektur model, lalu siapkan evaluasi kecil dengan prompt dan data yang representatif sendiri. Uji juga latency, penggunaan memori, stabilitas context panjang, dan kualitas jawaban ketika konteks berisi dokumen yang saling bertentangan. Hy4 layak dipantau sebagai perkembangan open-weight, tetapi angka parameter yang besar sebaiknya diperlakukan sebagai informasi teknis, bukan rekomendasi otomatis. Pengujian semacam ini perlu dilakukan sebelum memilih model untuk workload nyata. Pengujian semacam ini perlu dilakukan sebelum memilih model untuk workload nyata.
Referensi: https://simonwillison.net/2026/Aug/29/hy4/