
770Bを積んで49Bしか動かさない。Tencent「Hy4 preview」を公式データだけで読み解く
本記事の対象
主な対象者:オープンウェイトの大規模モデルを業務に組み込むかどうかを判断したい方を想定しています。
技術レベル:初級/中級/上級のうち、主に中級を想定しています。
前提知識:LLM、MoE(混合エキスパート)、コンテキスト長といった基礎用語と、API経由でモデルを呼ぶ基本操作を理解していることを前提とします。
この記事で得られるもの:Hy4 previewの設計と実力の輪郭をつかみ、自社のワークフローに入れるべきかを、公式データに基づいて判断できるようになります。
要約
2026年8月28日、TencentがフラッグシップLLM「Hy4 preview」を公開し、同時に重みをApache 2.0で開放しました。総パラメータ770B、1トークンあたりの活性化は49B、コンテキスト長は100万トークン。本記事では、公式リポジトリとプレスリリースの一次情報だけを使って、(1) アーキテクチャの中身、(2) 前世代Hy3からの伸び幅、(3) 公開ベンチマーク表を素直に読んだときに見えてくる勝ち負け、(4) 実際に触る4つの経路、を順に整理します。読み終えるころには、「試す価値があるか」「どこから試すか」を自分の言葉で説明できる状態になっているはずです。

中国系のモデルが出るたびに「またパラメータ数の話か」と思う人は多いはずです。私もそうでした。ただ今回のHy4 previewについては、数字よりも先に目に入ったものがあります。Tencentが公式に「複雑なタスクだと必要以上に長く考えてしまう」「自分の答えを過剰に検証してしまう」と、欠点を先に書いていることです。
宣伝の場でわざわざ弱点を明示するモデルカードは、そう多くありません。しかもそれが冗談ではなく、公開されたベンチマーク表を見ていくと、実際に「勝っている場所」と「まだ届いていない場所」がかなりはっきり分かれます。
そこで本記事では、二次情報での要約を挟まず、公式リポジトリとプレスリリースの数字だけを手がかりに、このモデルの輪郭を追っていきます。
Hy4 previewとは何か、まず骨格から
Tencent Hyチーム(旧称の混元チーム)が開発した、MoE構成の新世代フラッグシップモデルです。公開は2026年8月28日。前世代であるHy3の正式版が公開されたのが同年7月ですから、おおよそ2か月弱でメジャー版が入れ替わったことになります。
公式リポジトリに載っている本体スペックを、そのまま表にしておきます。
なお、この表はMTP層を除いたバックボーンの数値です。Hugging Face側の表示では、実ファイルのパラメータ数は780Bとなっています。MTP層の10Bが上乗せされているぶんですね。
ポイントはライセンスです。Apache 2.0で重みが出ている以上、商用利用も改変も明示的に許諾されています。「オープンソース」を名乗りながら利用条件に細かい制限が付くモデルも珍しくないなかで、ここは素直に評価していい部分だと思います。
770Bのうち49Bしか動かさない構造
MoEに慣れていない方向けに補足すると、これは「巨大な専門家集団を用意しておいて、入力ごとに一部だけを呼び出す」仕組みです。全員を毎回働かせないので、モデル全体は大きくても計算コストは抑えられる。
Hy4 previewの場合、78層のうち第1層だけが通常の密なFFNで、残る77層がMoEに置き換わっています。各MoE層にはルーティング専門家が256、共有専門家が1。トークンごとに上位8の専門家と共有専門家が起動し、その合計が49B相当になります。

注意機構にはGated DSA、つまりゲート付きのスパース注意が採用されています。加えてIndexCacheという仕組みで、層をまたいでスパース索引を再利用する。公式READMEには「DeepSeekとGLMの研究から着想を得た」と明記されており、参照論文としてarXivの2512.02556と2603.12201が挙げられています。他社の公開研究を素直に取り込んで組み上げた、という姿勢が読み取れます。
残差経路にはiHC(identity Hyper-Connections)を使い、残差ストリームを4本に広げて層間の情報量を増やしている。ここも独自発明というより、既存の知見の組み合わせです。
(1) MTP層という別枠
本体とは別に、MTP層が1つ載っています。総パラメータ10B、活性化0.7B。投機的デコーディング、つまり複数トークンを先読みしてまとめて検証することで生成を速くする仕掛けです。vLLMとSGLangの公式レシピには、この層を使う設定が最初から入っています。
「重いモデルだが速く動かす前提で設計されている」ということですね。1Mコンテキストを謳う以上、ここは避けて通れなかったのでしょう。
「生産性のために作った」の中身
Tencentはこのモデルを、汎用チャットではなく「実務の生産性」に振ったと繰り返し説明しています。抽象的なスローガンに聞こえますが、公式が挙げている対象は4つに絞られていて、けっこう具体的です。
(1) ソフトウェアエンジニアリング
長期スパンの開発タスクにおける理解・計画・デバッグ・検証。加えてフロントエンド開発では、見た目の質とインタラクションの完成度も上がったとしています。1Mコンテキストの用途として真っ先に想定されているのは、おそらくここでしょう。
(2) オフィスと分析
複数ファイルに散らばった雑然とした文脈を受け取り、文書・表計算・プレゼン資料といった共有できる成果物に変換する。データ分析、数式、財務モデルの精度向上にも触れられています。プレスリリースでは、複数文書をまたいだ財務監査のようなタスクが例示されています。
(3) ゲーム開発
一度のプロンプトからプレイ可能なプロトタイプを生成し、ゲームエンジンと連携する。多ターンのやりとりで複雑なプロジェクトを詰めていける、という主張です。ゲーム事業を持つTencentらしい重点の置き方ですね。
(4) 科学研究
AI研究そのもの、分子動力学、凝縮系物理、純粋数学。研究領域を具体名で挙げているモデルカードは、そう多くありません。
面白いのは、これらの訓練データがTencent社内の専門家(ソフトウェアエンジニア、ゲーム開発者、財務アナリスト、セキュリティ専門家)と共同で作られたと明記されている点です。自社製品のCodeBuddyやWorkBuddyと「共同設計」した、とも書かれています。ベンチマークのためではなく、実際に出荷される業務のために作った、という建て付けになっている。
もっとも、この方針が効いているかどうかは、後述する評価表を見ると項目ごとにばらつきます。全方位で強くなったわけではありません。
1世代で、どこまで伸びたのか
公式のベンチマーク付録には、Hy3とHy4 previewの値が並べて載っています。この差分こそが、今回の発表でいちばん説得力のある部分だと私は考えています。

SWE-Marathonは5.0から31.9へ。ProgramBenchは3.0から17.5へ。物理系のCritPtは4.9から16.9。いずれも「ほとんど解けなかった」状態から「そこそこ解ける」水準に移っています。実務での体感差が出るのは、こういうタイプの伸び方です。
一方、Terminal Bench 2.1のように70.8から85.4という伸びもあります。こちらは元々高い水準からの改善なので、伸び幅は小さく見えますが、上位帯での15ポイントは決して軽くありません。
公式は「これまで計測したなかで最大の世代間ゲイン」と表現しています。表を見る限り、その主張自体は誇張ではなさそうです。
公開ベンチマークを、そのまま鵜呑みにしない
ここからが本題です。伸びたのは事実として、では他社と比べてどうなのか。

この表を1行ずつ追っていくと、見えてくる構図があります。オープンソース勢(Qwen 3.8 Max、DeepSeek V4 Pro、GLM 5.3、Kimi K3)が相手なら、Hy4 previewはかなりの項目で首位か僅差の2位につけている。ところがGPT 5.6 SolとClaude Opus 5が入ってくると、多くの項目で順位が下がります。
代表的な項目を抜き出して並べ替えたものが、次の図です。

SWE Atlas – Codebase Q&Aでは64.0で全体首位。既存コードベースへの質問応答という、リポジトリ理解が問われる課題です。1Mコンテキストと長文脈設計が効いていると読める結果ですね。
逆にCritPtは16.9で、GPT 5.6 Solの32.3のほぼ半分。MathArena Apex 2025は74.2に対し、Claude Opus 5が91.4。BrokenArXivは54.6対77.7。数学と物理の高難度領域では、はっきり差がついています。
(1) 内部盲検の数字も、冷静に読む
Tencentは社内専門家163名が203のエンジニアリングタスクを盲検評価した結果も公開しています。Hy4 previewが4点満点で2.99、GLM 5.3が2.92、Kimi K3が2.94。
差は0.05〜0.07です。勝敗の内訳を見ると、GLM 5.3に対しては勝ち46.8%・引き分け12.8%・負け40.4%。Kimi K3には勝ち51.2%・引き分け7.9%・負け40.9%。要するに「4割は負けている」評価であって、圧勝ではありません。公式自身も「slightly ahead(わずかに上)」という控えめな言い方をしています。
ここを「GLMとKimiに勝った」とだけ切り取ると、実態からずれます。それに、この評価にGPT 5.6 SolとClaude Opus 5は入っていません。
モデルが自分の開発に加わった、という話
プレスリリースを読んでいて、いちばん引っかかったのがこの部分です。
Tencentによれば、Hy4 previewは自身の開発プロセスに初めて参加したとのこと。訓練手法、データ戦略、評価フレームワーク、そして低レベル演算子の自動最適化。モデルが手法を提案し、実験を回し、結果をもとに反復する。生成されたコードとログとフィードバックが、次の探索に流れ込む。公式はこれを「初期段階の再帰的自己改善ループ」と表現しています。
さらに具体的な数字も出ています。Hy4 previewが自ら推論システムのボトルネックを分析し、演算子融合や通信最適化を複数ラウンドにわたって実施した結果、エンドツーエンドのスループットがベースライン比で31.8%向上した、と。しかも異なるコンテキスト長・並行度で一貫した改善が見られたとされています。
正直に言えば、この主張は現時点で外部から検証しようがありません。改善前後のコードもログも公開されていませんから。ただ、「31.8%」という半端な数字をわざわざ出してきているあたり、社内では具体的な計測に基づいているのだろうとは思います。
主張の重みは大きいので、続報が出たら追いかける価値があります。
触る手段は4つある
ここまで読んで「とりあえず試したい」と思った方向けに、経路を整理しておきます。

いちばん軽いのは、Tencentの製品からそのまま使う方法です。WorkBuddyとCodeBuddy(国内版・国際版とも)、それにYuanbao、imaでモデルを切り替えるだけ。公開当初から2週間、WorkBuddyとCodeBuddyでは無料と発表されています。前世代Hy3の無料提供も9月30日まで延長されました。
APIならTencent Cloud TokenHubかOpenRouter。公式価格は入力100万トークンあたり0.834ドル、出力2.501ドル、キャッシュヒット0.042ドルです。
重みを落とす場合は、Hugging Face、ModelScope、GitCode、CNBの4か所から。通常版とFP8量子化版の2種類が用意されています。サーブにはvLLMかSGLangの公式イメージが使え、いずれもテンソル並列8を前提とした設定例が公開されています。
(1) 自前でサーブするときの起点
vLLMなら、公式のプレビルドイメージをそのまま使えます。FP8版を8GPUで並列化し、MTP層による投機的デコーディングを有効にした構成が公式例として提示されています。
docker run --gpus all -p 8000:8000 --ipc=host \
-v ~/.cache/huggingface:/root/.cache/huggingface \
vllm/vllm-openai:hy4-preview tencent/Hy4-preview-FP8 \
--tensor-parallel-size 8 \
--speculative-config '{"num_speculative_tokens":3,"method":"mtp"}' \
--attention-backend FLASHMLA_SPARSE \
--tool-call-parser hy_v4 --reasoning-parser hy_v4 \
--enable-auto-tool-choice \
--served-model-name hy4-preview
SGLang側にもx86とArmの両対応イメージが用意されていて、こちらはNEXTNアルゴリズムで投機的デコーディングを回す設定になっています。ツール呼び出しと推論のパーサーが専用(hy_v4)である点は、既存の運用に組み込むときの注意点です。
見ての通り、テンソル並列8が前提です。FP8版でもデータセンター級のGPUを8枚束ねるクラスの話で、手元のワークステーションに載せる類のものではありません。「活性化49B」という数字だけで調達判断をしないほうがいい、というのはここです。
(2) 呼び出し時に押さえておく設定
推奨パラメータはtemperature 0.9、top_p 1.0。推論モードは既定で「high」、つまり深い思考連鎖が走ります。数学やコーディングには向きますが、単純な用途では過剰です。
直接答えてほしいときは、リクエストに以下を渡します。
extra_body={"chat_template_kwargs": {"reasoning_effort": "no_think"}}
公式が「長く考えすぎる」を既知の課題として挙げている以上、このスイッチは最初に把握しておくべきものです。用途によっては、これだけで応答時間の印象が変わります。
で、結局どうするか
私の見立てを先に書きます。オープンウェイトのモデルを検討している人にとって、Hy4 previewは今いちばん試す価値がある選択肢のひとつです。ただし、GPT 5.6 SolやClaude Opus 5の代替として据えるには、まだ早い。
根拠は前掲の比較表です。オープンソース勢のなかでは互角以上に戦えている。一方で、高難度の数学・物理や長期タスクの完遂力では、クローズドの最上位とまだ差がある。そして本人(Tencent)が「これは初期版で、事前学習にも事後学習にも伸びしろが残っている」と書いています。
その前提で、判断手順を整理しました。

大事なのは、棒グラフではなく自分の実タスクで判定することです。ベンチマークで数ポイント上でも、自社の課題で使えなければ意味がない。逆にベンチマークで見劣りしても、コストが3分の1なら選ぶ理由になります。
無料枠が2週間しかないので、動くなら早めに。試すときは、精度だけでなく所要時間と出力トークン量も一緒に記録しておくといいでしょう。「長考しがち」という既知の課題は、コストにも直結しますから。
まとめ
Hy4 previewは2026年8月28日公開の、総パラメータ770B・活性化49B・コンテキスト1Mのオープンウェイトモデルです。
78層のうち77層がMoEで、専門家256+共有1のうち上位8+共有1だけが動きます。別枠のMTP層で投機的デコーディングにも対応しています。
世代間の伸びは大きく、SWE-Marathonは5.0→31.9、ProgramBenchは3.0→17.5と、桁が変わる項目もあります。
公開表を素直に読むと、オープンソース勢には互角以上、クローズド最上位とはまだ差がある、という構図が見えます。
ライセンスはApache 2.0。WorkBuddy/CodeBuddyの2週間無料枠、TokenHubとOpenRouter経由のAPI、4サイトからの重み配布と、入口は揃っています。
公式自身が「長考しすぎる」「過剰に検証する」を既知の課題として明記しています。評価するときは、精度と一緒に時間とトークン量を測ってください。
数字が派手なモデルほど、公開資料を自分で読み直す価値があります。今回のHy4 previewは、その読み直しに耐える情報量を出してきた。そこは素直に良いと感じました。
参考資料・使用素材
Tencent-Hunyuan/Hy4-preview 公式リポジトリ(README、Benchmark Appendix、モデル仕様、デプロイ手順): https://github.com/Tencent-Hunyuan/Hy4-preview
tencent/Hy4-preview モデルカード(Hugging Face): https://huggingface.co/tencent/Hy4-preview
Tencent 公式プレスリリース「Tencent Releases and Open-Sources Tencent Hy4 preview」(2026年8月28日): https://www.tencent.com/tencent-releases-and-open-sources-tencent-hy4-preview/
Tencent Hy 公式ブログ(Hy4 preview): https://hy.tencent.ai/research/hy4-preview
図1・図4は上記公式リポジトリの assets 配下の画像(Apache 2.0)です。原寸が大きすぎて投稿システムに載らないため、内容はそのままに解像度のみ縮小して使用しています。原寸版は公式リポジトリで参照できます。図2・図3・図5・図6・図7は、公式資料の数値をもとに筆者が作成した図解です。
本記事で扱ったベンチマーク数値は、いずれもTencentによる自己申告値です。第三者による独立検証は本記事執筆時点で確認できていません。
この記事が役に立ったら、ぜひスキ❤️やコメントをお願いします!質問があれば、コメント欄でお気軽にどうぞ。
テクノロジーで、あなたのビジネスに革新を

この記事をお読みいただき、ありがとうございます。「システムを作りたいけど、初期投資が高すぎる」「IoT製品を開発したいが、技術とコストの両面で不安」とお悩みではありませんか?
✨ 初期費用0円でSaaSを開発。ポノテクのマイクロSaaSサービス
私たちポノテク株式会社は、お客様専用のSaaSを初期費用0円で開発します。

マイクロSaaS開発の特徴
初期費用0円: Webアプリ、モバイルアプリ、デスクトップアプリを無料で開発
月額サブスクで提供: 必要な機能に応じた月額料金で利用開始
買取オプション: サブスク利用中に、システムを自社所有物として買い取ることも可能
「自社専用のSaaSが欲しいけど、数百万円の初期投資は厳しい」そんな企業様に最適なソリューションです。
🔧 IoT受託開発 × 補助金活用で、ものづくりを支援
ハードウェアからソフトウェアまで一貫して開発可能。IoTシステムの構築を、補助金を活用して最大66%のコスト削減で実現します。

補助金活用でシステム開発コスト削減
経済産業省認定のIT導入支援事業者として、以下のサービスをワンストップで提供。
補助金診断・申請サポート: 採択率82.8%の実績で、最適な補助金をご提案
要件定義から開発まで一貫支援: 補助金要件に100%準拠した開発体制
省力化補助金・ものづくり補助金など: 最大8,000万円の補助金活用をサポート
📚 最新刊『ComfyUIマスターガイド』5月9日発売!
AI技術に関する深い知見を持つ私たちの代表・早野康寛が共著者として参加した画像生成AI書籍『ComfyUIマスターガイド』が、2025年5月9日にSBクリエイティブ社より発売されました。AI画像生成の最前線を理解したい方は、ぜひご覧ください。
📈 こんな課題をお持ちの企業様に最適です
「専用SaaSが欲しいが、初期投資を抑えたい」
「IoT製品を開発したいが、ハードとソフト両方の知見が必要」
「補助金を活用したいが、申請方法がわからない」
「サブスクで始めて、必要なら買い取りたい」
🌟 三つの強みで、確かな未来を共に創る
マイクロSaaS開発: 初期費用0円で専用システムを構築
IoT受託開発: ハードウェアからソフトウェアまで一貫対応
補助金活用: 開発コストを最大66%削減
ぜひ初回無料相談をご利用ください。技術と経営の両面から、貴社の成長戦略を共に考えましょう。
ポノテク株式会社へのお問い合わせはこちらから!
▶ テクノロジーで成長を加速する第一歩を踏み出す
― 技術で未来を創る。ポノテク株式会社