Hy4 preview im Test 2026: was es kann und kostet

Micha, AI Infrastructure Consultant bei Pexon Consulting | 8 Min. Lesezeit | 08.09.2026

TL;DR: Hy4 preview kurz erklärt

Hy4 preview ist Tencents 770-Milliarden-MoE-Flagship mit 49 Milliarden aktiven Parametern, Apache-2.0-Gewichten und einer Million Token Kontext. Veröffentlicht am 28. August 2026. Listenpreis über OpenRouter: 0,834 US-Dollar Input und 2,501 US-Dollar Output je Million Token. Pexon Consulting bindet solche Modelle in eine offene Plattform ein, in der Code, IP und Datenkonnektoren beim Kunden bleiben.

Das Problem: Ein Flagship, das sich nicht wie Flash anfühlt

Am 26. August 2026 kam GLM 5.3 Flash. Zwei Tage später legt Tencent Hy4 preview nach. Wer beide nur als „noch ein offenes Modell“ ablegt, vermischt zwei völlig verschiedene Betriebsfälle.

Flash-Modelle sind für Wiederholung gebaut. Ein Flagship mit 770 Milliarden Parametern ist für lange Agentenläufe, große Repositories und Aufgaben gebaut, bei denen ein günstiges Modell abbricht oder halluziniert. Der Preis folgt dieser Logik: Hy4 preview kostet nach Liste rund das Fünffache von GLM 5.3 Flash je Ausgabe-Token. Die Hardware folgt noch deutlicher. Das ist kein Modell für den Workstation-Test am Freitagnachmittag.

Unsere Position dazu ist klar: Hy4 preview gehört in die Auswertung, nicht automatisch in jede Anwendung. Wer es als neuen Default für Klassifikation, Tickets und Zusammenfassungen einsetzt, kauft Flagship-Preise für Flash-Arbeit.

Was Hy4 preview ist

Tencent hat das Modell am 28. August 2026 als Preview veröffentlicht, Gewichte und FP8-Checkpoint stehen unter Apache 2.0. Der Kern ist Mixture-of-Experts: 78 Schichten, die erste dicht, die übrigen 77 mit 256 gerouteten Experten plus einem gemeinsamen Experten. Pro Token laufen die Top-8 plus der Shared Expert. Zusätzlich sitzt eine native MTP-Schicht (10 Milliarden gesamt, 0,7 Milliarden aktiv) für spekulatives Dekodieren.

Zwei Angaben sollte niemand vermischen. Die Spezifikationstabelle nennt 770 Milliarden für das Backbone. Die Safetensors-Metadaten auf Hugging Face zeigen rund 780 Milliarden, weil die MTP-Schicht dazuzählt. Das ist kein Widerspruch.

Hy4 preview ist die nächste Stufe nach Hy3 (295 Milliarden gesamt, 21 Milliarden aktiv, 256.000 Token Kontext, Release 6. Juli 2026). Kontext mal vier, aktive Parameter grob mal zwei. Tencent selbst schreibt, das sei der größte Generationensprung, den das Team gemessen hat. Das ist eine Herstellerangabe, keine unabhängige Rangliste.

Am 8. September 2026 lag das GitHub-Repository Tencent-Hunyuan/Hy4-preview bei 355 Sternen. Hugging Face zeigte für tencent/Hy4-preview rund 258 Likes. Das Ökosystem ist elf Tage alt. Erste Community-GGUF-Quantisierungen tauchten am selben Tag in den Modell-Diskussionen auf. Das ändert den GPU-Bedarf des 770B-Kerns nicht, zeigt aber, wie früh der Stand noch ist.

Der Preis, und warum die Liste täuscht

Über OpenRouter und Tencent Cloud TokenHub gilt derselbe Listenpreis:

Der Haken sitzt nicht in einer auslaufenden Aktion, sondern im Cache. OpenRouter wies am 8. September 2026 eine Cache-Trefferquote von rund 94,5 Prozent aus. Der tatsächlich gezahlte Input lag deshalb bei etwa 0,085 USD je Million Token, der Output blieb bei 2,50 USD. Für Agenten, die denselben Systemprompt und dasselbe Repository immer wieder schicken, ist der Input also fast geschenkt. Die Rechnung treibt der Output, plus das Denken: Reasoning steht standardmäßig auf high.

Zum Vergleich, Listenpreis Ausgabe je Million Token:

Den GLM-Preis und den Einsatz im Dauerbetrieb haben wir im Praxistest zu GLM 5.3 Flash auseinandergelegt. Hy4 preview spielt in einer anderen Liga, nach oben. Wer Flash-Last damit bedient, zahlt Flagship für Wiederholung.

Ein zweiter Haken, den Katalogseiten gerne unterschlagen: OpenRouter misst für Hy4 preview eine Structured-Output-Fehlerquote von 18,58 Prozent. Tool-Calls liegen bei 0,21 Prozent Fehler, das ist brauchbar. Wer JSON-Schema als Vertragsformat braucht, sollte das vor dem Rollout hart gegenprüfen. P50-Latenz 3,19 Sekunden, Durchsatz 41 Token/s. Für Chat ist das träge. Für lange Agentenläufe ist es akzeptabel, wenn die Qualität stimmt.

Was es leistet

Ein teures Modell rechtfertigt sich nur, wenn es Aufgaben schafft, an denen günstigere scheitern. Die öffentlich genannten Werte, Stand Modellkarte:

Tencent lässt 163 interne Experten 203 Engineering-Aufgaben blind gegen GLM 5.3 und Kimi K3 bewerten. Hy4 preview kommt auf 2,99 von 4, GLM 5.3 auf 2,92, Kimi K3 auf 2,94. Die Gewinnquote gegen GLM: 46,8 Prozent Siege, 12,8 Prozent Unentschieden, 40,4 Prozent Niederlagen. Das ist kein Knockout. Es ist ein knapper Vorsprung in einem Test, den der Hersteller selbst aufgesetzt hat.

Unsere klare Empfehlung: Diese Zahlen als Startpunkt nehmen, nicht als Freigabe. Preview heißt bei Tencent ausdrücklich, dass Pre-Training und Post-Training noch Luft haben. Die nächste Hy4-Charge soll folgen, ohne Datum.

Wo es nicht reicht

Vier Punkte, die gegen einen unbesehenen Umstieg sprechen.

Es denkt zu lange. Tencent schreibt das selbst in die Modellkarte: Hy4 preview braucht für komplexe Aufgaben oft mehr Reasoning als nötig und prüft fertige Antworten noch einmal nach. Reuters hat genau diese beiden Schwächen bestätigt. Im Agentenbetrieb wird daraus Latenz und Output-Kosten, nicht Qualität.

Structured Output ist wacklig. 18,58 Prozent Fehlerquote auf OpenRouter ist für Pipelines, die Schema erzwingen, zu viel. Tool-Calling ist das kleinere Problem. JSON als Schnittvertrag ist das größere.

Self-Hosting ist ein Clusterprojekt. vLLM nennt für BF16 1.848 GB und als Minimum 16x B200 oder 8x B300. MXFP8 halbiert das auf 924 GB. Der FP8-Checkpoint plus Tensor-Parallel 8 ist der praktikable Weg, nicht eine einzelne H100. South China Morning Post berichtete, Tencent habe den 1,5-Terabyte-Checkpoint auf 214 GB komprimiert. Auch das bleibt ein Mehr-GPU-Setup.

Die Tencent-API ist für viele deutsche Fälle der falsche Weg. TokenHub und OpenRouter sind schnell zum Ausprobieren. Sobald Fachdaten, Quellcode oder Kundeninhalte fließen, entscheidet der Verarbeitungsort. Eine API in der Tencent Cloud ist dann keine Abkürzung, sondern eine bewusste Drittlandentscheidung.

Wir raten deshalb davon ab, Hy4 preview als stillen Ersatz für GLM 5.3 Flash oder Hy3 in den Default-Router zu legen. Es ist das teurere, schwerere Modell für die schwierigen Läufe.

Selbst hosten oder über die API?

Weil die Gewichte unter Apache 2.0 stehen, haben Sie beide Wege. Für den ersten Funktionstest ist die API legitim. Für den produktiven Betrieb in Unternehmen mit 300-3.000 Mitarbeitern raten wir zum Selbsthosten auf eigener Infrastruktur, sobald schützenswerte Daten im Spiel sind.

Das Argument ist hier selten der Tokenpreis. Bei 2,50 US-Dollar je Million Ausgabe-Token rechnet sich ein 8x-B300-Knoten erst bei hoher konstanter Last. Das stärkere Argument ist Eigentum: Modellgewichte, Anwendungscode, Datenkonnektoren und IP liegen dann in Ihrem Repo, nicht in einem gemieteten Chat-Produkt.

Ein minimaler Start mit dem offiziellen vLLM-Image, Stand Rezept vLLM 0.29.0+ im September 2026:

# FP8-Checkpoint, 8-way Tensor-Parallel, MTP für spekulatives Dekodieren
docker run --gpus all 
  -p 8000:8000 
  --ipc=host 
  -e VLLM_ENABLE_HPC_OPS=1 
  -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 
    --port 8000 
    --served-model-name hy4-preview

# Gegenprobe: antwortet der lokale Endpoint?
curl http://localhost:8000/v1/chat/completions 
  -H "Content-Type: application/json" 
  -d '{"model":"hy4-preview","messages":[{"role":"user","content":"Antworte mit OK."}],"temperature":0.9,"top_p":1.0}'

Für direkte Antworten ohne tiefe Denkkette setzt Tencent reasoning_effort auf no_think. Wer das vergisst, zahlt Reasoning, das die Aufgabe nicht braucht. Wie so ein Serving sauber betrieben wird, steht auf unserer Seite zu vLLM als Inferenz-Serving.

Was das praktisch heißt

Ein neues Flagship ändert nichts, solange das Modell fest in der Anwendung verdrahtet ist. Der Hebel entsteht, wenn die Modellwahl eine Konfiguration ist.

Die Zuordnung, die wir heute setzen würden:

Pexon Consulting baut genau diese Schicht als offene KI-Plattform: Gateway, Routing, Verbrauch statt Sitzlizenz. Code, IP und Datenkonnektoren gehören dem Kunden. Keine Abhängigkeit von Tencent, Langdock oder einem anderen Dritten, der die Anwendungsschicht mietet. Wie sich das ohne Vendor-Lock-in verdrahten lässt, steht unter Unabhängigkeit der offenen KI-Plattform.

Pexon Consulting, 80 Mitarbeiter in Deutschland, ISO 27001 und Microsoft Partner, betreibt das nicht als gemieteten Chat, sondern als Plattform, die Sie weiterentwickeln können, wenn der Pilot vorbei ist.

Häufig gestellte Fragen

Was kostet Hy4 preview wirklich?

Listenpreis 0,834 US-Dollar je Million Eingabe-Token und 2,501 US-Dollar je Million Ausgabe-Token, Cache-Read 0,042 US-Dollar. Bei hoher Cache-Quote fällt der effektive Input deutlich, der Output nicht. Rechnen Sie mit dem Listen-Output, nicht mit dem vergünstigten Input.

Ist Hy4 preview besser als GLM 5.3 Flash?

Auf den schweren Coding-Benchmarks liegt Hy4 preview vorn oder gleichauf, kostet aber rund das Fünffache je Ausgabe-Token und braucht ein GPU-Cluster. Für Dauerlast mit gleichförmigen Aufgaben bleibt Flash die wirtschaftlichere Wahl. Für lange Agentenläufe lohnt der Vergleich auf Ihren eigenen 30-50 Aufgaben.

Kann ich Hy4 preview selbst hosten?

Ja. Die Gewichte stehen unter Apache 2.0, offizielle Images gibt es für vLLM 0.29.0+ und SGLang. Der Referenzpfad ist der FP8-Checkpoint mit --tensor-parallel-size 8. Ohne Mehr-GPU-Knoten ist das kein realistischer Produktivbetrieb.

Hy4 preview vs Hy3: wann das größere Modell?

Hy3 bleibt die günstigere Stufe (0,18 / 0,60 USD, 256k Kontext). Hy4 preview verdoppelt grob die aktiven Parameter und vervierfacht das Kontextfenster. Nehmen Sie Hy4 preview, wenn der 1M-Kontext oder die Agentenqualität den Aufpreis trägt. Sonst Hy3 oder ein Flash-Modell.

Darf ein deutsches Unternehmen die Tencent-API nutzen?

Technisch ja, regulatorisch oft unklug. Über die Rechtslage entscheidet der Verarbeitungsort, nicht wer das Modell trainiert hat. Offene Gewichte in Ihrem Rechenzentrum oder bei einem europäischen Betreiber halten Daten im vereinbarten Raum. Die TokenHub-API ist eine andere Entscheidung.

Nächster Schritt

Wenn Sie Hy4 preview ernsthaft prüfen, starten Sie nicht mit dem Leaderboard. Starten Sie mit drei eigenen Workloads, einmal über API zum Kalibrieren, einmal auf Ihrem Cluster mit dem FP8-Checkpoint. Messen Sie Qualität, Structured-Output-Fehler, Latenz und Kosten getrennt.

Verwandte Themen