Memahami Tencent Hy4: 5 Kesimpulan Penting tentang Kemampuan Multimodal dan Pengoperasian Komputer, Harga, serta Keterbatasan Kemampuan

Catatan penulis: Tencent Hy4 resmi dirilis dan untuk pertama kalinya mendukung pemahaman gambar serta pengoperasian komputer. Artikel ini membandingkan klaim produsen, pengujian mitra, dan evaluasi independen pihak ketiga agar kamu bisa memahami batas kemampuan dan skenario penggunaannya.

Sekitar dua bulan setelah versi pratinjau dirilis, Tencent meluncurkan versi resmi Hy4. Model ini untuk pertama kalinya mendukung pemahaman gambar dan pengoperasian perangkat lunak komputer secara mandiri, dengan harga yang sama seperti versi pratinjau. Tencent menyebut Hy4 untuk pertama kalinya masuk jajaran model berbobot terbuka paling kuat, tetapi bobotnya baru akan dibuka pada tanggal yang belum diumumkan.

Ini bukan sekadar rangkuman acara peluncuran. Hasil pengujian Tencent, masukan dari mitra, dan evaluasi independen Artificial Analysis tidak sepenuhnya sejalan. Beberapa perbedaannya bahkan cukup besar. Artikel ini membandingkan ketiganya satu per satu untuk membedakan klaim produsen dari kesimpulan independen.

Manfaat utama: Setelah membaca artikel ini, kamu akan tahu kemampuan baru Hy4, harganya, tugas-tugas yang hasilnya tertinggal jauh, serta cara menggunakannya secara aman untuk pemrograman, keuangan, dan pekerjaan kantor.

Ringkasan informasi utama Tencent Hy4

Berikut fakta-fakta yang sudah dikonfirmasi. Sebagian besar deskripsi kemampuan dalam tabel berasal dari Tencent; data pihak ketiga akan diberi keterangan tersendiri di bagian selanjutnya.

Latar belakang peluncuran Tencent Hy4

Hy3, model generasi sebelumnya dari Tencent, memiliki 295 miliar parameter dan dirilis dengan lisensi Apache 2.0. Dalam beberapa bulan setelahnya, Zhipu merilis GLM-5.3, DeepSeek merilis V4.1-Flash-1017, dan Moonshot AI meluncurkan Kimi K3.1 Pro. Persaingan antarmodel buatan Tiongkok pun semakin ketat. Hy4 diposisikan untuk membawa Tencent kembali ke jajaran teratas dalam persaingan ini.

Hal lain yang perlu diperhatikan adalah perubahan metode evaluasi. Pada akhir Oktober, Artificial Analysis memperbarui indeks kompositnya: kini 60% penilaiannya didasarkan pada kumpulan uji privat yang tidak dipublikasikan. Dengan metode baru ini, selisih antara model terbuka dan model terbaik melebar dari 3 menjadi 12 poin. Karena itu, skor Hy4 tidak sebaiknya dibandingkan secara langsung dengan papan peringkat lama sebelum pembaruan.

Mengenal kemampuan multimodal dan pengoperasian komputer Tencent Hy4

Pemahaman gambar dan pengoperasian komputer adalah dua perubahan terbesar pada generasi Hy4 ini. Yang pertama memungkinkan model melihat gambar, sementara yang kedua memungkinkannya melakukan tindakan. Kombinasi keduanya membuka peluang untuk menangani alur kerja perkantoran dan pengembangan yang nyata.

Pemahaman gambar Hy4: mencari detail dengan kode pemotong gambar

Dalam demonstrasi Tencent, Hy4 diminta mencari sebuah komponen berukuran sekitar dua meter di atap gudang dalam gambar udara beresolusi 2,8 miliar piksel. Alih-alih “melihat” seluruh gambar sekaligus, Hy4 menggunakan kode untuk menentukan area pemotongan, lalu memperbesar dan memeriksa setiap bagian satu per satu. Pendekatan “melihat gambar dengan bantuan alat” ini menarik untuk menangani gambar teknis berukuran sangat besar, citra penginderaan jauh, dan bagan yang kompleks.

Tencent juga menyebutkan bahwa pemahaman gambar dapat membantu pemrograman, misalnya untuk membangun situs web dan game berdasarkan gambar desain. Untuk pengembangan game, Tencent bekerja sama dengan studio game miliknya untuk menyesuaikan Hy4 dengan engine populer seperti Unreal, Unity, dan Godot. Menurut tim pengembang Honor of Kings, Hy4 hampir tidak membuat kesalahan saat menangani tugas konfigurasi, dan tingkat keberhasilannya dalam menemukan akar penyebab bug juga jauh lebih tinggi daripada sebelumnya. Namun, ini adalah umpan balik dari tim internal Tencent tanpa metode pengujian yang dipublikasikan.

Pengoperasian komputer Hy4: untuk perangkat lunak profesional dan alur lintas aplikasi

Untuk pertama kalinya, Hy4 memiliki kemampuan mengoperasikan komputer secara mandiri dan dapat langsung mengendalikan perangkat lunak untuk menyelesaikan tugas. Tencent melatihnya secara khusus menggunakan alat profesional seperti Blender dan CAD, termasuk untuk tugas yang membutuhkan penggunaan beberapa aplikasi secara berurutan. Dalam pekerjaan kantor, Hy4 dapat berkolaborasi dengan manusia secara real-time untuk mengolah file Word, Excel, dan PowerPoint.

Ada satu acuan penting di sini. Pada hari yang sama, lembaga analisis SemiAnalysis merilis benchmark GDPx, yang meminta agen AI mengoperasikan perangkat lunak profesional seperti Siemens NX dalam simulasi lingkungan kerja nyata. Setiap tugas dapat berlangsung hingga 8 jam. Hasilnya, tidak ada model yang memperoleh skor di atas 12%; Claude Opus 5.5 yang berada di peringkat pertama pun hanya mencapai 12%. Hy4 tidak muncul dalam daftar tersebut, tetapi hasil ini mengingatkan kita bahwa kemampuan pengoperasian komputer di seluruh industri masih berada pada tahap awal. Masih ada jarak yang besar antara “bisa mengoperasikan perangkat lunak” dan “bisa menyelesaikan pekerjaan profesional secara mandiri”.

Hy4 ikut melatih “generasi penerusnya”

Tencent juga menunjukkan arah pengembangan yang cukup unik: menggunakan Hy4 untuk meningkatkan proses pengembangan AI itu sendiri. Dalam pengujian tugas riset internal di tujuh bidang, Tencent menyatakan bahwa Hy4 menempati peringkat pertama di antara model terbuka. Hy4 yang dipadukan dengan sistem agen Hyra 2.0 meningkatkan throughput infrastruktur pelatihan internal Tencent sekitar 20% dalam enam langkah.

Setelah itu, Hy4 secara mandiri melatih satu versi model pengambilan keputusan Jev milik perusahaan rintisan Amerika Serikat, TypeSafe AI. Varian Hyra-Jev ini melampaui Jev versi asli pada 6 dari 8 benchmark. Tencent juga akan merilis dua model khusus untuk biologi dan fisika yang dibuat dengan cara ini sebagai model terbuka. Semua hasil ini berasal dari pengujian internal Tencent, tetapi menunjukkan tujuan jangka panjangnya: menjadikan Hy4 sebagai akselerator riset dan pengembangan AI internal.

Perbandingan Evaluasi Tencent Hy4 dari Tiga Pihak: Vendor, Mitra, dan Lembaga Independen

Bagian ini adalah inti artikel. Ketiga pihak memberikan gambaran yang cukup berbeda tentang model yang sama, jadi pastikan Anda tahu siapa yang menyampaikan hasilnya sebelum memilih model.

Perbedaan utama antara pengujian internal dan evaluasi independen Tencent Hy4

Perbedaan paling jelas terlihat saat membandingkan Hy4 dengan Kimi K3.1 Pro. Dalam pengujian finansial Tencent, Hy4 berada di atas Kimi. Namun, dalam indeks keseluruhan Artificial Analysis, Hy4 tertinggal 11 poin dari Kimi. Keduanya tidak selalu bertentangan: pengujian finansial mencakup skenario yang spesifik, sedangkan indeks keseluruhan mencakup berbagai dimensi seperti pekerjaan berbasis pengetahuan, pemrograman, sains, dan penalaran umum. Artinya, Hy4 mungkin unggul dalam skenario finansial yang menjadi fokus Tencent, tetapi tidak unggul dalam kemampuan keseluruhan.

Ada juga hal yang perlu diperhatikan soal nilai ekonomisnya. Data Artificial Analysis menunjukkan bahwa skor keseluruhan Hy4 kurang lebih setara dengan Haiku 5.5, model terkecil Anthropic. Namun, biaya per tugas Haiku 5.5 pada tolok ukur tersebut hampir separuh biaya Hy4. Jadi, harga per token saja tidak cukup untuk menyimpulkan bahwa “Hy4 lebih murah”. Jumlah token yang benar-benar digunakan untuk menyelesaikan tugas juga perlu diperhitungkan.

Kelemahan Tencent Hy4 dalam Tugas Sulit

Tencent sendiri mengakui bahwa Hy4 masih jauh tertinggal dari model komersial terbaik dalam matematika tingkat lanjut, proyek pemrograman yang panjang, dan analisis gambar yang kompleks. Kesenjangan terbesar terlihat pada Hy-FrontierMath T5:

Skor 13.0 dibandingkan dengan skor di atas 90 bukan lagi sekadar “sedikit lebih lemah”, melainkan sudah berbeda kelas. Jika bisnis Anda membutuhkan penalaran matematika setingkat kompetisi, pengerjaan kode jangka panjang, atau analisis gambar dengan presisi tinggi, Hy4 saat ini belum cocok dijadikan model utama.

Analisis Dampak Tencent Hy4: Apa Artinya bagi Developer dan Tim Produk?

Dampaknya bagi developer: terhubung dan tidak terhubung ke internet seperti dua model berbeda

Jika angka “tingkat halusinasi sekitar 5% saat terhubung ke internet” dan “89% mengarang jawaban tanpa koneksi internet” dilihat bersama, kesimpulannya jelas: keandalan faktual Hy4 sangat bergantung pada pencarian eksternal. Angka 5% dari Tencent berasal dari pengujian internal dengan pencarian internet, sedangkan angka 89% menunjukkan kecenderungan mengarang yang diukur Artificial Analysis dalam kondisi tanpa akses referensi. Saat mengintegrasikan Hy4 ke produk, pada dasarnya Anda bisa merancangnya sebagai “model yang wajib dilengkapi pencarian”.

Untuk penerapannya, berikut beberapa praktik yang bisa diikuti:

• Gunakan pencarian untuk semua pertanyaan faktual: ambil sumber terlebih dahulu melalui pencarian atau RAG, lalu minta model menjawab berdasarkan sumber tersebut. Jangan biarkan model menjawab dari ingatan.
• Nyatakan dalam petunjuk bahwa model “boleh mengatakan tidak tahu”: minta model menjawab “tidak disebutkan dalam sumber” jika informasi tidak tersedia, untuk mengurangi kemungkinan mengarang.
• Minta model mencantumkan sumber: minta model menjelaskan bagian sumber yang mendasari setiap kesimpulan agar mudah diperiksa secara manual.
• Periksa ulang angka penting: verifikasi kembali angka dalam keluaran keuangan atau laporan menggunakan program atau aturan. Seperti ditunjukkan oleh evaluasi GDPx, satu angka yang salah dalam tabel bisa membuat seluruh keluaran kehilangan nilainya.

Berikut contoh pemanggilan sederhana dengan “penguatan pencarian + izin untuk menolak menjawab”. Ganti nama model dengan model yang tersedia bagi Anda. Untuk ID model Hy4 yang spesifik di setiap platform, periksa konsol platform tersebut.

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

context = "（这里放检索召回的资料片段）"
resp = client.chat.completions.create(
    model="your-model-name",
    messages=[
        {"role": "system", "content": "只依据给定资料回答；资料没有的内容回答“资料未提及”，并标注出处段落。"},
        {"role": "user", "content": f"资料：{context}\n\n问题：该公司三季度营收是多少？"}
    ],
    temperature=0
)
print(resp.choices[0].message.content)

import openai
from typing import List, Dict

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

SYSTEM = (
    "只依据给定资料回答问题。"
    "如果资料中没有答案，必须只回答：资料未提及。"
    "回答时注明依据的资料段落编号。"
)

def ask(model: str, context: str, question: str) -> str:
    try:
        resp = client.chat.completions.create(
            model=model,
            messages=[
                {"role": "system", "content": SYSTEM},
                {"role": "user", "content": f"资料：\n{context}\n\n问题：{question}"}
            ],
            temperature=0,
            max_tokens=500
        )
        return resp.choices[0].message.content
    except Exception as e:
        return f"Error: {e}"

def evaluate(models: List[str], cases: List[Dict]) -> None:
    """Untuk pertanyaan dalam cases dengan answerable=False, sumber sengaja tidak memuat jawaban untuk menguji kecenderungan mengarang"""
    for m in models:
        refused, fabricated = 0, 0
        for c in cases:
            out = ask(m, c["context"], c["question"])
            if not c["answerable"]:
                if "资料未提及" in out:
                    refused += 1
                else:
                    fabricated += 1
        print(f"{m}: 正确拒答 {refused}，疑似编造 {fabricated}")

cases = [
    {"context": "[1] 公司二季度营收 12 亿元。", "question": "三季度营收是多少？", "answerable": False},
    {"context": "[1] 公司二季度营收 12 亿元。", "question": "二季度营收是多少？", "answerable": True},
]

# Ganti daftar dengan ID model yang ingin dibandingkan
evaluate(["model-a", "model-b"], cases)

🎯 Saran pemilihan model: Saat mengevaluasi model baru seperti Hy4, cara paling andal adalah membandingkan hasilnya pada tugas yang sama menggunakan sampel dari bisnis Anda, bukan hanya melihat papan peringkat. APIYI apiyi.com menyediakan antarmuka terpadu yang kompatibel dengan OpenAI. Dengan satu kunci API, Anda bisa mengakses Claude, GPT, Gemini, dan berbagai model Tiongkok, sehingga kandidat model dapat diuji pada set data yang sama. Untuk mengetahui apakah Hy4 sudah tersedia di platform, periksa daftar model di konsol.

Dampaknya bagi penanggung jawab produk: tugas yang cocok dan tidak cocok untuk Hy4

Berdasarkan informasi dari ketiga pihak, kecocokan Hy4 untuk berbagai tugas dapat dirangkum sebagai berikut.

Dampak pada industri: bobot terbuka dan regulasi yang makin ketat

Hy4 berencana membuka bobotnya, sehingga perusahaan nantinya mungkin memiliki opsi untuk menerapkannya di lingkungan privat. Namun, tanggal pembukaan bobot dan lisensinya belum diumumkan. Untuk saat ini, sebaiknya jangan memasukkannya ke dalam rencana yang membutuhkan jadwal pengiriman pasti.

Ada perubahan di tingkat kebijakan juga. Pada Oktober, Kementerian Perdagangan dan Kementerian Sains dan Teknologi Tiongkok menerbitkan draf kerangka pengendalian ekspor yang mencakup bobot model dalam sepuluh peringkat teratas dunia atau yang memiliki lebih dari dua triliun parameter. Namun, publikasi sumber terbuka mendapat jalur cepat dengan persetujuan otomatis. Dari sisi keamanan, Tencent menyatakan bahwa mereka sengaja menyaring materi terkait peretasan selama pelatihan. Laboratorium keamanan internalnya tidak menemukan peningkatan risiko penyalahgunaan, sementara risiko bahaya biologis juga jauh di bawah ambang batas yang ditetapkan. Laporan keamanan terperinci akan diterbitkan bersamaan dengan bobotnya.

FAQ Tencent Hy4

Poin Utama Tencent Hy4

• Dua kemampuan baru: Untuk pertama kalinya, Hy4 mendukung pemahaman gambar dan pengoperasian komputer secara mandiri, termasuk Blender, CAD, dan dokumen Office.
• Harga tetap: Sekitar US$0,83 per juta token input dan US$2,50 per juta token output, sama seperti versi pratinjau.
• Penilaian independen di atas rata-rata: Skor indeks gabungan AA mencapai 35, peringkat kedua di antara model buatan Tiongkok, tetapi masih jauh di belakang Kimi K3.1 Pro.
• Perlu dilengkapi pencarian: Tingkat halusinasi sekitar 5% saat terhubung ke internet. Tanpa koneksi, model mengarang jawaban dalam 89% kasus ketika tidak tahu jawabannya.
• Tertinggal pada tugas sulit: Kemampuannya dalam matematika tingkat lanjut, proyek pemrograman panjang, dan analisis gambar kompleks masih jauh di bawah model komersial teratas.
• Hasil pengujian mandiri perlu diverifikasi: Klaim peringkat di bidang keuangan dan kesimpulan mitra sebagian besar berasal dari pengujian mandiri. Uji dengan sampel sendiri sebelum digunakan.
• Lebih aman membandingkan: Gunakan antarmuka terpadu APIYI apiyi.com untuk membandingkan model alternatif atau pembanding Hy4 dengan kumpulan pengujian yang sama.

Kesimpulan

Poin utama Tencent Hy4:

1. Kemampuannya meningkat signifikan: Pemahaman gambar dan pengoperasian komputer menjadi tambahan terbesar pada generasi ini, dengan pengembangan yang difokuskan pada penggunaan di bidang keuangan dan perkantoran.
2. Perlu membedakan klaim dari tiap pihak: Pengujian mandiri oleh vendor dan mitra cenderung optimistis. Sementara itu, penilaian independen Artificial Analysis menempatkannya di peringkat kedua di antara model buatan Tiongkok, mendekati Haiku 5.5.
3. Kekurangannya jelas: Hy4 mudah mengarang jawaban tanpa koneksi internet dan jauh tertinggal dalam matematika sulit serta proyek pemrograman panjang. Semua ini langsung memengaruhi pilihan model.

Jika Anda menangani tugas seperti pencarian data keuangan, pemrosesan dokumen, atau konfigurasi gim, Hy4 layak dicoba dalam proyek percontohan dengan dukungan pencarian. Jika kebutuhan Anda bergantung pada pengetahuan tanpa bantuan pencarian atau penalaran tingkat tinggi, saat ini lebih tepat memilih model yang lebih kuat. Sebaiknya gunakan antarmuka terpadu APIYI apiyi.com untuk menguji kandidat model dengan soal yang sama, lalu tentukan pilihan berdasarkan biaya dan akurasinya.

📚 Referensi

1. THE DECODER – Tencent releases Hy4 with vision and computer use: Berita peluncuran Hy4
2. Tautan: the-decoder.com/tencent-releases-hy4-with-vision-and-computer-use-claims-second-place-among-chinese-ai-models

3. Keterangan: Mencakup data resmi Tencent, masukan mitra, dan hasil evaluasi independen Artificial Analysis

4. THE DECODER – Laporan benchmark GDPx dari SemiAnalysis: Evaluasi AI Agent dalam skenario kerja nyata

5. Tautan: the-decoder.com/no-ai-agent-scores-above-12-percent-on-semianalysis-new-real-world-work-benchmark

6. Keterangan: Gambaran kemampuan AI Agent dalam mengoperasikan komputer dan menggunakan perangkat lunak profesional

7. Artificial Analysis: Lembaga evaluasi model independen

8. Tautan: artificialanalysis.ai
9. Keterangan: Menyediakan data terbaru dari evaluasi seperti Intelligence Index dan AA-Omniscience

Penulis: Tim Teknis APIYI
Diskusi teknis: Hubungi kami melalui halaman utama situs APIYI di apiyi.com. Untuk informasi integrasi lainnya, kunjungi pusat dokumentasi di docs.apiyi.com