El 4 de noviembre de 2026, Tencent presentó oficialmente Hy4, su modelo insignia de nueva generación. En lugar de centrar el anuncio en el volumen de parámetros, la documentación técnica situó la mitigación de errores en primer plano: en las pruebas internas, la tasa de alucinación en recuperación descendió al 5,45% y los errores especulativos al 5,6%. En un sector volcado en batir récords en clasificaciones académicas, priorizar la exactitud factual marca una filosofía de ingeniería netamente orientada a producción.
Obtener puntuaciones elevadas en benchmarks académicos no garantiza la viabilidad operativa en entornos de producción. La competencia en los modelos de pesos abiertos está transitando de los límites teóricos de capacidad a la garantía de un suelo mínimo de fiabilidad. La hoja de ruta de Tencent para Hy4 es nítida: erradicar la invención de hechos en el proceso de generación antes de expandir el control multimodal y las operaciones del sistema.
Figura: Distribución del benchmark principal de Hy4, con énfasis en la estabilidad en tareas de recuperación de conocimiento y razonamiento especializado. Fuente: Tencent Hunyuan (Blog oficial de lanzamiento).
Reducción de casi el 70% en alucinaciones: ingeniería más allá de las tablas de clasificación
En los sistemas empresariales de generación aumentada por recuperación (RAG), los fallos suelen deberse a desviaciones factuales durante la fase de consulta. Según los datos internos revelados por Tencent, la tasa de alucinación en recuperación de Hy4 bajó del 15,76% registrado en versiones previas al 5,45%, mientras que los errores especulativos disminuyeron en paralelo del 23,1% al 5,6%. En sectores sometidos a auditorías estrictas, rebajar la tasa de alucinación por debajo del umbral del 6% permite implementar flujos de verificación automatizados viables.
Durante la fase de postentrenamiento, el equipo reforzó la capacidad de respuesta a consultas con sensibilidad temporal, la síntesis multifuente y los mecanismos de verificación de coherencia factual. Este sistema se extendió además a herramientas ofimáticas corporativas, optimizando la edición colaborativa en tiempo real para evitar desincronizaciones de estado entre múltiples usuarios concurrentes.
Estas métricas proceden de conjuntos de pruebas desarrollados internamente por Tencent, por lo que reflejan las prioridades de optimización del equipo a la espera de evaluaciones independientes a ciegas. No obstante, convertir la reducción de errores en el principal argumento técnico denota una apuesta decidida por la fiabilidad cuantificable.
213 analistas financieros evalúan 579 casos reales: liderazgo en pesos abiertos probado sobre el terreno
El sector financiero presenta una tolerancia prácticamente nula ante los errores de generación factual. Tencent Financial Technology (FiT) colaboró con 213 especialistas del sector para evaluar el modelo en 579 tareas operativas reales. Entre los evaluadores, 153 pertenecían a entidades financieras de primer nivel y más del 70% contaba con más de cinco años de experiencia en áreas de alto riesgo, como auditorías contables y control de cumplimiento normativo.
En una escala de 5 puntos, Hy4 alcanzó una calificación media de 3,04 puntos, situándose en cabeza entre los modelos de pesos abiertos. En la comparativa, DeepSeek-V4.1-Flash-1017 obtuvo 2,97 puntos, mientras que Kimi K3.1 Pro y GLM-5.3 empataron con 2,68 puntos. La ventaja resultó especialmente visible en el cotejo de tablas financieras complejas, donde la menor tasa de alucinación aportó estabilidad a la extracción de indicadores críticos.
Los benchmarks externos de la industria reflejan una tendencia coherente. En la prueba IRAB de RabyteTech, compuesta por 101 tareas de análisis de inversiones, Hy4 registró 61,63 puntos, lo que representa una mejora de 12,03 puntos respecto a la versión preliminar. En consultas directas sobre bases de datos, Hy4 logró 75,4 puntos, superando a GPT-6.1 Sol por casi 20 puntos y demostrando la relevancia de la precisión en la recuperación documental.
De componentes en fotos de 280 megapíxeles al control de Blender: visión y manejo del sistema
Hy4 es el primer modelo de la familia Hunyuan capaz de procesar visión y ejecutar acciones informáticas autónomas, cubriendo tanto la línea de comandos como entornos gráficos (GUI). En las demostraciones oficiales, el modelo identificó con exactitud una estructura de apenas dos metros ubicada en un tejado dentro de una fotografía aérea de 280 megapíxeles, confirmando la coherencia geométrica en la extracción de características multiescala.
Figura: Hy4 localiza una estructura de tejado de 2 metros en una imagen aérea de 280 megapíxeles, exhibiendo una gran agudeza visual ante cambios extremos de escala. Fuente: Tencent Hunyuan (Blog oficial de lanzamiento).
Esta mayor agudeza visual se traduce directamente en la interacción con software de ingeniería especializado. Tencent entrenó específicamente el modelo en entornos de modelado 3D como Blender para coordinar flujos de trabajo extensos entre distintas aplicaciones. A diferencia de los agentes de interfaz convencionales, que pierden contexto en menús anidados, asociar coordenadas de píxeles con órdenes operativas redujo drásticamente las salidas de ruta.
En el ámbito del entretenimiento digital, Tencent Interactive Entertainment Group (IEG) colaboró en la curación de datos y el diseño de evaluaciones. El modelo cuenta con adaptaciones específicas para Unreal Engine, Unity y Godot, abarcando el desarrollo multijugador. En pruebas internas, los benchmarks de desarrollo de juegos y generación lógica aumentaron un 19,1% y un 9,8% respectivamente, agilizando la escritura de código base redundante.
Infraestructura propia, auditoría de seguridad defensiva y reconocimiento explícito de límites
En el campo de la investigación científica, Hy4 comienza a intervenir en tareas de cálculo intensivo. En 123 pruebas internas distribuidas en siete disciplinas científicas fundamentales, el modelo mantuvo el liderazgo entre las alternativas abiertas. En biología computacional, un solo nodo ejecutó en 1,5 horas la reconstrucción tridimensional de un embrión murino a partir de siete millones de células. En paralelo, Tencent liberó como código abierto dos modelos fundacionales: HyPDE para modelado físico y HyCell para análisis unicelular.
Figura: Tabla comparativa de benchmarks de Hy4, detallando el rendimiento en programación, procesamiento de contextos extensos y tareas especializadas. Fuente: Tencent Hunyuan (Blog oficial de lanzamiento).
Al delegar el control de la interfaz gráfica a un modelo, las barreras de seguridad adquieren un papel central. El equipo de entrenamiento limitó el corpus de ciberseguridad a tareas defensivas como la validación de parches y la generación de pruebas de concepto (PoC), descartando la creación de exploits y herramientas de intrusión. Auditorías de red teaming llevadas a cabo por Tencent Xuanwu Lab y Keen Security Lab concluyeron que Hy4 no incrementa los riesgos de ciberataques. En seguridad biológica, el modelo obtuvo 30,4 sobre 100 en Hy-BioExperimentBench, sin indicios de haber reducido la barrera para actividades biopeligrosas.
Asimismo, la documentación oficial aborda abiertamente sus limitaciones actuales. Tencent reconoce que persiste una brecha técnica respecto a los modelos propietarios de frontera en razonamiento matemático formal, arquitectura de software a largo plazo y razonamiento visual complejo. Transparentar estas limitaciones ayuda a los arquitectos de sistemas a diseñar planes de contingencia adecuados y genera más confianza que el marketing inflado.
Validación previa en producción: la fiabilidad como criterio de aceptación
Un aspecto relevante del lanzamiento es que los pesos del modelo todavía no se han distribuido abiertamente. La postura oficial establece que Tencent «planea liberar los pesos en código abierto», prometiendo su publicación paulatina junto con los system cards completos. Para asegurar la integración, el equipo ha coordinado la compatibilidad con vLLM y SGLang, pero antes del lanzamiento público ha optado por desplegar el modelo en sus propias líneas de negocio de alta concurrencia.
Las tarifas de API comercial se mantienen idénticas a las de la fase preliminar: 0,042 dólares por millón de tokens en entradas en caché, 0,834 dólares para entradas estándar y 2,501 dólares para salidas. Disponible en Tencent Cloud y con una versión ligera Hy4 flash en camino, la estabilidad tarifaria simplifica las previsiones presupuestarias de las empresas.
Los resultados recopilados en los productos internos de Tencent respaldan este enfoque: la puntuación interna de Yuanbao subió de 65,25 a 72,53 puntos con mejoras sustanciales en la finalización de tareas de agentes; las tareas de configuración en Honor of Kings alcanzaron un 99,32% de acierto tras ciclos de autorreparación, y la tasa de detección de anomalías en código subió al 73,8%; mientras que el agente de navegación WorkBuddy registró un 96,15% de aprobados.
La evolución de los modelos de pesos abiertos está superando la etapa inicial centrada exclusivamente en acumular cómputo y encabezar tablas comparativas. La trayectoria de Hy4 demuestra que mantener la tasa de errores factuales dentro de rangos controlables resuelve la principal barrera para la adopción real. A la espera de que la comunidad verifique los pesos una vez liberados, afianzar primero las garantías de funcionamiento en entornos exigentes marca un estándar de entrega pragmático y efectivo.
Enlaces de referencia:
- Anuncio oficial y blog técnico de Tencent Hunyuan Hy4
- Informe de evaluación en entornos profesionales de Tencent Financial Technology (FiT)
- Benchmark de investigación financiera RabyteTech IRAB
- Informes de auditoría de seguridad defensiva de Tencent Xuanwu Lab y Keen Security Lab
