Tencent lanza Hy4 con visión y uso de computadora

Hy4 ya tiene versión final. Tencent la anunció el 4 de noviembre con entrada de imágenes y capacidad para actuar en terminales e interfaces gráficas. Mantiene la tarifa de su preview de agosto. Los pesos del modelo final siguen pendientes de publicación, según el anuncio.

Si te suena el nombre, tiene una explicación: Hy4 preview ya estaba disponible. La noticia de hoy es su sucesor con visión. Conviene distinguirlos antes de descargar un modelo o comparar una captura de benchmarks.

Qué muestran los benchmarks de Hy4

Empieza por la tarea que te interesa. En la tabla de Tencent, Hy4 alcanza 75,2 en APEX-Agents v1.1, la cifra más alta de esa fila. En Terminal-Bench 4.0 obtiene 44,4, frente a 66,4 de Opus 5.5 en la medición marcada por Tencent. El cuadro cambia bastante al pasar de agentes de trabajo a programación en terminal.

APÉNDICE DE TENCENT · 4 NOV 2026

AgentesTerminalVisiónEscritorio

APEX-Agents v1.1

Pass@1 · mayor es mejor

050100

1. Hy4 preview53,9
2. Hy475,2
3. GLM-5.364,3
4. DeepSeek-V4.1-Flash-101772,9
5. Kimi K3.1 Pro68,2
6. GPT-6.1 Sol61,7
7. Claude Opus 5.574,8

Terminal-Bench 4.0

Puntuación · mayor es mejor

050100

1. Hy4 preview26,3
2. Hy444,4
3. GLM-5.342,9
4. DeepSeek-V4.1-Flash-101740,0
5. Kimi K3.1 Pro66,8
6. GPT-6.1 Sol55,5
7. Claude Opus 5.566,4

MMMU-Pro

Visión · mayor es mejor

050100

1. Hy4 previewSin resultado
2. Hy478,6
3. GLM-5.3Sin resultado
4. DeepSeek-V4.1-Flash-101776,7
5. Kimi K3.1 Pro83,4
6. GPT-6.1 Sol84,9
7. Claude Opus 5.588,2

OSWorld 2.1

Full · puntaje parcial, no tareas completas

050100

1. Hy4 previewSin resultado
2. Hy478,9
3. GLM-5.3Sin resultado
4. DeepSeek-V4.1-Flash-101768,4
5. Kimi K3.1 Pro79,6
6. GPT-6.1 Sol75,2
7. Claude Opus 5.581,8

Máximo razonamiento de cada modelo. Cuando hay dos cifras, se representa la marcada con *, que Tencent identifica como medición propia. Los valores originales están debajo.

Ver las celdas originales y el método

Los harness y las configuraciones varían. En Terminal-Bench se usa Claude Code, hasta 500 turnos y 13 horas por intento. OSWorld muestra puntaje parcial. No combines estas pruebas en una puntuación global.

APEX-Agents v1.1 · Pass@1 · mayor es mejor

Modelo	Celda original
Hy4 preview	53,9
Hy4	75,2
GLM-5.3	64,3*
DeepSeek-V4.1-Flash-1017	72,1 / 72,9*
Kimi K3.1 Pro	67,2 / 68,2*
GPT-6.1 Sol	60,0 / 61,7*
Claude Opus 5.5	73,5 / 74,8*

Terminal-Bench 4.0 · Puntuación · mayor es mejor

Modelo	Celda original
Hy4 preview	26,3
Hy4	44,4
GLM-5.3	42,9*
DeepSeek-V4.1-Flash-1017	42,3 / 40,0*
Kimi K3.1 Pro	65,7 / 66,8*
GPT-6.1 Sol	55,9 / 55,5*
Claude Opus 5.5	66,4 / 66,4*

MMMU-Pro · Visión · mayor es mejor

Modelo	Celda original
Hy4 preview	Sin resultado
Hy4	78,6
GLM-5.3	Sin resultado
DeepSeek-V4.1-Flash-1017	76,7*
Kimi K3.1 Pro	84,1 / 83,4*
GPT-6.1 Sol	84,9*
Claude Opus 5.5	88,2*

OSWorld 2.1 · Full · puntaje parcial, no tareas completas

Modelo	Celda original
Hy4 preview	Sin resultado
Hy4	78,9
GLM-5.3	Sin resultado
DeepSeek-V4.1-Flash-1017	68,4*
Kimi K3.1 Pro	79,6
GPT-6.1 Sol	75,2*
Claude Opus 5.5	81,8

Fuente y apéndice completo: Tencent Hy

El comparador conserva la escala de 0 a 100. Cada prueba tiene su propia métrica. OSWorld 2.1 usa puntaje parcial: 78,9 describe esa puntuación y no significa que Hy4 complete el 78,9 % de las tareas. En MMMU-Pro, con entrada visual, queda en 78,6.

La comparación frente al preview ayuda a entender la actualización: en Terminal-Bench pasa de 26,3 a 44,4; en APEX-Agents, de 53,9 a 75,2. Tencent advierte que algunos resultados del preview se recalcularon con cambios en el entorno de evaluación. Lee ambos como los valores de este apéndice.

Todos los modelos se evaluaron con su máximo razonamiento disponible. Los asteriscos identifican pruebas realizadas por Tencent y las configuraciones varían. En Terminal-Bench se permiten hasta 500 turnos y 13 horas por intento. HeyMark no ejecutó estas pruebas. Debajo del gráfico puedes consultar las celdas originales y el método.

Precio de la API y tarifa observada en OpenRouter

Estas cantidades son USD por millón de tokens. La tarifa estándar procede de Tencent; la tarifa de OpenRouter es la observada al revisar el lanzamiento el 4 de noviembre. OpenRouter no indica en su ficha cuándo terminará esa diferencia de precio.

Para unos totales facturados de 10.000 tokens de entrada y 2.000 de salida, la cuenta estándar da US$0,013342: (10.000 × 0,834 + 2.000 × 2,501) / 1.000.000. Con la tarifa observada de OpenRouter da US$0,006671. Es un ejemplo de cantidades declaradas; tus solicitudes pueden consumir otros tokens y herramientas.

La ficha de OpenRouter identifica la versión como tencent/hy4-20261104, con hasta 1.048.576 tokens de contexto y 65.536 de salida. Admite texto e imágenes como entrada y devuelve texto. Permite elegir razonamiento high, low o none, con high por defecto. Esos límites describen esa oferta de API; cada producto puede imponer otros.

Qué falta para descargar el Hy4 final

Tencent dice que planea liberar los pesos junto con una ficha técnica y de seguridad. El anuncio deja la fecha y la licencia sin especificar. Mientras esperas una publicación oficial, usa el perfil de Tencent en Hugging Face para comprobar qué versión estás descargando.

Los 770B parámetros, 49B activos y Apache 2.0 pertenecen al repositorio de Hy4 preview. Esa ficha documenta agosto. El anuncio final no publica su arquitectura, así que esas características no se trasladan automáticamente a Hy4.

Publicación original de Tencent Hy en X, del 4 de noviembre. El artículo completo y su apéndice explican las condiciones detrás del anuncio.

Dónde te puede servir la nueva entrada visual

Para un equipo de contenido, una prueba útil sería darle una captura de una pieza junto con su brief y pedirle que localice textos, revise jerarquías y proponga cambios concretos. Después, comprueba las respuestas contra la captura. Es una prueba que proponemos, no una capacidad validada por HeyMark ni un permiso para que el modelo publique en tus cuentas.

Si ya trabajabas con el preview, compara ambos con el mismo material, instrucciones y presupuesto. Registra los errores y el costo real de terminar la tarea. La nueva modalidad da una razón para probarlo; el cuadro de benchmarks ayuda a elegir qué preguntas hacerle.