Hy4 Preview: Tencent libera un modelo abierto de 770B parámetros

Los pesos de Hy4 Preview ocupan 1,56 TB en Hugging Face. La cifra resume mejor que cualquier tabla de benchmarks lo que Tencent presentó el 29 de agosto: un modelo de lenguaje de pesos abiertos con 770.000 millones de parámetros totales, 49.000 millones activos por token y una ventana de contexto de un millón de tokens. Solo texto, sin visión.

Simon Willison recogió el lanzamiento el mismo día en su weblog y añadió el dato que casi nunca aparece en el anuncio oficial: cuánto ha crecido el modelo respecto a la generación anterior.

De julio a agosto, 2,6 veces más grande

Hy3 llegó en julio con 295.000 millones de parámetros totales, 21.000 millones activos, 256.000 tokens de contexto y 598 GB de pesos (ficha en Hugging Face). Hy4 Preview multiplica por 2,6 el tamaño total, más que duplica los parámetros activos y cuadruplica la ventana de contexto, según la ficha del modelo y el anuncio de Tencent.

La relación entre parámetros totales y activos (49B sobre 770B, alrededor de un 6%) apunta a una mezcla de expertos muy dispersa, en la misma línea que Hy3 (21B sobre 295B, un 7%). El cambio es de escala, no de planteamiento: Tencent ha estirado la misma receta un mes y medio después.

Los 1,56 TB también dicen algo. Salen a unos dos bytes por parámetro, lo que encaja con pesos publicados en 16 bits sin cuantizar. Una versión cuantizada a 8 o 4 bits recortaría bastante la factura de memoria, pero servir el modelo sigue siendo territorio de varios nodos con GPU, no de una estación de trabajo.

El chat template como ficha técnica

Willison cuenta que ha empezado a leer los chat templates de los modelos para entender de qué son capaces antes de probarlos. En Hy4 Preview, el archivo chat_template.jinja incluye un bloque condicional que comprueba si la variable reasoning_effort está definida y asigna un valor por defecto cuando el cliente no la envía.

Parece un detalle menor y es de las cosas más útiles que se pueden mirar en un modelo nuevo. El template describe qué roles acepta, cómo espera recibir las definiciones de herramientas y qué parámetros de control entiende. Esa información condiciona el trabajo real de integración mucho antes que cualquier puntuación de benchmark, y suele estar publicada aunque la documentación tarde en llegar.

Para quién es útil

Conviene separar dos cosas que se mezclan al hablar de pesos abiertos. Descargar 1,56 TB y mantener 770.000 millones de parámetros en memoria no está al alcance de un equipo pequeño. Lo que sí permite una publicación de pesos es que un proveedor de inferencia, un laboratorio o una empresa con infraestructura propia lo sirva sin depender de la API de Tencent, lo audite y lo ajuste a un dominio concreto. Para el resto, la vía realista es esperar a que aparezca en algún proveedor por API.

La ventana de un millón de tokens es el otro titular, y ahí conviene bajar el entusiasmo. Claude Opus 4.8 ya ofrece una ventana opcional de 1M, así que la cifra por sí sola no distingue a nadie. Lo que distingue es qué hace el modelo con esa ventana: si mantiene la precisión al recuperar detalles enterrados en la parte central del contexto o si se degrada a partir de cierto punto. Ese dato no está en el anuncio y habrá que contrastarlo con evaluaciones independientes.

Lo que nos parece

Lo llamativo no es el tamaño, es el ritmo. Pasar de 295B a 770B en poco más de un mes indica que el ciclo de publicación de pesos abiertos va más rápido que la capacidad de la mayoría de equipos para evaluarlos con criterio. Nosotros seguimos construyendo producto sobre Claude, porque el ecosistema de herramientas alrededor (MCP, skills, subagentes) pesa más en el día a día que un recuento de parámetros. Aun así, un modelo abierto de esta escala con contexto de 1M es justo la pieza que conviene tener vigilada para cargas donde el dato no puede salir de casa.