Tencent Hy4 preview
关于 Tencent Hy4 preview 的完整介绍（点开看；上面就是结论表）
腾讯 Hy（混元团队）**2026-08-28 发布 Hy4 preview 并当日开权重**（hy.tencent.com/research/hy4-preview 一手 + HF tencent/Hy4-preview「We open-source Hy4 preview and Hy4 preview-FP8 model weights」Apache 2.0 + GitHub Tencent-Hunyuan/Hy4-preview 三源）。**770B 总 / 49B 激活 MoE**，config 一手核到（hf-mirror，仓库 tencent/Hy4-preview，HF 页 Safetensors 780B params BF16）：78 层全 deepseek_sparse_attention（Gated DSA + IndexCache 跨层稀疏索引复用；indexer 32 头 / head_dim 128 / top-k 2048，indexer_types **21 处 full 位** + 57 处 shared 位——shared 层不建 indexer 缓存、复用上一层的 top-k（原写 13 处是数错，已按 config 实际值改正））、MLA（kv_lora_rank 512 / q_lora_rank 2048 / qk_rope 64 / v_head_dim 256 / GQA 8 KV 头 / head_dim 64）、iHC identity 超连接残差（hc_mult 4 流）、256 路由专家 top-8 + 1 共享、1M 原生 ctx（max_position_embeddings 1,048,576）、vocab 120,832、**1 层 MTP**（10B 总 / 0.7B 激活，官方 recipe 3 步投机）。Gated DSA + iHC 口径套不进 GQA 六字段 → 不建 arch_detail（Kimi K3.1 Pro MLA 先例），KV 保守兜底 **≈0.37G/4K**（2026-11-13 按 transformers 官方 hy_v4 实现复算）：78 层全 DSA，每层 MLA 缓存压缩 latent（kv_lora_rank 512 + qk_rope_head_dim 64 = 576 维 × 2B = 1152B/token/层 → 89856B/token）+ 21 个 full 位层的 DSA indexer 键缓存（indexer 键各头共享、128 维 × 2B = 256B/token/层 → 5376B/token；shared 层复用 top-k、不占缓存）+ 1 层 MTP（1152B/token），合计 96384B/token → 每 4K ≈ 0.3677G，取保守上界 0.37G。**两说日期核清（2026-11-09 B-059）**：preview = 08-28 开权重（本条）；**正式版 Hy4 = 2026-11-04 API 先行**（加视觉 + Computer Use，官方「我们计划开源模型权重」11-05 未放——无权重不收录只留痕，与 LongCat-2.5 口径一致；**AA Intelligence Index 35 分（2026-11-04 上榜）属正式版**，i-scoop 独立核实 preview 不在 AA 榜，本条不链 35 分避免张冠李戴）。官方自报（vendor 口径未复现）：preview 综合 82.10 → 正式版 87.69；163 名内部专家 203 任务盲评 2.99/4（胜 GLM-5.3 2.92 / Kimi K3 2.94——自家评测留痕）。显存门槛：BF16 ~1.5TB / 官方 FP8 ~780G / 社区 Sherry 量化 2.38bpw ~214G（vLLM TP8 官方 recipe，8×H200 级）——**多卡/多机门槛条目**。家族：Hy4 flash 近期发布预告不计入；Hy3 为 6/1 前旧代际。
实测速度：什么卡、什么量化、多少 token
上传实测数据
每行是一次真实测量的完整口径：哪张卡、几张卡、什么量化、多大上下文、哪个框架哪个版本、单流还是并发、开没开投机—— 缺一项就会标出来，缺项的行不参与对比与偏差计算。本站实测行没有外链，但日志路径就是原始数据所在。 想看同一张卡跑别的模型，从这个表的显卡名点进那张卡的页面。
速查：什么卡、跑多少 token
推算值按 Q4_K_M、8K 上下文、单流；真实测量看下面的实测速度表。没有实测的模型这里只有推算，本站不把推算写成实测。
架构（非标准 GQA 常数）
此模型是 MLA 多潜注意力 / 压缩稀疏注意力 / 哈希记忆一类架构，套不进本站「层数 × KV头 × 头维」的六字段常数—— 硬填就是编数字，所以这里不假装精确：KV 按官方口径（该模型自己公布的每 token 字节数，含它自己的 KV 精度）的保守近似线性估，容量表标注「近似」。 来源：tencent/Hy4-preview / config.json（抓取于 2026-11-13）。
上下文档位（按 Q4_K_M）
| 上下文 | KV | 总需显存 | 16G 水位内 |
|---|---|---|---|
| 4K | 0.37 G | 463.4 G | 超 |
| 8K | 0.74 G | 463.7 G | 超 |
| 32K | 2.96 G | 466 G | 超 |
| 128K | 11.84 G | 474.8 G | 超 |
* 含 1G 框架开销；可用水位按 Windows 口径 88% = 14.1G。
各显存档位能开多大
| 显存 | 推荐量化 | 8K 总需 | 最多可开 |
|---|---|---|---|
| 4G | 装不下 | — | — |
| 6G | 装不下 | — | — |
| 8G | 装不下 | — | — |
| 10G | 装不下 | — | — |
| 11G | 装不下 | — | — |
| 12G | 装不下 | — | — |
| 16G | 装不下 | — | — |
| 20G | 装不下 | — | — |
| 22G | 装不下 | — | — |
| 24G | 装不下 | — | — |
| 32G | 装不下 | — | — |
| 48G | 装不下 | — | — |
| 64G | 装不下 | — | — |
| 96G | 装不下 | — | — |
| 128G | 装不下 | — | — |
| 256G | 装不下 | — | — |
| 512G | 装不下 | — | — |
「最多可开」已扣掉权重与 1G 开销；标注为「模型原生上限」时表示显存还有余但模型只支持这么长。净可用还要再减聊天模板与系统提示词的 250 token（估算值，未逐项核实）。量化档后带「（估算）」= 官方仓库没核到这档、按公式算的权重体积（方向保守偏高）；不带 = 核过官方仓库真实文件体积。
估算速度（Q4_K_M · 8K）
推算 本站暂无这一模型的实测记录。
| 显卡 | 状态 | 估算 tok/s |
|---|---|---|
| NVIDIA RTX 5090 32G | 装不下 | 需 offload ≈1 |
| NVIDIA RTX 5090 D 32G | 装不下 | 需 offload ≈1 |
| NVIDIA CMP 170HX 64G（矿卡魔改） | 装不下 | 需 offload ≈1 |
| NVIDIA RTX PRO 5000 Blackwell 48G（工作站） | 装不下 | 需 offload ≈1 |
| AMD Instinct MI100 32G（老数据中心卡） | 装不下 | 需 offload ≈1 |
| AMD Instinct MI50 32G（数据卡） | 装不下 | 需 offload ≈1 |
| AMD Radeon VII 16G | 装不下 | 需 offload ≈1 |
| NVIDIA RTX 4090 24G | 装不下 | 需 offload ≈1 |
| NVIDIA RTX 3090 Ti 24G | 装不下 | 需 offload ≈1 |
同一套公式也用于显卡页，两页数字必然一致。带宽按 60–85% 效率折算（offload 场景更低），并对单流解码设经验上限，因此这里的数字比纯带宽公式保守。 总需显存 = 463.7G，对比各卡可用水位。
实测数据区
上传实测数据
推理框架命令
llama.cpp
# 1) 取 GGUF 权重（本站核实过的仓库名）
huggingface-cli download tencent/Hy4-preview config.json
# GGUF 量化版通常在第三方转换仓库，搜「tencent/Hy4-preview GGUF」
# 2) 起服务（Linux/macOS 用 ./llama-server，Windows 用 llama-server.exe）
llama-server -m HY4-PREVIEW-Q4_K_M.gguf -ngl 99 -c 8192 --port 8080
# MoE：想让专家留在内存以塞更大模型，加 --n-cpu-moe（参数名随版本变，用 --help 确认）Ollama
# 本站没核实到 Ollama 仓库里有 Tencent Hy4 preview 的可用标签，所以不给命令
# 自己去查一眼：https://ollama.com/search?q=Tencent%20Hy4%20preview宁可不给命令，也不给一条跑不通的命令——照抄未核实的标签是新手最常见的卡死原因。
vLLM
vLLM 直接吃 Hugging Face 仓库名，这条最可靠：
vllm serve tencent/Hy4-preview --max-model-len 8192 --gpu-memory-utilization 0.90LM Studio
模型页搜「tencent/Hy4-preview」→ 选 Q4_K_M 或 Q4_K_M → Load →
Chat Context Length 设 8192 → GPU Offload 拉到最大仓库名 tencent/Hy4-preview 是本站核实过的（架构常数就取自它）。Ollama 标签与 GGUF 文件名会随发布方变动，本站不保证一定存在，拉取失败请搜同名前缀。
优化要点
- Q4_K_M 权重 462G（估算）、Q6_K 631.4G（估算）、Q8_0 818.1G（估算）：带「估算」的是公式值（官方仓库没核到这档），不带的核过真实文件；先在容量表里确认 8K 上下文还剩多少，再决定档位
- 上下文从 8K 提到 32K，KV 增加约 2.2G（本模型 未取到架构常数）
- 模型原生上下文上限是 未知，把 -c 设得更高属于超纲使用，质量不保证
- 想要更长上下文：-ctk q8_0 -ctv q8_0 让 KV 减半，几乎不掉质量
- MoE 速度按激活参数（本站用 49B）算，显存却必须装下全部 770B 专家；两者混用会得出完全错误的结论
- 本站对单流解码设了经验上限 200–200 tok/s（依带宽分档），超出上限的数字是公式失真而不是你的卡快