Tencent Hy4 preview: para qué sirve de verdad (benchmark en español)
Su fuerte es Coding (#11 de 100 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.45 contra 9.71). Cuesta $4.00 por cada 1.000 llamadas.
Dónde está parado, pilar por pilar
La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.
Medido con 143 runs que puntúan, juez Phi-4 local · actualizado 2026-09-03 · datos abiertos
Qué hace bien y qué no
Su media entre las 35 tareas medidas es 7.29. Un promedio esconde justo lo que te importa, así que acá están los extremos.
Donde rinde por encima de sí mismo
- Precisión literal (hex, JWT, configs) — 8.78 (+1.49 contra su media).
- Encontrar el sitio oficial de una empresa — 8.64 (+1.35 contra su media).
- JSON estructurado (extracción, schemas) — 8.57 (+1.28 contra su media).
- Extraer los datos verificables de un texto — 8.29 (+1.00 contra su media).
Donde se cae
- Resistencia a prompt injection — 4.27 (-3.02 contra su media).
- Tool calling (llamada de funciones) — 5.43 (-1.86 contra su media).
- Capacidades de agente (delegación, skills) — 5.55 (-1.74 contra su media).
- No inventar herramientas (abstenerse cuando no hay) — 6.11 (-1.18 contra su media).
Si Tencent Hy4 preview no te cierra
| Modelo | Calidad | $/1k | Latencia | Por qué |
|---|---|---|---|---|
| Poolside Laguna XS 2.1 | 8.26 | $0.198 | 9.7 s | misma nota o mejor, menos plata por llamada |
| Qwen 3.8 Flash | 8.53 | $0.750 | 64.8 s | hasta 30% más caro, pero rinde más |
| Gemini 3.1 Flash Lite | 8.09 | $2.33 | 4.1 s | al menos 40% menos de espera, sin caer de nota |
La ficha: Tencent Hy4 preview en números
| Calidad medida | |
|---|---|
| Runs que puntúan | 143 |
| Tool calling | 6.77 |
| Resistencia a prompt injection | 4.15 |
| Precio | |
| Precio por millón · entrada | $0.830 |
| Precio por millón · salida | $2.50 |
| Rendimiento y límites | |
| Latencia total media | 131.2 s |
| Ventana de contexto | 1.048.576 |
| Contexto útil medido | 800.000 |
Contra los mejores del ranking, en plata
| Modelo | Calidad | $/1.000 llamadas |
|---|---|---|
| Tencent Hy4 preview | 8.39 | $4.00 |
| Qwen 3.8 Flash | 8.53 | $0.750 |
| Claude Opus 4.8 | 8.48 | $39.00 |
- Qwen 3.8 Flash (el techo medido) rinde 2% más y además es más barato: $0.750 contra $4.00. Acá no hay que elegir.
- Claude Opus 4.8 (el caro que todos conocen) rinde 1% más (8.48 contra 8.39) y cuesta 10 veces más por llamada.
Cuánto max_tokens darle, por tarea
| Tarea | Mediana | Peor caso medido | max_tokens sugerido |
|---|---|---|---|
| Tareas largas (sostener el hilo 8-12 turnos) | 32.832 | 112.869 | 141.086 |
| Aguja en el pajar (contexto largo en español) | 1.137 | 24.576 | 30.720 |
| Razonamiento profundo (matemática. Fermi) | 6.898 | 23.642 | 29.552 |
| Generación de código (Python. SQL. debug) | 10.125 | 22.838 | 28.547 |
| Decisiones de negocio (prioridades. plan) | 4.540 | 22.229 | 27.786 |
| Presentaciones (slides. reportes) | 20.351 | 20.351 | 25.438 |
| Integridad de idioma (no mezclar idiomas) | 17.995 | 19.530 | 24.412 |
| Multi-turno (debugging. requisitos) | 10.160 | 17.754 | 22.192 |
| Auditar números (detectar el error plantado) | 9.974 | 17.673 | 22.091 |
| Razonamiento general (lógica. decisiones) | 7.557 | 16.970 | 21.212 |
| Noticias + SEO (artículos completos) | 15.360 | 15.819 | 19.773 |
| Contenido startup (newsletter. actualidad) | 5.208 | 15.484 | 19.355 |
| OCR / extracción desde imágenes | 9.573 | 14.897 | 18.621 |
| Creatividad (hooks. analogías. narrativa) | 5.223 | 12.880 | 16.100 |
| Traducción (es↔en) | 2.803 | 11.838 | 14.797 |
| JSON estructurado (extracción. schemas) | 1.264 | 10.533 | 13.166 |
| Extraer los datos verificables de un texto | 8.340 | 10.480 | 13.100 |
| Gestión de tareas (action items. planes) | 4.723 | 10.418 | 13.022 |
| Contenido genérico (blog. email. social) | 3.255 | 10.409 | 13.011 |
| Verificar VARIOS datos de una vez (lote) | 4.469 | 9.108 | 11.385 |
| Contenido con datos verificables (no inventar) | 4.946 | 8.443 | 10.553 |
| Encontrar el sitio oficial de una empresa | 988 | 7.456 | 9.320 |
| Seguir instrucciones al pie de la letra | 5.618 | 7.194 | 8.992 |
| Verificar un dato contra su fuente | 2.449 | 7.124 | 8.905 |
| Resistencia a prompt injection | 1.785 | 7.077 | 8.846 |
| Estrategia (pricing. planificación) | 4.303 | 6.617 | 8.271 |
| Ventas en frío (cold email. campañas) | 4.831 | 5.235 | 6.543 |
| Resúmenes y extracción de datos | 4.202 | 4.202 | 5.252 |
| Capacidades de agente (delegación. skills) | 485 | 3.932 | 4.915 |
| Anti-alucinación (citas. contexto) | 2.882 | 3.290 | 4.112 |
| Precisión literal (hex. JWT. configs) | 613 | 1.484 | 1.855 |
| Orquestación (flujos de varios pasos) | 515 | 1.286 | 1.607 |
| No inventar herramientas (abstenerse cuando no hay) | 142 | 606 | 757 |
| Tool calling (llamada de funciones) | 401 | 587 | 733 |
| Soporte al cliente (clasificar y responder) | 484 | 573 | 716 |
Los números oficiales de Tencent Hy4 preview
Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.
Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.
¿Es el mejor para TU caso?
Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Tencent Hy4 preview es tu opción o hay algo mejor para lo que haces.
Ir a la calculadora →