Tencent a lâché Hy4 Preview le 29 août sans conférence de presse ni coup de tambour. 770 milliards de paramètres, 1 million de tokens de contexte, licence Apache 2.0 pour usage commercial — et disponible maintenant sur OpenRouter. C’est le modèle open weight le plus capable jamais publié. Et tu peux l’utiliser dès aujourd’hui sans créer de compte chez Tencent.
L’architecture MoE — 770 milliards qui se comportent comme 49
Le chiffre de 770 milliards de paramètres fait son effet, mais c’est le chiffre de 49 milliards qui compte vraiment. Hy4 utilise une architecture Mixture-of-Experts (MoE) : le modèle dispose de 256 experts par couche, mais n’en active que 8 à la fois pour chaque token. En pratique, c’est 49 milliards de paramètres qui travaillent à chaque inférence.
Ce n’est pas un tour de passe-passe. C’est la même approche que DeepSeek V4 Pro ou Mixtral : tu construis une capacité totale massive, mais tu la morcèles intelligemment pour ne pas exploser la facture d’inférence. Un modèle de 49B actifs, ça se sert et ça se paye comme un modèle de 49B — pas de 770B.
La progression entre Hy3 (sorti en juillet, 295B totaux, 21B actifs, 256k contexte) et Hy4 est spectaculaire : en un mois, Tencent a plus que doublé les paramètres actifs et quadruplé la fenêtre de contexte. Ce n’est plus un modèle de rattrapage — c’est une annonce de capacité.
1 million de tokens de contexte — et ça change plus que tu ne crois
La fenêtre de contexte d’1 million de tokens, c’est environ 750 000 mots. À titre de comparaison, l’intégralité de la trilogie du Seigneur des Anneaux représente environ 500 000 mots. En pratique, pour un builder solo, ça signifie :
- Tu peux injecter l’intégralité d’un codebase de taille moyenne dans un seul prompt.
- Tu peux analyser une base documentaire complète sans découpage.
- Tu peux maintenir un contexte de conversation très long sans perte d’information.
Jusqu’ici, le contexte long était un avantage concurrentiel des modèles propriétaires (Claude Opus 5 et Gemini 1.5 Pro principalement). Hy4 arrive en open weight avec les mêmes capacités — et une licence commerciale libre.
Les benchmarks disent quoi ?
Les scores sont publiés sur la page HuggingFace officielle :
- GPQA Diamond : 92.3 — le benchmark des questions de niveau doctorat en sciences. C’est un score de frontière, comparable aux meilleurs modèles propriétaires actuels.
- SWE Bench Pro : 65.7 — résolution de bugs réels en environnement logiciel professionnel. Bon score pour du code en production.
- Deep SWE : 64.3 — variante encore plus exigeante du même benchmark.
- SWE Bench Multilingual : 82.9 — code multilingue, ce qui inclut des stacks moins standards.
Le GPQA Diamond à 92.3 mérite un commentaire. Ce benchmark est souvent utilisé comme signal de raisonnement de haut niveau. Le fait qu’un modèle open weight, issu d’un lab qui n’est pas dans la conversation habituelle OpenAI/Anthropic/Google, atteigne ce niveau n’était pas prévu.
« Le processus de raisonnement utilise une grammaire légèrement tronquée — probablement parce que la perfection grammaticale n’est ni utile ni économe en tokens. »
Simon Willison, simonwillison.net, 29 août 2026
Un détail pratique que Willison relève et qui compte pour les builders : Hy4 expose deux modes de raisonnement dans son template de chat — high (activé par défaut) et no_think. Le second désactive la chaîne de raisonnement interne. Utile quand tu veux de la vitesse sur des tâches simples sans payer le surcoût du reasoning.
Ce que tu peux en faire maintenant — et ce que tu ne peux pas
Ce que tu peux faire : accéder au modèle via OpenRouter comme tu le ferais pour n’importe quel autre LLM. Clé API, prompt, réponse. La licence Apache 2.0 autorise l’usage commercial sans restriction.
Ce que tu ne peux pas faire : l’héberger toi-même, sauf si tu disposes d’une infrastructure GPU sérieuse. Le modèle pèse 1.56 To sur Hugging Face. Pour donner une idée : même en FP8 quantifié (la version allégée disponible), tu aurais besoin d’une vingtaine d’A100 minimum. C’est hors de portée d’un setup solo standard.
La nuance pratique : « open weight » ne veut pas dire « tu t’en occupes toi-même ». Hy4, comme Llama 4 ou DeepSeek V4 avant lui, sera accessible via des fournisseurs d’inférence mutualisée (OpenRouter, Fireworks, Together AI). C’est là que se joue l’usage réel pour un solo builder — pas dans le téléchargement du modèle brut.
La leçon de fond
En juillet, Kimi K3 (Moonshot AI) annonçait 2,8 trillions de paramètres en open source — un signal fort mais difficile à utiliser en pratique. En août, Hy4 vient avec une architecture plus raisonnée (MoE efficace), des benchmarks vérifiables et une disponibilité immédiate via OpenRouter.
Ce qui se passe ici, c’est que la frontière entre modèles propriétaires et open weight est en train de se refermer — non pas parce que les labs US ralentissent, mais parce que plusieurs labs chinois ont décidé de ne plus publier leurs poids de façon anecdotique. Hy4 n’est pas un cadeau altruiste : c’est une stratégie d’adoption. Tencent veut que les devs construisent sur ses modèles.
Pour toi, builder solo, la conséquence est simple : tu as maintenant accès via OpenRouter à un modèle avec des capacités de raisonnement de niveau frontier et un contexte d’un million de tokens — sans engagements, sans minimum de facturation, avec une licence commerciale libre. C’est une option dans ta pile qui n’existait pas il y a un mois.
Choisir les bons outils pour ton activité et chiffrer leur coût réel, c’est le rôle de l’audit IA de départ.