Catatan penulis: Artikel ini mengurai spesifikasi Hy4 flash, uji buta manusia, WorkIndex, dan skor lampiran berdasarkan pembagian tugas. Kesimpulannya: untuk tugas sehari-hari seperti penulisan slide bersama, Markdown, tanya-jawab visual, dan pengoperasian komputer, model ini bisa dipertimbangkan; namun untuk perbaikan PPT rumit, tugas terminal berdurasi panjang, dan rekayasa perangkat lunak jarak jauh, tetap disarankan memakai Hy4 atau DeepSeek-V4.1-Flash-1017.
Langsung ke kesimpulan. Jika Anda perlu memilih model untuk pekerjaan kantor sehari-hari atau Agent ringan, Hy4 flash cocok untuk tugas harian seperti penulisan slide bersama, penulisan Markdown bersama, tanya-jawab visual, dan pengoperasian komputer. Saat memperbaiki PPT rumit, menjalankan tugas terminal berdurasi panjang, atau mengerjakan rekayasa perangkat lunak jarak jauh, tidak disarankan berpindah dari Hy4 atau DeepSeek-V4.1-Flash-1017 ke model ini.
Tencent Hunyuan merilis halaman riset dan postingan resmi pada 2026-11-16, mengklaim bahwa Hy4 flash mendekati Claude Haiku 5.5 dalam uji buta manusia pada pekerjaan sehari-hari, dengan biaya tugas yang jauh lebih rendah. Ini bukan kisah “satu model murah yang menguasai semuanya”. Lampiran di halaman riset yang sama menunjukkan bahwa model ini tertinggal jauh dari Hy4 pada benchmark terminal dan pengkodean jarak jauh. Uji buta, WorkIndex, lampiran, dan testimoni produk yang dikutip dalam artikel ini semuanya merupakan laporan mandiri resmi Tencent atau teks asli halaman riset, tanpa replikasi pihak ketiga.
Nilai inti: Setelah membaca artikel ini, Anda akan mendapatkan tabel pilihan berdasarkan pembagian tugas, serta pemahaman jelas tentang di mana Hy4 flash unggul, di mana lemah, dan dalam kondisi apa Anda sebaiknya tidak beralih ke model ini.

Seberapa kuat Hy4 flash: pilihan berdasarkan jenis tugas
Tabel berikut disusun berdasarkan jenis tugas, dengan dasar berupa rekomendasi penggunaan di halaman riset dan skor di lampiran. “Kecenderungan pilihan” hanyalah penilaian untuk memilih model, bukan berarti suatu model unggul secara menyeluruh pada jenis tugas tersebut.
| Jenis tugas | Kecenderungan pilihan | Dasar (teks halaman riset/lampiran) |
|---|---|---|
| Pembuatan slide kolaboratif manusia-AI | Hy4 flash | PPTCoEditBench 74.0, Hy4 78.9, biaya per tugas sekitar 1/16 dari Hy4 |
| Penulisan Markdown kolaboratif manusia-AI | Hy4 flash | MdCoEditBench 56.9, mendekati 57.7 milik Hy4, jelas lebih tinggi daripada 29.2 milik DeepSeek |
| Tanya jawab visual (tanpa alat) | Hy4 flash dapat digunakan, tetapi bukan yang tertinggi | BuddyVQA 48.5, lebih tinggi daripada 43.7 milik DeepSeek, lebih rendah daripada 55.5 milik Hy4 |
| Pengoperasian komputer | Hy4 flash dapat digunakan | OSWorld 2.1 sebesar 68.1, mendekati 68.4 milik DeepSeek, Hy4 78.9 |
| Memperbaiki PPT rumit | Hy4 atau DeepSeek-V4.1-Flash-1017 | PPTFixBench 23.7, Hy4 45.6, DeepSeek 45.3 |
| Tugas terminal panjang | Hy4 atau DeepSeek-V4.1-Flash-1017 | Terminal-Bench 4.0 hanya 19.2, Hy4 44.4 |
| Rekayasa perangkat lunak jangka panjang | Hy4 | Halaman riset menyarankan secara eksplisit, ProgramBench 16.0 dibandingkan 30.0 milik Hy4 |
Logika tabel ini sederhana. Untuk tugas dengan hasil akhir singkat, banyak putaran bolak-balik, dan sensitif terhadap biaya, serahkan kepada Hy4 flash. Untuk tugas dengan rantai langkah panjang, membutuhkan penalaran berkelanjutan dan perbaikan berulang, serahkan kepada model dengan batas kemampuan cerdas yang lebih tinggi. Halaman riset juga menyarankan hal ini: gunakan Hy4 flash untuk pencarian mendalam, pemrosesan dokumen, pembuatan slide, demo frontend sederhana, dan pengoperasian komputer; untuk rekayasa perangkat lunak jangka panjang, tetap gunakan Hy4.
Jebakan yang paling sering terjadi saat memilih Hy4 flash
Kesalahpahaman yang paling umum adalah mengartikan “mendekati Haiku” sebagai “lebih unggul secara menyeluruh daripada Haiku”. Dalam uji buta, skor kepuasan Hy4 flash 0.02 poin lebih rendah daripada Haiku; istilah yang digunakan halaman riset adalah close to. Kesalahpahaman kedua adalah mencampuradukkan beberapa kelompok pengali biaya. Angka 1/8, 1/13, dan 1/20 pada WorkIndex memakai satu basis, sedangkan biaya per tugas dalam yuan RMB pada tabel uji buta memakai basis lain; keduanya tidak bisa saling menggantikan.
Fitur inti dan spesifikasi Hy4 flash
Spesifikasi yang diberikan halaman riset adalah sebagai berikut. Halaman tersebut tidak mencantumkan ID model API, jadi artikel ini tidak mengarang nama model. Jika ingin memanggilnya, gunakan nama yang ditampilkan di konsol Tencent Cloud TokenHub sebagai acuan.
| Item | Hy4 flash (teks asli halaman riset) |
|---|---|
| Total parameter | 224B, di antaranya 64B adalah parameter Engram |
| Aktivasi per token | 12B |
| Modalitas | Multimodal native, sama dengan Hy4 |
| Konteks | 1M token |
| KV cache | 1/24 dari Hy3, 1/6 dari Hy4 |
| Kecepatan decoding | lebih dari 150 tokens/s |
| Saluran | Tencent Cloud TokenHub, WorkBuddy, Yuanbao, WeChat Work, QQ, ima, Marvis; OpenRouter akan segera hadir |
| Bobot | Direncanakan open source; halaman tidak menyatakan sudah dirilis |
Jalur pelatihan dan inferensi Hy4 flash
Tahap pra-pelatihan menggunakan tiga desain: hybrid attention, LatentMoE, dan Engram. Inilah alasan utama KV cache mengecil drastis. Pasca-pelatihan melakukan distilasi diri dari Hy4, lalu pembelajaran penguatan mengurangi rata-rata token keluaran end-to-end sebesar 50%. Untuk pekerjaan kantor sehari-hari, ini penting: biaya tugas tidak hanya bergantung pada harga satuan, tetapi juga pada seberapa banyak model berbicara dan berapa langkah yang diambil.
Sisi inferensi menggunakan megakernel, kuantisasi 4-bit, dan DFly; halaman riset mengklaim kecepatan decoding melebihi 150 tokens/s. Dalam hal evaluasi, Tencent tidak mengandalkan peringkat di papan peringkat publik, tetapi membangun WorkIndex sendiri dan melengkapinya dengan evaluasi manual. Yang diperiksa adalah kualitas hasil, panjang keluaran per putaran, dan waktu penyelesaian tugas. Ukuran ini lebih dekat dengan “apakah pekerjaan bisa diselesaikan dan berapa biayanya”, tetapi ini adalah set internal Tencent yang tidak dapat direproduksi langsung oleh pihak luar.

Data pengujian Hy4 flash bagian pertama: blind test manual dibandingkan Haiku
Klaim “mendekati Haiku” berasal dari blind test manual. Halaman riset menyebutkan peserta adalah 85 pengguna internal WorkBuddy, mencakup 259 tugas dan 27 kategori. Data berikut merupakan laporan resmi Tencent sendiri.
| Model | Tingkat kepuasan (skala 4) | Waktu end-to-end median | Biaya per tugas (yuan) |
|---|---|---|---|
| DeepSeek-V4.1-Flash-1017 | 3.09 | 10.3 menit | 1.20 yuan |
| Hy4 flash | 2.79 | 6.7 menit | 0.26 yuan |
| Claude-Haiku-5.5 | 2.81 | 6.8 menit | 4.73 yuan |
| GLM-5.3-Flash | 2.53 | 7.6 menit | 0.81 yuan |
Ada tiga hal yang perlu diperhatikan saat membaca tabel ini. Pertama, skor kepuasan tertinggi adalah 3.09 milik DeepSeek-V4.1-Flash-1017, bukan Hy4 flash. Kedua, Hy4 flash lebih rendah 0.02 poin dari Haiku, jadi hanya bisa dibilang mendekati, tidak bisa dibilang melampaui. Ketiga, model eksternal semuanya memakai tingkat high, sedangkan baris Hy4 flash tidak mencantumkan tingkatnya.
Keunggulan sebenarnya Hy4 flash ada pada waktu dan biaya. Waktu penyelesaian mediannya paling singkat, dan biaya per tugasnya paling rendah di tabel. “Penurunan biaya tugas 18 kali lipat” yang disebut di postingan resmi adalah 4.73 yuan dibagi 0.26 yuan, sekitar 18.2, dengan pembanding Haiku. Kelipatan ini tidak berlaku untuk DeepSeek, dan juga tidak berlaku untuk Hy4.
Data Pengujian Aktual Hy4 flash Bagian 2: Dasar Biaya WorkIndex
Penilaian keseluruhan halaman riset terhadap WorkIndex adalah: performa tugas Hy4 flash secara keseluruhan sedikit lebih tinggi daripada Hy4 preview. Dalam hal biaya rata-rata per tugas, biayanya adalah 1/13 dari Hy4 preview, 1/20 dari Hy4, dan 1/8 dari DeepSeek-V4.1-Flash-1017 (tingkat Max, harga puncak).
Ketiga rasio ini hanya berlaku untuk WorkIndex. WorkIndex terdiri dari 8 set internal, yang mencakup pembuatan slide, pengeditan slide, penulisan slide kolaboratif manusia–AI, penulisan Markdown kolaboratif manusia–AI, pengeditan dokumen, perbaikan tabel, pemrosesan audio-video, dan pemahaman visual. WorkIndex dan tabel uji buta 85 orang di atas merupakan dua rangkaian tugas dan dua metode penghitungan biaya yang berbeda. Jadi, angka 1/8 tidak bisa diterapkan pada 1.20 yuan milik DeepSeek di tabel uji buta, dan angka 18 kali juga tidak bisa diterapkan pada WorkIndex.
Pernyataan “sedikit lebih tinggi daripada Hy4 preview” juga perlu dipahami dengan hati-hati. Ini menunjukkan bahwa Hy4 flash telah menyusul versi preview generasi sebelumnya dalam tugas sehari-hari, tetapi bukan berarti telah menyusul Hy4 versi resmi. Lampiran di bagian berikutnya akan memperlihatkan selisih ini.
Data pengujian Hy4 flash bagian tiga: kesenjangan antara Hy4 dan preview dalam lampiran
Lampiran halaman riset mencantumkan skor Hy4 flash, Hy4, Hy4 preview, DeepSeek-V4.1-Flash-1017, Qwen3.8-Flash-Next, GLM-5.3-Flash, dan GPT-6 Luna, serta biaya per tugas dalam yuan. Tabel di bawah hanya mengutip empat kolom yang paling relevan untuk pemilihan model. Semua model memakai tingkat inferensi tertinggi masing-masing, dan indeks buddy internal dievaluasi pada workbuddy cli. Claude Haiku 5.5 tidak ada dalam tabel ini, jadi jangan memakainya untuk menyimpulkan skor Haiku.
| Benchmark (teks asli lampiran halaman riset) | Hy4 flash | Hy4 | Hy4 preview | DeepSeek-V4.1-Flash-1017 |
|---|---|---|---|---|
| PPTCoEditBench | 74.0 | 78.9 | 71.5 | 76.8 |
| MdCoEditBench | 56.9 | 57.7 | 49.2 | 29.2 |
| AutomationBench v1.0.6 | 52.2 | 56.2 | 36.3 | 54.3 |
| OSWorld 2.1 (Full, partial) | 68.1 | 78.9 | Tidak ada | 68.4 |
| PPTFixBench | 23.7 | 45.6 | 23.8 | 45.3 |
| ExcelFixBench | 15.6 | 27.8 | 11.7 | 20.0 |
| DeepSWE v1.1 | 64.6 | 74.9 | 64.3 | 73.8 |
| ProgramBench (almost solved) | 16.0 | 30.0 | 17.5 | 29.0 |
| Terminal-Bench 4.0 | 19.2 | 44.4 | 26.3 | 40.0 |
Dibandingkan dengan preview, Hy4 flash sebagian besar setara atau lebih tinggi pada tugas co-writing dan otomasi. MdCoEditBench naik dari 49.2 menjadi 56.9, AutomationBench dari 36.3 menjadi 52.2. Namun pada PPTFixBench dan DeepSWE, performanya kurang lebih setara dengan preview. Pada ProgramBench dan Terminal-Bench 4.0, performanya bahkan lebih rendah daripada preview.
Dibandingkan dengan Hy4 versi resmi, selisihnya melebar seiring meningkatnya kesulitan tugas. Pada tugas co-writing selisihnya hanya beberapa poin, sedangkan pada tugas perbaikan dan terminal selisihnya sekitar dua kali lipat. Dari sisi biaya, Hy4 flash sekitar 0,105 yuan per tugas pada PPTCoEditBench, sedangkan Hy4 sekitar 1,714 yuan. Angka yuan ini dihitung berdasarkan harga resmi tiap model dan kurs 1 dolar AS = 7,2 yuan, dengan DeepSeek memakai harga jam sibuk. Ini adalah angka yang dipakai Tencent untuk menyusun tabel, jadi jangan menganggapnya sebagai tagihan aktual Anda.

Kelemahan Hy4 flash: Terminal-Bench 4.0 dan ProgramBench
Kedua tolok ukur ini perlu dibahas terpisah, karena justru di sinilah letak kelemahan Hy4 flash. Pada Terminal-Bench 4.0, Hy4 flash hanya mencetak 19,2; Hy4 mencapai 44,4; DeepSeek-V4.1-Flash-1017 sebesar 40,0; bahkan versi preview dengan 26,3 masih lebih tinggi. Pengujian ini memakai harness Claude Code, maksimal 500 putaran, dengan durasi terpanjang 13 jam per sesi. Tugas terminal berantai panjang seperti ini memang paling bergantung pada batas atas kecerdasan model.
Pada metrik almost solved di ProgramBench, Hy4 flash berada di 16,0, Hy4 di 30,0, dan DeepSeek di 29,0. Halaman riset itu sendiri menulis bahwa rekayasa perangkat lunak jangka panjang sebaiknya tetap memakai Hy4. Kesaksian WorkBuddy juga menyebut “pengkodean jangka panjang sedikit menurun”. Jika Agent Anda terutama bekerja di terminal untuk mengubah kode, menjalankan pengujian, dan memperbaiki berulang kali, jangan beralih ke Hy4 flash hanya karena harga satuannya lebih murah.
Kesaksian pihak produk tentang Hy4 flash: masing-masing punya cerita sendiri
Halaman riset menyertakan kesaksian dari beberapa produk internal. Semuanya merupakan pernyataan pihak produk sendiri, dengan pembanding dan dasar pengukuran yang berbeda-beda, sehingga tidak bisa digabungkan menjadi kesimpulan “unggul secara menyeluruh”.
- WorkBuddy (Anne): dibandingkan Hy4, waktu tugas rata-rata 70% lebih singkat, biaya sekitar 1/15; kualitas tugas sehari-hari setara dengan Hy4, pengkodean jangka panjang sedikit menurun. Angka 1/15 ini adalah evaluasi WorkBuddy sendiri, bukan angka yang sama dengan 1/20 dari WorkIndex.
- Yuanbao (Logan): dibandingkan Hy3, performa agent 13,6% lebih tinggi, penilaian side-by-side manual 7,56% lebih tinggi; percakapan umum 2,52% lebih tinggi daripada GLM-5.3-Flash, dengan peningkatan paling mencolok pada percakapan multi-putaran.
- WeChat Pay (Yilin dan Simba): dibandingkan DeepSeek-V4.1-Flash-1017, skor rata-rata empat alur kerja setara atau lebih tinggi, jumlah langkah eksekusi sekitar 6% lebih sedikit, panjang keluaran per putaran sekitar 29% lebih pendek; waktu penyelesaian pemindaian kode statis 37% lebih singkat, token 46% lebih sedikit, performa penalaran setara.
- WeCom (Dylan): dibandingkan Hy4, kecepatan keluaran 88% lebih tinggi, token keluaran dalam mode berpikir sekitar 60% lebih sedikit.
- Honor of Kings (TH): dibandingkan DeepSeek-V4.1-Flash-1017 dan GLM-5.3-Flash, kemampuan lokalisasi akar masalah hampir setara, permintaan model 22,0% hingga 39,1% lebih sedikit, token 40,5% hingga 61,2% lebih sedikit; namun pemanggilan alat masing-masing 51,2% dan 7,7% lebih banyak.
- ima (Kaycee): dibandingkan kedua perusahaan di atas, waktu tunggu rata-rata 18% hingga 35% lebih singkat, skor balasan 1,8% lebih tinggi, kualitas konten 8,1% lebih tinggi.
- QQ (Red dan Look): dibandingkan DeepSeek-V4.1-Flash (teks asli tidak menyebut 1017), tingkat balasan memuaskan di berbagai skenario 0,92 hingga 6,16 poin persentase lebih tinggi; akurasi klasifikasi maksud asisten kanal setara, latensi komentar P90 39% lebih rendah.
- Marvis (Baihan): dibandingkan DeepSeek-V4.1-Flash-1017, kepuasan pada sub-item seperti pemasangan aplikasi, pengaturan sistem, dan riset dokumen lebih tinggi, kepuasan keseluruhan setara.
Benang merah dari kesaksian-kesaksian ini adalah “lebih cepat, lebih hemat token, kualitas setara atau sedikit lebih baik”, dengan skenario pembanding yang sebagian besar berupa percakapan, layanan pelanggan, alur kerja, dan Agent sehari-hari. Tidak ada satu pun yang memakainya untuk rekayasa perangkat lunak jangka panjang lalu mengklaim hasilnya lebih baik. Ini sejalan dengan kesimpulan pada lampiran.
Harga dan protokol Hy4 flash: cara memeriksa model dan memverifikasi harga
Tarif halaman riset (USD per juta token): Hy4 flash input cache 0.003, input 0.070, output 0.281; Hy4 masing-masing 0.042, 0.834, 2.501. Sebelum 30 November 2026, API TokenHub Tencent Cloud mendapat diskon 50%, dan dapat digunakan gratis di WorkBuddy. Halaman riset tidak mencantumkan harga setelah diskon secara terpisah. Jika dihitung dengan membagi tarif halaman riset dengan 2, input sekitar 0.035 dan output sekitar 0.1405; setelah 30 November, harga kembali ke tarif halaman riset.
Di APIYI, Hy4 flash belum tersedia; kami akan segera menghadirkan model ini. Model dan harga mengikuti daftar model platform. Saat ini, hy4 di platform adalah Hy4 versi resmi, bukan flash. Tabel berikut mencantumkan secara terpisah harga daftar APIYI untuk model yang sudah tersedia dan harga resmi (USD per juta token, urutan: input, output, baca cache).
| Model | Harga daftar APIYI (daftar model apiyi.com) | Harga resmi/halaman riset | Endpoint |
|---|---|---|---|
| Hy4 flash | Belum tersedia | 0.070 / 0.281 / 0.003 (tarif halaman riset) | — |
hy4 |
0.85 / 2.55 / 0.045 | 0.834 / 2.501 / 0.042 (tarif halaman riset) | chat |
deepseek-v4.1-flash-1017 |
0.30 / 1.20 / 0.006 | Puncak 0.30 / 1.20 / 0.006; saat idle setengah | chat, messages |
claude-haiku-5-5 |
0.10 / 0.50 / 0.01 | ≤100 ribu token: 0.10 / 0.50 / 0.01; >100 ribu: 0.50 / 2.50 / 0.05 | chat, messages |
glm-5.3-flash |
0.15 / 0.50 / 0.03 | — | Hanya Chat Completions |
Beberapa detail perlu dijelaskan secara terpisah. Di APIYI, tiga nama DeepSeek yaitu deepseek-v4.1-flash, deepseek-v4.1-flash-1017, dan deepseek-flash memiliki harga yang sama, sesuai tarif puncak resmi; deepseek-v4-1-flash-260910 dan deepseek-v4-1-flash-economy-261017 adalah saluran lain dengan harga berbeda dan tidak mewakili seluruh seri V4.1 Flash. Dalam aturan resmi Haiku, jika petunjuk (prompt) melebihi 100 ribu token, seluruh permintaan ditagih dengan tarif kelas tinggi; catatan kaki tabel daftar APIYI hanya mencantumkan tarif input tingkat kedua sebesar 0.50. Sebelum memanggil tugas dengan petunjuk panjang, pastikan tingkat tarif output di halaman model apiyi.com.
Model yang sudah tersedia dipanggil menggunakan kunci API apiyi.com. Kirim permintaan ke https://api.apiyi.com/v1, isi base_url dan model dalam format yang kompatibel dengan OpenAI, misalnya hy4 atau deepseek-v4.1-flash-1017. Jika memerlukan format Anthropic Messages, pilih model yang mendukung endpoint messages. glm-5.3-flash hanya mendukung Chat Completions; deepseek-v4.1-flash-1017 tidak termasuk dalam grup CodexResponses. Periksa grupnya terlebih dahulu sebelum menghubungkan ke alat sejenis Codex.
Analisis Kelebihan dan Kekurangan Hy4 flash
Kelebihan
- Rasio harga-manfaat tinggi untuk tugas harian: Tingkat kepuasan dalam uji buta mendekati Haiku, dengan biaya per tugas 0.26 yuan, sekitar 1/18 dari Haiku (menurut laporan resmi).
- Cepat: Waktu penyelesaian median terpendek dalam uji buta; halaman riset menyebut decoding lebih dari 150 tokens/s.
- Output ringkas: Setelah reinforcement learning, rata-rata token output berkurang setengah; testimoni dari beberapa produk juga menyebut token dan langkah berkurang.
- Kemampuan penulisan bersama solid: Penulisan bersama Markdown hampir setara dengan Hy4, selisih pada penulisan bersama slide hanya beberapa poin.
Keterbatasan
- Terminal dan coding jarak panjang lemah: Terminal-Bench 4.0 dan ProgramBench jelas tertinggal dari Hy4, bahkan lebih rendah dari preview. Untuk tugas seperti ini, lanjutkan penggunaan Hy4 atau DeepSeek-V4.1-Flash-1017.
- Tugas perbaikan berat: PPTFixBench dan ExcelFixBench hanya sekitar setengah dari Hy4. Saat memperbaiki dokumen kompleks, tidak disarankan menggantikan model lama dengan model ini.
- Sumber bukti tunggal: WorkIndex adalah set internal, peserta uji buta adalah pengguna internal, saat ini belum ada replikasi pihak ketiga, dan ID model juga belum dicantumkan di halaman riset.
- Visi bukan kekuatan utama: BuddyVQA dan MMMU-Pro bukan yang tertinggi di tabel, cocok untuk skenario tanya jawab visual yang “cukup memadai”.
FAQ – Pertanyaan yang Sering Diajukan
Q1: Apa itu Hy4 flash?
Hy4 flash adalah model ringan yang dirilis oleh Tencent Hunyuan pada 2026-11-16, dengan total parameter 224B dan 12B yang diaktifkan per token, multimodal secara native, serta jendela konteks 1M. Model ini lahir dari distilasi mandiri Hy4 dan diposisikan untuk tugas-tugas produktivitas sehari-hari.
Q2: Apakah Hy4 flash benar-benar lebih kuat dari Claude Haiku 5.5?
Tidak bisa dikatakan begitu. Dalam uji buta resmi, tingkat kepuasannya 2,79, sedangkan Haiku 2,81; halaman riset memakai kata “mendekati”. Keunggulannya terletak pada waktu penyelesaian yang sedikit lebih singkat dan biaya per tugas yang jauh lebih rendah. Selain itu, kepuasan tertinggi dalam uji buta justru diraih oleh DeepSeek-V4.1-Flash-1017.
Q3: Kapan Hy4 flash bisa digunakan?
Halaman riset menunjukkan bahwa model ini sudah tersedia di kanal seperti Tencent Cloud TokenHub, WorkBuddy, dan Yuanbao, serta akan segera hadir di OpenRouter. Promo gratis di WorkBuddy dan diskon 50% untuk API TokenHub berlaku hingga 2026-11-30. Bobot (weight) direncanakan akan dirilis secara terbuka, tetapi belum tersedia saat ini.
Q4: Tugas apa saja yang sebaiknya tidak dipindahkan dari Hy4 ke Hy4 flash?
Tugas terminal berdurasi panjang, rekayasa perangkat lunak jangka panjang, serta pembuatan PPT dan perbaikan spreadsheet yang kompleks. Pada lampiran, skor untuk kategori tugas tersebut hanya sekitar setengah dari Hy4, dan halaman riset juga menyarankan agar rekayasa perangkat lunak jangka panjang tetap menggunakan Hy4.
Q5: Apakah saat ini Hy4 flash bisa dipanggil melalui APIYI?
Untuk sementara belum, platform saat ini hanya menyediakan versi resmi `hy4`. Setelah tersedia, silakan mengacu pada nama dan harga di daftar model apiyi.com. Sebelum itu, Anda bisa lebih dulu menggunakan kunci API yang sama untuk memanggil `hy4`, `deepseek-v4.1-flash-1017`, dan `claude-haiku-5-5` guna menyiapkan alur perbandingan.
Q6: Apakah angka 18 kali dari uji buta dan 1/20 dari WorkIndex bisa saling dikonversi?
Tidak bisa. Angka 18 kali berasal dari tabel uji buta, yaitu rasio biaya per tugas dalam yuan antara Haiku dan Hy4 flash; sedangkan 1/8, 1/13, dan 1/20 berasal dari WorkIndex, dengan pembanding masing-masing DeepSeek, Hy4 preview, dan Hy4. Angka 1/15 dalam testimoni WorkBuddy juga berasal dari rangkaian evaluasi yang berbeda lagi. Himpunan tugas dan dasar perhitungan biaya dari ketiganya pun tidak sama.
Poin Penting Hy4 flash
- Posisi jelas: Hy4 flash adalah model berbiaya rendah untuk pekerjaan kantor sehari-hari dan Agent ringan.
- Mendekati, bukan melampaui: kepuasan pada uji buta resmi 2,79; Haiku 2,81; DeepSeek tertinggi dengan 3,09.
- Lihat angka biaya secara terpisah: 18x mengacu pada Haiku, 1/20 mengacu pada Hy4 dalam WorkIndex.
- Cocok langsung untuk penulisan kolaboratif: penulisan Markdown dan slide bersama mendekati Hy4.
- Keterbatasan jelas: skor Terminal-Bench 4.0 sebesar 19,2 dan ProgramBench 16,0.
- Status akses: APIYI belum menghadirkan Hy4 flash; model yang sudah tersedia semuanya menggunakan antarmuka kompatibel OpenAI.
Ringkasan
Seberapa kuat Hy4 flash bergantung pada tugas yang Anda berikan:
- Tugas harian: penulisan slide bersama, Markdown, tanya jawab visual, dan operasi komputer. Model ini dapat memberikan kepuasan yang mendekati Haiku dengan biaya sangat rendah (uji buta resmi).
- Tugas kompleks: perbaikan PPT yang rumit, tugas terminal berdurasi panjang, dan rekayasa perangkat lunak jangka panjang. Jaraknya dengan Hy4 masih jelas, jadi tetap gunakan Hy4 atau DeepSeek-V4.1-Flash-1017.
- Sifat bukti: semua data berasal dari laporan resmi Tencent sendiri. Data ini cocok sebagai referensi pemilihan model, tetapi sebelum diluncurkan tetap perlu diuji dengan tugas Anda sendiri.
Pendekatan yang lebih pragmatis adalah memilah berdasarkan tugas: alihkan sebagian trafik tugas harian ke Hy4 flash terlebih dahulu, sementara tugas jangka panjang tetap tidak berubah. Setelah Hy4 flash tersedia di APIYI, Anda dapat membandingkan performa aktualnya dengan hy4 dan deepseek-v4.1-flash-1017 di apiyi.com menggunakan kunci API yang sama.
📚 Referensi
-
Halaman riset Tencent Hunyuan Hy4 flash: spesifikasi, uji buta, WorkIndex, lampiran, dan testimoni produk
- Tautan:
hy.tencent.ai/research/hy4-flash - Keterangan: sumber asli seluruh data evaluasi dalam artikel ini, tanggal halaman 2026-11-16
- Tautan:
-
Postingan rilis resmi Tencent Hunyuan: biaya tugas 18 kali lipat dan harga daftar API
- Tautan:
x.com/TencentHunyuan/status/2122217770314301469 - Keterangan: pernyataan resmi ke publik, objek pembandingnya adalah Claude Haiku 5.5
- Tautan:
-
Halaman harga resmi DeepSeek: harga V4.1 Flash pada jam sibuk dan jam kosong
- Tautan:
api-docs.deepseek.com/quick_start/pricing - Keterangan: bisa melihat definisi jam sibuk dan korelasi nama pemanggilan
- Tautan:
-
Dokumentasi resmi Claude Haiku 5.5: ID model dan aturan penagihan dua tingkat
- Tautan:
platform.claude.com/docs/en/models/haiku-5-5/overview - Keterangan: menjelaskan aturan penagihan per permintaan penuh ketika petunjuk melebihi 100 ribu token
- Tautan:
Penulis: Tim Teknis APIYI
Komunikasi teknis: Silakan hubungi kami lewat halaman utama situs APIYI; penjelasan model dan endpoint bisa dilihat di pusat dokumentasi docs.apiyi.com
