Hy4 preview: supervisor над Codex, не 770B на домашний ПК

В ленте 28–29 августа мелькнула зацепка из @claudedevolper: Tencent выложил Hy4 preview, а в кейсе модель не «писала код вместо Codex», а крутила несколько сессий Codex параллельно, смотрела результаты, меняла направление исследования — и на задаче пост-трейна маленькой модели обошла одиночный Codex на восьми бенчмарках. Это не инструкция «скачай 770B». Это вопрос про оркестрацию агентов: нужен ли тебе отдельный supervisor-LLM над воркерами. Ниже — только то, что лежит в релизе Tencent, README на GitHub и отчётах TechNode / TestingCatalog. Не рерайт треда.

Соседи по смыслу у нас уже есть. JIT-Agent — harness под задачу сильнее сырой модели. Codex Host — один UI на несколько агентов. Persistent mode — жизнь длинной сессии. GLM-5.3 — сосед по слепому внутреннему сравнению Tencent. Цена токена — отдельно: сколько стоят токены Claude и GPT. Витрина — vibe-studio.uk.

Что вышло 28 августа

Официальный пост Tencent от 28 августа 2026: модель открыта, веса доступны, доступ через продукты и API. Канон: tencent.com — Tencent Releases and Open-Sources Tencent Hy4 preview и репозиторий Tencent-Hunyuan/Hy4-preview. TechNode подтверждает дату и цифры релиза в своём материале от того же дня.

Спека из README GitHub (backbone, без MTP-слоя в таблице):

• 770B всего, 49B активируется на токен.
• Контекст 1M токенов (в посте Tencent — «exceeding 1M»).
• MoE: 78 слоёв; первый — плотный FFN, остальные 77 — MoE.
• На MoE-слое: 256 routed experts + 1 shared; на токен — top-8 routed + shared.
• Hidden 6144, attention heads 64.
• Нативный MTP-слой для speculative decoding: 10B всего / 0.7B activated.

Веса: Hugging Face tencent/Hy4-preview, плюс ModelScope, GitCode, CNB. Есть квант Hy4 preview-FP8. Лицензия в README — Apache 2.0. Это open-weight preview, не «закрытый API-only».

Доступ, как пишут Tencent и TechNode: WorkBuddy, CodeBuddy, Yuanbao, ima; API — Tencent Cloud TokenHub и OpenRouter. На старте WorkBuddy/CodeBuddy дают бесплатный доступ на ограниченный двухнедельный период (формулировка TechNode / официального поста). Цены API с официальной страницы Tencent и TestingCatalog: $0.834 / MTok input, $2.501 / MTok output, cache hit $0.042 / MTok. Не путай это с «бесплатно навсегда» и не переноси на другой провайдер без сверки прайса.

Вендорский кейс: Hy4 = supervisor, Codex = worker

Самая громкая зацепка из ленты — про Codex. По TestingCatalog (со ссылкой на позицию Tencent): в одном тесте Hy4 preview управлял несколькими сессиями Codex параллельно, менял направление исследования по мере прихода результатов; на задаче пост-трейна маленькой модели координировал несколько evaluation targets и обошёл Codex, работавший самостоятельно, на всех восьми бенчмарках. Компания подаёт это как умение судить направление ресёрча, организовывать эксперименты и итерировать сложный R&D.

Читай это именно так, как написано — вендорский сетап. Hy4 здесь не «лучше Codex в твоём прод-репе». Hy4 — судья и дирижёр. Codex — воркер, который крутит ветки. Победа «на восьми тестах» — про задачу пост-трейна маленькой модели в их контуре, не про то, что ты выкидываешь Codex из CLI и ставишь Hy4 вместо него. Независимого публичного воспроизведения этого кейса в материалах, которые я открыл, нет. Пока метка одна: vendor claim.

Для вайб-кодера практический перевод простой. У тебя уже есть несколько окон Claude / Codex / Cursor. Обычно ты сам — supervisor: читаешь диффы, убиваешь тупиковые ветки, меняешь ТЗ. Tencent показывает другой полюс: отдельная большая модель сидит над воркерами и решает, куда копать дальше. Это соседняя мысль к Codex Host (один UI) и к JIT-Agent (обвязка под задачу). Host — окно. JIT — форма цикла. Hy4 в этом кейсе — роль «главного», которая меняет план по фактам с воркеров.

Что Tencent меряет сам — и чего не обещать

Внутренний blind eval (официальный пост + README + TechNode): 163 эксперта, 203 engineering tasks. Средний балл Hy4 preview — 2.99 / 4.00 против GLM 5.3 2.92 и Kimi K3 2.94. В README есть разбивка win/tie/loss: vs GLM 5.3 — 46.8% / 12.8% / 40.4%; vs Kimi K3 — 51.2% / 7.9% / 40.9%. Это внутреннее сравнение Tencent на своих задачах. Не лидерборд Arena и не твой монорепо.

Отдельно Tencent пишет, что модель участвовала в оптимизации собственного трейна и инференса (операторы, fusion, communication) и дала +31.8% end-to-end throughput против baseline. Цифра интересная как история «модель помогала себе в инфраструктуре». Это не бенчмарк твоего агента в Cursor.

Known limitations из README — прямо и полезно: preview может рассуждать дольше, чем нужно, и over-verify — перепроверять себя сверх пользы. Для оркестратора это критично: лишний thinking на каждом «судье» умножается на число воркеров и на длину цикла. Если ты копируешь идею supervisor — закладывай бюджет токенов и стоп-условия, иначе купишь качество длиной, а не планом. Про деньги токена у нас: цена токенов.

Не обещай команде:

• «Hy4 лучше Codex» в проде вайб-кодера — в кейсе Hy4 над Codex, не вместо.
• «770B на домашнем ПК» — официальный путь деплоя в README: vLLM / SGLang, tensor-parallel, образ с FP8. Это серверная история, не «скачал на игровой ПК».
• «Обошли GLM везде» — дельта 2.99 vs 2.92 на внутреннем сете; у GLM свой coding-план и свой runtime, см. GLM-5.3.

Вопрос вайб-кодеру: нужен ли тебе supervisor

Не «ставь Hy4». Ставь диагноз своей недели.

1. Один агент, одна фича, короткие итерации. Supervisor почти не нужен. Мешает. Бери один сильный воркер, узкий harness, режь тулы. См. чеклист в JIT-Agent.
2. Несколько гипотез параллельно (два подхода к багу, два дизайна API, ресёрч vs патч). Уже появляется роль судьи: кто сводит ветки, кто убивает тупик, кто меняет критерий. Сейчас это часто ты. Можно оставить так. Можно вынести в отдельный тред «ревьюер».
3. Длинный горизонт (миграция, пост-трейн маленькой модели, серия экспериментов с логами). Здесь вендорский кейс Hy4 релевантен как паттерн: воркеры крутят эксперименты, supervisor читает артефакты и переназначает направление. Не обязательно Hy4. Важно наличие роли.

Минимальный белый сетап без 770B:

• Два–три воркера в отдельных тредах (Codex / Claude / что у тебя есть).
• Один короткий тред-supervisor с жёстким протоколом: «читай только summary + лог теста, не сырой thinking воркера»; «после N шагов — stop или смена гипотезы».
• Общий артефакт-стейт: список гипотез, что отвергнуто, какой критерий зелёного.
• UI, если глаз разъезжается — Codex Host. Persistent — если сессия должна пережить ночь: Persistent mode.

Когда имеет смысл смотреть именно Hy4 API (TokenHub / OpenRouter), а не только паттерн:

• Тебе нужен длинный контекст под кучу логов/доков (заявлено 1M) и роль «судьи» на чужих воркерах.
• Ты готов платить input/output по прайсу выше и отдельно смотреть cache $0.042 — иначе supervisor быстро съест бюджет на пересказах.
• Ты принимаешь preview-оговорки: over-think и over-verify. Без лимита шагов оркестратор будет «ещё раз проверить».

Когда не смотреть:

• Хочешь «одну модель вместо всего стека» — кейс Tencent про другое.
• Хочешь локально на одной карте «как Qwen» — это не тот класс веса; README ведёт на multi-GPU serve.
• Ждёшь независимого доказательства «лучше Codex в любом репо» — его в открытых страницах релиза, которые я сверил, нет.

Как проверить идею за неделю — без скачивания 770B

Цель — проверить роль supervisor, не бренд чекпоинта.

1. Возьми одну повторяющуюся боль: «два агента дублируют работу» или «я сам час свожу ветки».
2. Раздели: воркер A / воркер B / тред-судья. Судье запрети писать код в те же файлы, что воркеры.
3. Прогони 5 задач одного жанра. Метрики: сколько ручных вмешательств, сколько токенов на сводку, сколько раз судья реально сменил направление (а не пересказал).
4. Если судья только пересказывает — тебе нужен лучший harness воркера, не третья модель. Если судья убивает тупики раньше тебя — паттерн живой; дальше можно сравнить API-модели в роли судьи, в том числе Hy4, на одинаковом протоколе.
5. Смотри цену сводки. Supervisor, который перечитывает полные треды, часто дороже двух воркеров. Cache и короткий state — обязательны.

Это белая дисциплина оркестрации. Не обход ToS, не «взлом Codex», не промпт «игнорируй правила». Воркеры остаются в своих легальных клиентах. Меняется только то, кто решает, какую ветку продолжать.

Где это лежит рядом с твоим стеком

Hy4 preview — большой open-weight MoE с акцентом Tencent на long-horizon coding, office и research. В маркетинге есть и game development; для нашей ленты вайб-кодинга это не тема: не разворачиваем игровой how-to, не тащим «игровой ПК».

GLM-5.3 — прямой сосед по внутреннему слепому сравнению Tencent. Если выбираешь coding-план и runtime, смотри наш разбор GLM, а не только дельту 0.07 балла на чужой шкале.

Codex Host / Persistent — про UI и жизнь сессии. Hy4-кейc — про политику «кто главный». Их можно держать вместе: Host показывает окна, Persistent держит длинный цикл, supervisor (человек или модель) задаёт направление.

JIT-Agent — про то, что обвязка под задачу сильнее смены веса. Оркестрация Hy4-стиля без хорошего harness воркеров даст дорогой хаос: судья будет красиво переназначать бессмысленные эксперименты.

Коротко

Hy4 preview (релиз ~28.08.2026) — open-weight MoE Tencent Hunyuan: 770B / 49B active, контекст 1M+, 78 слоёв (1 dense + 77 MoE), 256 routed + 1 shared, top-8, hidden 6144, 64 heads, MTP 10B/0.7B. Доступ: WorkBuddy, CodeBuddy, Yuanbao, ima; API TokenHub и OpenRouter; прайс $0.834 / $2.501 / cache $0.042 за MTok. Внутренний blind: 2.99/4 vs GLM 5.3 2.92 и Kimi K3 2.94 (163 эксперта, 203 задачи); +31.8% throughput на своём инференсе — слова Tencent. Вендорский кейс: Hy4 как supervisor над несколькими Codex, смена направления по результатам, победа над одиночным Codex на восьми тестах пост-трейна — не доказательство «лучше Codex в твоём проде». Preview сам признаёт over-think и over-verify. Для вайб-кодера вывод: думай про роль оркестратора, а не про скачивание 770B. Канон: GitHub Hy4-preview, Tencent release. Соседи: JIT-Agent, Codex Host, Persistent, GLM-5.3, цена токена. Витрина — vibe-studio.uk.