Tencent frappe fort avec Hy4 : 770 milliards de paramètres en open weight

Une montée en puissance fulgurante

Deux mois. C’est le temps qu’il aura fallu à Tencent pour passer de Hy3 à Hy4 Preview, multipliant par 2,6 la taille totale de son modèle. Lancé le 28 août 2026, Hy4 Preview affiche des spécifications impressionnantes : 770 milliards de paramètres totaux, dont 49 milliards activés par requête, et une fenêtre de contexte dépassant le million de tokens — l’équivalent de 10 à 15 romans traités simultanément.

Cette vélocité sans précédent dans l’industrie témoigne de l’ampleur des ressources mobilisées par le géant chinois. Selon les informations publiées sur Hugging Face, le modèle pèse 1,56 téraoctets et adopte une architecture Mixture-of-Experts (MoE) avec 78 couches, dont 77 utilisent 256 experts routés plus un expert partagé, n’activant que les 8 meilleurs experts par token.

L’architecture MoE poussée à l’extrême

Le ratio paramètres actifs/totaux de Hy4 (6,4 %) est particulièrement agressif comparé aux autres modèles MoE du marché. Cette approche permet théoriquement de maintenir des coûts d’inférence raisonnables tout en bénéficiant d’une capacité totale colossale. « C’est comme avoir 770 médecins spécialistes disponibles, mais chaque patient ne consulte que 49 d’entre eux selon son cas », explique l’analyse technique publiée par plusieurs observateurs.

L’architecture intègre également des innovations inspirées de DeepSeek et GLM, notamment le Gated DeepSeek Sparse Attention (DSA) avec IndexCache pour la réutilisation des index épars entre couches, et les iHC (identity Hyper-Connections) pour élargir les flux d’information résiduels.

Un paramètre intrigant : le « reasoning effort »

L’analyse du template de conversation de Hy4, publiée par Simon Willison, révèle un détail technique significatif : la présence d’un paramètre « reasoning_effort » avec des valeurs « high » ou « no_think ». Cette fonctionnalité suggère que le modèle peut ajuster son niveau de réflexion selon la complexité de la tâche — une capacité jusqu’ici réservée aux modèles de raisonnement premium comme o1 d’OpenAI.

« C’est la première fois qu’un modèle open weight expose explicitement ce type de contrôle », souligne l’analyse d’enrichissement. Si cette fonctionnalité s’avère efficace, elle pourrait démocratiser l’accès à des capacités de raisonnement avancé et ouvrir de nouvelles pistes de recherche pour la communauté.

Performances et positionnement

Selon Tencent, Hy4 Preview est « construit pour les tâches de productivité réelles », avec un accent sur le développement logiciel, l’analyse de documents, le développement de jeux et la recherche scientifique. Dans une évaluation interne menée auprès de 163 experts sur 203 tâches d’ingénierie, le modèle aurait obtenu un score moyen de 2,99/4, légèrement supérieur à Kimi K3 (2,94) et GLM-5.3 (2,92).

Sur les benchmarks techniques, les sources rapportent des scores de 65,7 sur SWE-bench Pro (tâches de codage) et 92,3 sur GPQA Diamond (raisonnement scientifique), plaçant Hy4 au niveau des meilleurs modèles open source actuels. Le modèle affiche également 85,4 sur Terminal-Bench 2.1, dépassant DeepSeek V4 Pro selon certaines analyses.

Open weight : stratégie ou soft power ?

Contrairement aux modèles propriétaires comme GPT-4 ou Claude, Hy4 Preview est publié en open weight sous licence Apache 2.0. Cela signifie que les poids du modèle (les paramètres entraînés) sont téléchargeables, mais pas nécessairement le code d’entraînement complet ou les données sources — une distinction importante par rapport au véritable « open source ».

Cette approche présente plusieurs avantages stratégiques pour Tencent : elle contourne les restrictions d’accès aux modèles américains, construit une communauté internationale de développeurs, et positionne la Chine comme leader de l’IA ouverte, tout en conservant le contrôle sur l’infrastructure et les données d’entraînement. « C’est du soft power technologique », analyse un expert. « Les développeurs du monde entier vont s’habituer aux standards chinois, créant une dépendance à long terme. »

Accessibilité et barrières techniques

Malgré sa disponibilité gratuite, Hy4 Preview reste inaccessible au grand public. Avec ses 1,56 téraoctets, le modèle nécessite une infrastructure de plusieurs GPU haut de gamme pour fonctionner — un investissement de dizaines de milliers d’euros minimum. Une version quantifiée en FP8 est également disponible pour réduire les besoins matériels, et des services cloud comme Tencent Cloud TokenHub ou OpenRouter proposent un accès via API.

Le pricing API annoncé est de 0,83 $/million de tokens en entrée et environ 2,50 $/million en sortie — soit environ six fois le tarif de Hy3, une augmentation que Tencent justifie par des gains de performance substantiels.

Questions ouvertes et perspectives

Plusieurs interrogations subsistent autour de Hy4 Preview. La nature exacte du paramètre « reasoning effort » reste floue : innovation technique réelle ou argument marketing ? Les données d’entraînement, leur provenance et leur conformité au droit d’auteur ne sont pas documentées. Et surtout, le modèle justifie-t-il vraiment sa taille colossale, ou observe-t-on des rendements décroissants ?

Tencent lui-même reconnaît certaines limites : le modèle peut parfois « passer trop de temps à raisonner et sur-vérifier son travail », selon les notes de version. Il s’agit d’une version « Preview », et les preuves de fiabilité indépendantes restent limitées au jour du lancement.

À court terme, la communauté attend avec impatience les benchmarks indépendants comparant Hy4 aux leaders du marché. À moyen terme, plusieurs scénarios se dessinent : adoption massive comme nouvelle référence open weight, cantonnement à une niche technique réservée aux grandes organisations, ou fragmentation géopolitique avec des écosystèmes IA distincts selon les zones d’influence.

Impact environnemental : l’éléphant dans la salle

Un aspect rarement abordé dans les annonces marketing : le coût environnemental. L’entraînement d’un modèle de 770 milliards de paramètres nécessite des semaines de calcul sur des milliers de GPU, consommant l’équivalent électrique de petites villes. L’inférence, même optimisée par l’architecture MoE, reste énergivore à grande échelle.

Cette course aux armements computationnels soulève des questions de soutenabilité alors que les enjeux climatiques s’intensifient. La fenêtre d’un million de tokens, probablement surdimensionnée pour 95 % des cas d’usage actuels, témoigne d’un pari sur des applications futures qui n’existent pas encore massivement — agents autonomes, analyse de bases de code entières, mémoire quasi-illimitée.

Conclusion : un coup stratégique majeur

Au-delà des chiffres impressionnants, le lancement de Hy4 Preview révèle une stratégie industrielle cohérente. Tencent ne construit pas pour les besoins d’aujourd’hui, mais pour créer les capacités qui rendront possibles les applications de demain, prenant ainsi l’avantage sur les cas d’usage émergents.

La vélocité de développement (doublement de taille en deux mois), l’approche open weight, et l’intégration de fonctionnalités avancées comme le reasoning effort positionnent la Chine non plus comme un suiveur, mais comme un concurrent de premier plan dans la course mondiale aux LLM.

Reste à savoir si cette escalade de la taille et de la complexité est soutenable — techniquement, économiquement et écologiquement. Et surtout : ces modèles géants sont-ils réellement « démocratiques » quand 99,9 % des utilisateurs ne peuvent pas les exécuter localement ?