Tencent Hunyuan Hy4 veröffentlicht: Preise, 1M Kontext, Benchmarks und Nutzung in Claude Code / Codex

Tencent Hunyuan hat Hy4 am 4. November veröffentlicht. Das Modell bringt erstmals Vision und Computer-Use, hat 1M Kontext und bis zu 64K Output und kostet offiziell 0,834 $ Input, 2,501 $ Output und 0,042 $ gecachten Input pro Million Tokens, auf OpenRouter mit 50 % Launch-Rabatt. Dieser Leitfaden behandelt offizielle Spezifikationen, Preise, die überprüfbaren Zahlen aus Tencents Benchmark-Tabelle, den Aufruf der Hy4-API über Tencent Cloud TokenHub und OpenRouter (Modell-IDs hy4 / tencent/hy4) sowie getestete Schritte für chinesische Modelle in Claude Code und Codex.

9 分钟阅读
Tencent Hunyuan Hy4 veröffentlicht: Preise, 1M Kontext, Benchmarks und Nutzung in Claude Code / Codex

Kurz gesagt: Tencent Hunyuan hat Hy4 am 4. November 2026 veröffentlicht. Es ist das erste Hy-Modell mit Bildeingabe (Vision) und Computer-Use, hat 1M Kontext und bis zu 64K Output, und der offizielle API-Preis pro Million Tokens liegt bei 0,834 $ Input, 2,501 $ Output und 0,042 $ gecachtem Input – genauso wie bei Hy4 preview im August.

  • Aufrufbar ist es ab sofort über Tencent Cloud TokenHub (Modell-ID hy4) und OpenRouter (Modell-ID tencent/hy4, derzeit mit 50 % Rabatt angezeigt: 0,417 $ Input, 1,251 $ Output). Außerdem ist es in CodeBuddy, WorkBuddy, Yuanbao und ima verfügbar.
  • In Tencents eigener Benchmark-Tabelle erreicht Hy4 75,2 auf APEX-Agents v1.1, knapp vor Claude Opus 5.5 in Tencents Messung (74,8). Auf Terminal-Bench 4.0 kommt es nur auf 44,4, weit hinter Opus 5.5 und Kimi K3.1 Pro (beide um 66). Tencent schreibt selbst, dass „weiterhin ein deutlicher Abstand zu den besten proprietären Modellen besteht“.
  • Die Hy4-Gewichte sind noch nicht veröffentlicht. Tencent „plant eine Open-Source-Veröffentlichung“, nennt aber kein Datum; auf Hugging Face gibt es derzeit nur Hy4-preview. Ein schnelleres, günstigeres Hy4 flash soll „in naher Zukunft“ folgen.
  • aicodewith bietet Hy4 Stand 4. November noch nicht an. Wer ein chinesisches Modell in Claude Code, Codex oder Cursor nutzen will, findet bei aicodewith bereits kimi-k3.1-pro, glm-5.3, deepseek-v4-pro und weitere. Getestete Schritte stehen am Ende.

API Key erstellen und chinesische Modelle in Claude Code, Codex und Cursor nutzen →

Zahlen geprüft am 2026-11-04 (Pekinger Zeit) anhand von Tencents Hy4-Release-Seite, dem Hy-Leitfaden von Tencent Cloud TokenHub, der OpenRouter-Modellseite sowie Berichten von IT Home, ifeng und FourWeekMBA. Alle Benchmark-Werte stammen aus Tencents Tabelle und sind als Tencents eigene Messungen gekennzeichnet.

Wo Hy4 heute steht

FrageStand (2026-11-04)Quelle
Veröffentlicht?Ja, ersetzt Hy4 preview vom 28. AugustTencent Release-Seite
API-Zugang?Ja: Tencent Cloud TokenHub hy4, OpenRouter tencent/hy4Tencent Cloud Doku, OpenRouter
Offizieller Preis0,834 $ Input / 2,501 $ Output / 0,042 $ gecachter Input (pro Million Tokens)Tencent Release-Seite
Kontext und Output1M Kontext (1.048.576), max. 960K Input, max. 64K Output (65.536)Tencent Cloud Doku, OpenRouter
ModalitätenText + Bild rein, Text rausOpenRouter, Tencent Cloud Doku
ParameterFür Hy4 nicht veröffentlicht; Hy4 preview: 770B gesamt / 49B aktivLaut IT Home (zur Preview)
Offene GewichteGeplant, ohne Datum; nur Preview-Gewichte öffentlichTencent Release-Seite, Hugging Face
Hy4 flashIn naher Zukunft geplantTencent Release-Seite
Auf aicodewith?Noch nicht (kein hy4 in unserem /v1/models)Geprüft am 4. November

Was ist neu in Hy4

Laut Tencents Release-Seite und IT Home im Vergleich zu Hy4 preview:

  • Größeres Pre-Training und Post-Training, mit Verbesserungen bei Instruction Following, Langkontext-Verständnis, langen Aufgaben und Deep Research.
  • Erstmals Vision: kombiniert Wahrnehmung, Reasoning und Tool-Calls für feine Bildbearbeitung, komplexe Diagramme und visuelle Mathematik.
  • Erstmals Computer-Use in CLI und GUI, mit gezieltem Training für Blender, CAD und anwendungsübergreifende Abläufe.
  • Frontend und Spieleentwicklung: angepasst an Unreal Engine, Unity und Godot; Tencent meldet +19,1 % bei GameDev und +9,8 % bei GameLogic gegenüber der Preview.
  • Finanzen und Büro: 213 Finanzfachleute bewerteten 579 reale Aufgaben; Hy4 erzielte 3,04, DeepSeek-V4.1-Flash-1017 2,97, Kimi K3.1 Pro und GLM-5.3 je 2,68. In internen Tests sank die Halluzinationsrate von 15,76 % (Preview) auf 5,45 %.
  • Sicherheit: Cybersecurity-Trainingsdaten wurden auf defensive Inhalte beschränkt; Exploit-Entwicklung, Reverse Engineering und Penetrationstests wurden herausgefiltert. Eine System Card soll mit den Gewichten erscheinen.

Der Launch war auch in den X-Trends.

Hy4-Preise

USD pro Million Tokens (MTok), geprüft am 2026-11-04.

KanalInputOutputGecachter Input
Tencent offiziell (Tencent Cloud)0,834 $2,501 $0,042 $
OpenRouter wie angezeigt (50 % Rabatt markiert)0,417 $1,251 $0,021 $

Hinweise:

  • Tencent schreibt, Hy4 liefere deutliche Verbesserungen „zum gleichen API-Preis wie Hy4 preview“.
  • OpenRouter nennt kein Enddatum für den Rabatt. Tencent Cloud ist derzeit der einzige Anbieter hinter Hy4 auf OpenRouter.
  • Zum Vergleich: FourWeekMBA berechnet anhand der OpenRouter-Listenpreise, dass der Output-Preis von Hy4 etwa 1/8 von Claude Opus 5.5 (20 $) und 1/4 von Kimi K3.1 Pro und GPT-6.1 Sol (10 $) beträgt, aber etwa das 2,1-Fache des Standardpreises von DeepSeek V4.1 Flash-1017 (1,20 $). Die offiziellen Preise von Kimi K3.1 Pro stehen in unserem Kimi K3.1 Pro Test.
  • Hy4 denkt standardmäßig nach, und Thinking-Tokens zählen als Output – für einfache Aufgaben reasoning_effort senken.

Hy4-Benchmarks: die überprüfbaren Zahlen aus Tencents Tabelle

Die Zeilen unten stammen aus dem Benchmark-Anhang der Release-Seite. Tencent hat jedes Modell auf der höchsten Reasoning-Stufe laufen lassen; stehen zwei Zahlen in einer Zelle, ist die erste der Herstellerwert und die zweite Tencents eigene Messung. Gezeigt werden nur Coding-, Agent- und Multimodal-Zeilen.

BenchmarkHy4Hy4 previewClaude Opus 5.5Kimi K3.1 ProGPT-6.1 SolDeepSeek-V4.1-Flash-1017GLM-5.3
APEX-Agents v1.1 (pass@1)75.253.973.5 / 74.867.2 / 68.260.0 / 61.772.1 / 72.964.3
DeepSWE v1.174.964.374.2 / 72.675.5 / 76.375.2 / 72.777.0 / 73.866.9 / 68.1
SWE-Marathon v1.143.831.946.3 / 44.451.7 / 53.842.5 / 39.446.342.5 / 35.6
Terminal-Bench 4.044.426.366.4 / 66.465.7 / 66.855.9 / 55.542.3 / 40.042.9
ProgramBench30.017.565.0 / 56.531.5 / 24.546.0 / 46.029.1 / 29.019.0 / 18.0
FrontierCode 2.031.0-46.425.540.628.521.6
AutomationBench v1.0.656.236.358.865.651.460.5 / 54.348.2 / 54.1
OSWorld 2.1 (Full, Teilpunkte)78.9-81.879.675.268.4-
MMMU-Pro78.6-88.284.1 / 83.484.976.7-
HLE-Full (mit Tools)59.157.367.7 / 66.270.0 / 61.860.657.162.5 / 57.4

So liest man die Tabelle:

  • Der einzige klare Vorsprung von Hy4 ist APEX-Agents (bürotypische Agent-Aufgaben). Bei DeepSWE liegt es etwa gleichauf mit den anderen.
  • Groß sind die Abstände beim Terminal-Coding (Terminal-Bench 4.0), beim Schreiben von Programmen von Grund auf (ProgramBench) und beim forschungsorientierten Terminal-Bench-Science (Hy4 19,8 vs. Opus 5.5 58,7 / 56,2). Tencent hat Terminal-Bench 4.0 im Claude-Code-Harness mit bis zu 500 Runden und 13 Stunden pro Aufgabe ausgeführt.
  • Laut FourWeekMBA sind 20 der 34 Tabellenzeilen Tencent-interne Benchmarks; in den übrigen 14 öffentlichen Zeilen liegt Hy4 nur in 2 vor Opus 5.5.
  • Alle Werte sind Tencents Messungen oder Herstellerangaben; eine unabhängige Reproduktion gibt es noch nicht.

So rufst du die Hy4-API auf

Tencent Cloud TokenHub

TokenHub in der Konsole aktivieren und einen API-Schlüssel anlegen. Laut Tencent Cloud Doku unterstützt TokenHub OpenAI Chat Completions (/v1/chat/completions), OpenAI Responses (/v1/responses) und Anthropic Messages (/v1/messages). Die Base URL je nach Region wählen: Guangzhou https://tokenhub.tencentmaas.com/v1 oder Singapur https://tokenhub-intl.tencentmaas.com/v1. OpenAI-Pfade nutzen Authorization: Bearer, der Anthropic-Pfad x-api-key.

bash
# Tencent Cloud TokenHub (Guangzhou / mainland China)
curl https://tokenhub.tencentmaas.com/v1/chat/completions \
  -H "Authorization: Bearer $TOKENHUB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "hy4",
    "messages": [{"role": "user", "content": "Hello"}],
    "reasoning_effort": "high"
  }'

# Singapore (global): https://tokenhub-intl.tencentmaas.com/v1

Python (OpenAI SDK):

python
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_TOKENHUB_API_KEY",
    base_url="https://tokenhub.tencentmaas.com/v1",
)
resp = client.chat.completions.create(
    model="hy4",
    messages=[{"role": "user", "content": "Hello"}],
    extra_body={"reasoning_effort": "high"},
)
msg = resp.choices[0].message
print(getattr(msg, "reasoning_content", None))  # thinking trace
print(msg.content)

Wichtige Punkte laut Hy-Leitfaden:

  • hy4 denkt standardmäßig nach; reasoning_effort ist standardmäßig high, der Denkprozess steht in reasoning_content.
  • Bei mehrstufigen Tool-Calls das vorherige reasoning_content zusammen mit tool_calls zurückschicken, sonst sinkt die Qualität.
  • Bilder können als URL oder Base64 gesendet werden, bis 10 MB pro Bild und 600 pro Anfrage.
  • Ist der Modelldienst nicht aktiviert, antwortet die API mit 402.

OpenRouter

Die Modell-ID ist tencent/hy4. Die API ist OpenAI-kompatibel und akzeptiert auch Responses- und Anthropic-Messages-Formate (laut OpenRouter-Modellseite):

bash
curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tencent/hy4",
    "messages": [{"role": "user", "content": "Hello"}]
  }'

OpenRouter listet tools, tool_choice und strukturierte Ausgabe per JSON Schema als unterstützt, mit bis zu 65.536 Output-Tokens.

Chinesische Modelle in Claude Code / Codex / Cursor (unsere Tests)

Hy4 ist noch nicht auf aicodewith. Wenn du ein chinesisches Modell in Claude Code, Codex oder Cursor nutzen willst, kannst du die bereits angebotenen Modelle wie kimi-k3.1-pro, glm-5.3 und deepseek-v4-pro verwenden – mit einem Schlüssel für alle drei Clients. Am 4. November haben wir Claude Code mit Kimi K3.1 Pro und Codex mit GLM-5.3 über einen aicodewith-Schlüssel getestet.

Schritt 1: API Key erstellen

Registrieren und in der Konsole einen API Key anlegen. Verfügbare Modelle stehen in der Modellliste.

API Key erstellen →

Schritt 2 (Claude Code): settings.json bearbeiten

~/.claude/settings.json öffnen (Windows: %USERPROFILE%\.claude\settings.json). An ANTHROPIC_BASE_URL kein /v1 anhängen:

json
{
  "env": {
    "ANTHROPIC_BASE_URL": "https://api.aicodewith.ai",
    "ANTHROPIC_AUTH_TOKEN": "IHR_API_KEY",
    "ANTHROPIC_MODEL": "kimi-k3.1-pro",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "kimi-k3.1-pro",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "kimi-k3.1-pro",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "kimi-k3.1-pro",
    "CLAUDE_CODE_SUBAGENT_MODEL": "kimi-k3.1-pro"
  }
}

Für GLM jeden Modellnamen auf glm-5.3 ändern. Mehr dazu: Claude Code mit einer Drittanbieter-API verbinden und Kimi K3.1 Pro in Claude Code.

Schritt 3 (Claude Code): kleine Aufgabe ausführen

bash
claude --version
# 2.1.316 (Claude Code)

claude -p "Create a file context_check.py with a function fits(prompt_tokens, max_output, window=1_048_576) that returns True when prompt_tokens + max_output <= window, add 3 asserts (one with 65_536 output), then run python3 context_check.py and report the exact output." \
  --allowedTools "Write,Bash,Read,Edit" --output-format json

Ergebnis (Claude Code 2.1.316, Modell kimi-k3.1-pro):

text
# wall time 53.4 s, num_turns 3, is_error false, modelUsage: kimi-k3.1-pro
# stderr: [claude-code:unrecognized_model] {"model":"kimi-k3.1-pro","query_source":"sdk"}

$ cat context_check.py
def fits(prompt_tokens, max_output, window=1_048_576):
    """Return True when prompt_tokens + max_output fits within the context window."""
    return prompt_tokens + max_output <= window


assert fits(900_000, 65_536) is True        # 965_536 <= 1_048_576, 65_536-token output
assert fits(1_000_000, 48_576) is True      # 1_048_576 <= 1_048_576, exactly at the boundary
assert fits(983_041, 65_536) is False       # 1_048_577 > 1_048_576, one token over

$ python3 context_check.py
$ echo $?
0
  • 53,4 Sekunden, 3 Runden. Die Datei war korrekt, alle Asserts liefen durch, das Skript gab nichts aus und endete mit Exit-Code 0.
  • Die Zeile unrecognized_model auf stderr bedeutet nur, dass Claude Code diesen Modellnamen nicht kennt; der Aufruf funktioniert.

Schritt 4 (Codex): globale config.toml bearbeiten

Codex liest den Schlüssel aus experimental_bearer_token in der globalen ~/.codex/config.toml. Die base_url ist https://api.aicodewith.ai/chatgpt/v1 (auf /chatgpt/v1 achten):

toml
# ~/.codex/config.toml
model = "glm-5.3"
model_provider = "aicodewith"

[model_providers.aicodewith]
name = "aicodewith"
base_url = "https://api.aicodewith.ai/chatgpt/v1"
wire_api = "responses"
experimental_bearer_token = "IHR_API_KEY"

Erklärung aller Felder: Codex config.toml Leitfaden.

Schritt 5 (Codex): dieselbe Aufgabe ausführen

bash
codex --version
# codex-cli 0.166.0

codex -s workspace-write -a never exec --skip-git-repo-check "Create a file context_check.py with a function fits(prompt_tokens, max_output, window=1_048_576) that returns True when prompt_tokens + max_output <= window, add 3 asserts (one with 65_536 output) and a final print('ok'), then run python3 context_check.py and report the exact output."

Ergebnis (codex-cli 0.166.0, Modell glm-5.3):

text
# wall time 31.6 s, exit 0
model: glm-5.3
provider: aicodewith
approval: never
sandbox: workspace-write [workdir, /tmp, $TMPDIR]
warning: Model metadata for `glm-5.3` not found. Defaulting to fallback metadata; this can degrade performance and cause issues.

exec /bin/bash -lc "apply_patch <<'PATCH' ..."
 exited 2 in 0ms:
patch: **** Only garbage was found in the patch input.

exec /bin/bash -lc "cat > context_check.py <<'EOF' ... EOF
python3 context_check.py"
 succeeded in 0ms:
ok
  • 31,6 Sekunden, Exit-Code 0, Endausgabe ok.
  • Codex meldet, dass es keine Modell-Metadaten für glm-5.3 hat, und nutzt Standardwerte. GLM versuchte zuerst, apply_patch aus der Shell aufzurufen, was scheiterte, wechselte dann zu einem Heredoc und schloss die Aufgabe ab. Nicht-OpenAI-Modelle nehmen in Codex manchmal solche Umwege.

Cursor

In Cursor unter Models ein OpenAI-kompatibles benutzerdefiniertes Modell hinzufügen, den aicodewith-Schlüssel eintragen und unsere Modell-ID verwenden (z. B. kimi-k3.1-pro). Ein weiteres Beispiel für ein chinesisches Modell in Claude Code / Codex: DeepSeek V4.1 Flash in Claude Code / Codex.

Für wen lohnt sich Hy4

Einen Versuch wert:

  • Büro- und Finanzrecherche-Agents (APEX-Agents und die Finanzexperten-Studie sind seine stärksten Ergebnisse)
  • Aufgaben mit Bild- oder Diagrammverständnis plus 1M Kontext
  • Budgetbewusste Teams, die ihre Aufgaben selbst evaluieren (Output-Preis weit unter Opus 5.5)

Lieber noch abwarten:

  • Intensives Terminal-Coding und lange Entwicklungsaufgaben: In Tencents eigener Tabelle liegt Hy4 bei Terminal-Bench 4.0 und ProgramBench weit hinter Opus 5.5 und Kimi K3.1 Pro
  • Self-Hosting: Die Hy4-Gewichte sind nicht veröffentlicht
  • Wenn du Ranglisten von Dritten brauchst: Bisher gibt es nur Tencents Zahlen

FAQ

Wann wurde Tencent Hunyuan Hy4 veröffentlicht?

Hy4 wurde am 4. November 2026 veröffentlicht. Hy4 preview erschien am 28. August.

Was kostet Hy4?

Tencents offizieller Preis pro Million Tokens: 0,834 $ Input, 2,501 $ Output und 0,042 $ gecachter Input, wie bei der Preview. OpenRouter zeigt derzeit 50 % Rabatt (0,417 $ / 1,251 $) ohne Enddatum.

Wie lautet die Modell-ID der Hy4-API?

hy4 auf Tencent Cloud TokenHub und tencent/hy4 auf OpenRouter.

Wie groß ist das Kontextfenster von Hy4?

1M (1.048.576 Tokens). Tencent Cloud nennt max. 960K Input und max. 64K Output.

Ist Hy4 Open Source?

Noch nicht. Tencent plant, die Gewichte zu öffnen, und arbeitet mit vLLM und SGLang zusammen, hat aber kein Datum genannt. Die Hy4-preview-Gewichte liegen auf Hugging Face.

Kann ich Hy4 in Claude Code nutzen?

Tencent Cloud TokenHub und OpenRouter bieten beide Anthropic-Messages-kompatible Endpunkte, du kannst es also nach deren Doku einrichten. aicodewith bietet Hy4 noch nicht an; für ein chinesisches Modell in Claude Code kannst du heute unser kimi-k3.1-pro oder glm-5.3 wie oben gezeigt nutzen.

Wie schneidet Hy4 gegen Kimi K3.1 Pro ab?

In Tencents Tabelle liegt Hy4 bei APEX-Agents vorn, Kimi K3.1 Pro bei Terminal-Bench 4.0, SWE-Marathon, OSWorld und MMMU-Pro. Der Output-Preis von Hy4 beträgt etwa 1/4 von K3.1 Pro.

Weiterlesen

Quellen

Geprüft am 2026-11-04 (Pekinger Zeit)

API Key erstellen → Modelle ansehen →

相关文章

Was ist Gemini 4 Hydrogen und wie bindet man es an? Offizieller Preis 1,50 $/7,50 $, in Claude Code / Codex

Was ist Gemini 4 Hydrogen und wie bindet man es an? Offizieller Preis 1,50 $/7,50 $, in Claude Code / Codex

Gemini 4 Hydrogen ist das Effizienzmodell von Google für alltägliche Programmierarbeit und agentische Workflows, offiziell veröffentlicht am 12. November 2026 (US-Zeit). Die Modell-ID ist gemini-4-hydrogen. Der offizielle Standardpreis der Gemini Developer API beträgt 1,50 $ pro Million Input-Tokens und 7,50 $ pro Million Output-Tokens (einschließlich Thinking-Tokens), implizites Caching kostet 0,075 $; in der kostenlosen Stufe sind diese drei Posten als Free of charge gekennzeichnet. Dieser Artikel fasst offizielle Spezifikationen und Preise zusammen, erklärt die Anbindung in AI Studio und der Gemini API und zeigt die Client-Konfiguration in Claude Code, Codex und Cursor.

Claude Fable 5.2 vs. Opus 5.5: Welches Modell wählen? Modellwechsel in Claude Code, Fable als Haupt-Agent und Opus für Subagenten (getestet)

Claude Fable 5.2 vs. Opus 5.5: Welches Modell wählen? Modellwechsel in Claude Code, Fable als Haupt-Agent und Opus für Subagenten (getestet)

Claude Fable 5.2 oder Opus 5.5? Zuerst eine Vergleichstabelle mit offiziellen Spezifikationen und Preisen, dann der Wechsel zwischen beiden in Claude Code per /model, --model und settings.json, das model-Feld eines Subagenten, damit der Haupt-Agent auf Fable und Subagenten auf Opus laufen, und die Modellwahl in Codex und Cursor. Mit Laufzeiten und Ergebnissen derselben Aufgabe auf beiden Modellen über einen AICodeWith-Key sowie Lösungen für häufige Fehler.