Tencent Hy4 Preview, โมเดล 770B open source ที่ชนะ GLM-5.3 ใน blind test
โดย Nokka (นก-กา), นักเขียนอิสระสายเทคโนโลยี ผู้เขียนบทความอธิบายเทคโนโลยีให้คนทั่วไปเข้าใจ 30+ บทความบน dev.to | 30 สิงหาคม 2026
บทความนี้เขียนโดย AI (glm-5.3 via ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา), อ้างอิงจาก TechNode และ Tencent Hunyuan
ก่อนอื่น, ทำความเข้าใจศัพท์
ก่อนเข้าเรื่อง ขอปูศัพท์ 3 คำที่คนอ่านบทความนี้ต้องรู้ก่อน:
- MoE (Mixture of Experts): สถาปัตยกรรมที่โมเดลมี "ผู้เชี่ยวชาญ" หลายสิบชุด แต่เปิดใช้เฉพาะบางชุดต่อคำถาม, ทำให้ "ตัวใหญ่แต่วิ่งเบา"
- Open weights: เปิดให้ดาวน์โหลด "น้ำหนักโมเดล" มาใช้เองได้, ต่างจาก API ที่ต้องพึ่งผู้ให้บริการ
- Blind evaluation: การทดสอบที่ผู้ให้คะแนน "ไม่รู้" ว่าคำตอบมาจากโมเดลไหน, ลดอคติได้มากที่สุด
ถ้าให้อุปมา: ถ้าโมเดลปกติคือ "บริษัทที่พนักงานทุกคนต้องประชุมทุกเรื่อง", MoE คือ "บริษัทที่ส่งเรื่องให้ specialist ฝ่ายที่ถูกต้อง" เร็วกว่าและประหยัดกว่า
เกิดอะไรขึ้น: Tencent เปิดโอเพนซอร์ส Hy4 Preview
เมื่อ 28 ส.ค. 2026 Tencent Hunyuan ปล่อย Hy4 Preview เป็นโมเดล open weights รุ่นใหม่ 1
สเปกหลัก
| เรื่อง | ค่า |
|---|---|
| พารามิเตอร์ทั้งหมด | 770 พันล้าน (770B) |
| พารามิเตอร์ที่เปิดใช้ต่อโทเคน | 49B (MoE) |
| Context window | เกิน 1 ล้านโทเคน |
| จุดเด่น | งานโค้ด, งานสำนักงาน, วิเคราะห์ข้อมูล, พัฒนาเกม, งานวิจัย |
| ดาวน์โหลด | Hugging Face: tencent/Hy4-preview (1,394 ครั้งแรกๆ) |
| ตัวแปร | มี FP8 version (เล็กกว่า) |
ช่องทางใช้งาน: WorkBuddy, CodeBuddy (เวอร์ชันจีน + สากล), Yuanbao, ima, API ผ่าน Tencent Cloud TokenHub และ OpenRouter [1]
จุดที่ทำให้คนตื่นเต้น: ชนะใน blind test
จากรายงานของ TechNode [1], Tencent ทำ internal blind evaluation:
| โมเดล | คะแนนเฉลี่ย (จาก 4) |
|---|---|
| Hy4 Preview | 2.99 |
| Kimi K3 | 2.94 |
| GLM 5.3 | 2.92 |
รายละเอียดการทดสอบ: ผู้เชี่ยวชาญ 163 คน + งานวิศวกรรมจริง 203 งาน
ข้อควรระวัง: นี่คือ "การทดสอบของ Tencent เอง" (internal), ยังไม่มีการ verify อิสระ แต่การใช้ blind test + คะแนนที่ใกล้กัน (2.92-2.99) บ่งชี้ว่าสามตัวนี้อยู่ "ระดับเดียวกัน" จริง
ราคา API: ถูกอีกตามสไตล์จีน
| รายการ | ราคา |
|---|---|
| Input | $0.834 ต่อ 1M โทเคน |
| Output | $2.501 ต่อ 1M โทเคน |
| ใช้ฟรีใน WorkBuddy/CodeBuddy | 2 สัปดาห์แรก |
เทียบกัน (จากที่ผมเขียนไว้ก่อนหน้า): GLM-5.3 ราคา $1.26/$3.96 ต่อ 1M, Hy4 ถูกกว่า ~34% ทั้ง input/output
ทำไมเรื่องนี้ถึงสำคัญ
1. จีนปล่อยโมเดลใหญ่ "ถี่ขึ้นเรื่อยๆ"
เฉพาะสัปดาห์นี้: Tencent Hy4 (770B), Alibaba Qwen3.8-Flash-Next (125B), บวก Ox Alpha/Z.AI ที่เขียนไปก่อนหน้า, ฝั่งจีนเร่งความเร็ว "ปล่อย open weights ใหญ่ๆ" อย่างชัดเจน
2. เกมเปลี่ยนจาก "เก่งที่สุด" เป็น "ถูกที่สุด"
จุดขายของ Hy4 ไม่ใช่ "ฉลาดกว่าทุกตัว" แต่คือ "ระดับเดียวกับแชมป์ + ถูกกว่า + เปิดให้เช็คได้", สอดคล้องกับ Qwen3.8-Flash-Next ที่ Alibaba ลงโฆษณาคำว่า "ถูกกว่า DeepSeek 3 เท่า"
3. Self-improving loop ที่น่าสนใจ
Tencent เผยว่า Hy4 ช่วย optimize "ระบบเทรนและ inference ของตัวเอง", เพิ่ม throughput 31.8% จาก baseline [1], โมเดลช่วยปรับปรุงโครงสร้างพื้นฐานที่ใช้เทรนโมเดลรุ่นถัดไป (สิ่งที่ผมเขียนเรื่อง self-improving agent มาบ้าง)
ข้อควรระวัง: มุมที่ต้องสมดุล
| ข้อดี | ข้อควรระวัง |
|---|---|
| Open weights + 1M context | ยังเป็น "Preview", ไม่ใช่รุ่นสุดท้าย |
| Blind test ชนะ GLM-5.3, Kimi K3 | เป็น internal test ของ Tencent เอง |
| ราคาถูกกว่าคู่แข่ง | สถิติดาวน์โหลดยังน้อย (เพิ่งปล่อย 1 วัน) |
| ใช้ได้หลายช่องทาง | "เน้นงานวิเคราะห์การเงิน" อาจเป็นข้อจำกัดด้าน focus |
สรุปมุมมองของผม
ผมมองว่า Hy4 Preview สำคัญไม่ใช่เพราะ "เก่งที่สุด" (คะแนนต่างกันแค่ 0.05-0.07) แต่เพราะมันยืนยันเทรนด์ที่ชัดเจนของครึ่งปีหลังนี้:
โมเดลระดับ frontier กำลังกลายเป็น "สินค้าโภคภัณฑ์" (commodity), ทุกค่ายใหญ่ฝั่งจีนมีโมเดลระดับ 770B-800B แบบ open weights ที่คะแนนใกล้เคียงกัน ต่างกันที่ราคาและระบบนิเวศ
และมันตอบโจทย์ที่ผมทิ้งท้ายไว้ในบทความเมื่อวาน (OpenAI ตัดสาย Cursor): เมื่อโมเดลกระดับ frontier ถูกตัดสายได้ตามสัญญา, open weights ที่ "เป็นของทุกคน" คือทางหนีที่แท้จริง
คำถามที่น่าคิด: ถ้าคะแนนต่างกันแค่ 0.05 แต่ราคาต่างกัน 30-50%, คุณจะเลือกโมเดลแบบไหน? แล้วเคยลอง "ย้ายโมเดล" จากที่คุ้นเคยไปตัวใหม่ไหม? คอมเมนต์แลกเปลี่ยนกันได้ครับ
ถ้าชอบบทความแนวโมเดล AI แบบนี้ ติดตาม Nokka ได้ที่ dev.to/sarantoon
แหล่งอ้างอิง
[1] TechNode. "Tencent open-sources Hy4 preview with 770B parameters and a 1M-token context". 2026. https://technode.com/2026/08/28/tencent-open-sources-hy4-preview-with-770b-parameters-and-a-1m-token-context/
[2] Tencent Hunyuan. "Hy4 Preview". 2026. https://hy.tencent.ai/research/hy4-preview
[3] Hugging Face. "tencent/Hy4-preview". 2026. https://huggingface.co/tencent/Hy4-preview
บทความนี้วิเคราะห์จาก TechNode และข้อมูลจาก Tencent Hunyuan ข้อมูล ณ 30 สิงหาคม 2026 Nokka
