Tencent、Hy4正式版を公開　視覚理解とコンピューター操作機能を追加

Tencentは11月4日、Hy4正式版を公開し、モデルの機能に視覚理解とコンピューター操作を加えた。Hy4 Previewからの主な技術的な更新点は、モデルが画像を読み取り、図表を分析したうえで、ツール呼び出しと組み合わせてタスクを実行できるようになったことだ。公式によると、モデルはBlenderやCADなどの専門ソフトウェアを使った個別のトレーニングを受けており、コマンドラインやグラフィカルインターフェースと対話できる。ただし、発表では再現可能なコンピューター操作の成功率は示されていない。Tencentの発表

開発者向けインターフェースの仕様はすでに公開されている。TokenHubのドキュメントには、正式版のモデルIDとしてhy4が記載されており、OpenAI Chat Completions、Responses、Anthropic Messagesの3種類のプロトコルに対応する。ツール呼び出し、構造化出力、画像理解のサンプルも用意されている。コンテキストウィンドウは1024k tokensで、最大入力は960k、最大出力は64kだ。そのため、エンジニアリングチームは入力と生成の予算を個別に設定する必要があり、ウィンドウ全体を入力に使える枠と見なすことはできない。TokenHubの利用ガイド

サードパーティーのサービスでも提供が確認されている。OpenRouterではリリース日が11月4日と記載され、呼び出し名はtencent/hy4。現在表示されている半額価格は、入力が100万tokensあたり0.417ドル、出力が1.251ドルだ。既存の互換クライアントから直接試せる一方、価格やプロバイダーのルーティングは実際のリクエスト設定で確認する必要がある。また、プラットフォームのページに掲載されたレイテンシやスループットを、長いコンテキストや複数段階のツールタスクにそのまま当てはめるべきではない。OpenRouterのモデルページ

エージェント開発者が検証すべきなのは、単発の回答を比較することよりも、「画面を理解し、ツールを選び、結果を確認する」という一連の処理を継続して完了できるかどうかだ。既存の中国語の図表、複数文書にまたがるタスク、インターフェース操作のワークフローを再生し、完了率、エラーからの復旧、タスクごとのコストを記録することを勧める。これは追加された機能を踏まえたテスト案であり、性能向上が確認されたという意味ではない。

デプロイの条件にも注意が必要だ。Tencentの発表はHy4をオープンソースモデルと位置付けているが、本文では重みとシステムカードを近日中に公開するとしている。現時点で確認できるのはホスト型APIが利用可能ということまでで、正式版についてダウンロード可能で再現性のあるセルフホスト環境が整っているとは判断できない。今後は、重みのライセンス、推論フレームワークのサポート、システムカードにおけるコンピューター操作と安全性の評価内容を確認する必要がある。Tencentの発表