Viele halten die Parameterzahl für den entscheidenden Maßstab bei Sprachmodellen. Dabei übersehen sie, was Tencents Hy4 Preview wirklich ausmacht: die Kontrolle über den Denkprozess und ein riesiges Kontextfenster.
Große KI-Labore veröffentlichen Modelle mit immer mehr Parametern und längeren Kontexten. Tencent folgt dem mit Hy4 Preview – aber mit einer Besonderheit. Das Ende August 2026 vorgestellte Modell bietet eine einfache Steuerung für das Reasoning. Genau das macht Hy4 für Entwickler und Tech-Entscheider interessant, nicht die bloße Zahlenspielerei.
Der Größenwandel: Hy4 im Vergleich zu Hy3
Der Vorgänger Hy3 kam im Juli 2026 auf 295 Milliarden Gesamtparameter, davon 21 Milliarden aktive pro Inferenz. Hy4 Preview hat 770 Milliarden Gesamtparameter, 49 Milliarden davon aktiv. Das ist eine Steigerung um den Faktor 2,6 beziehungsweise 2,3.
Die Zahlen folgen dem Prinzip der Mixture-of-Experts-Architektur. Statt bei jedem Token das gesamte Netzwerk zu durchlaufen, werden nur spezialisierte Untermodelle aktiviert. Das macht den Betrieb effizienter, erhöht aber die Modellgröße. Die Gewichte von Hy4 belegen auf Hugging Face rund 1,56 Terabyte. Zum Vergleich: Hy3 benötigte 598 Gigabyte. Wer das Modell lokal betreiben will, braucht leistungsfähige GPUs und ein verlässliches Storage-Konzept.
Der Blogpost, der das Modell vorstellt, wertet die Zahlen als Beleg, dass Tencent den Weg zu sehr großen Open-Weight-Modellen weitergeht. Die Gewichte sind öffentlich, das Modell ist auf Text beschränkt – Vision ist in dieser Preview nicht enthalten. Das schränkt den Einsatzbereich ein, fokussiert die Rechenleistung aber auf Textaufgaben.
1M Token Kontextfenster: Mehr als nur eine Zahl
Das Kontextfenster von Hy4 umfasst eine Million Token. Das ist grob die anderthalbfache Textmenge von Tolstois „Krieg und Frieden“ – in einem einzigen Durchgang. Praktisch heißt das: Du kannst dem Modell ganze Codebasen, umfangreiche Verträge oder Doku-Sammlungen vorlegen, ohne sie vorab zu zerkleinern.
Ein so langer Kontext hat seinen Preis. Je mehr Token das Modell verarbeiten muss, desto höher die Rechenlast und desto größer die Gefahr, dass es wichtigen Kontext übersieht. Tencent begegnet dem mit einer Architektur, die trotz der 1M-Token-Größe nur 49 Milliarden aktive Parameter nutzt. So bleibt die Latenz für interaktive Anwendungen brauchbar.
Der Vergleich zu Hy3 ist aufschlussreich: Dessen Kontextfenster umfasste 256.000 Token. Die Vervierfachung ist kein kosmetisches Update. Sie ermöglicht Aufgaben, die bisher speziellen Lösungen vorbehalten waren – etwa eine juristische Recherche über hunderte Urteile oder der Abgleich mehrerer Romanmanuskripte. Für Hy4 ist das Alltag.
Reasoning an oder aus: Die chat_template-Datei als Signatur
Wer Modelle auf Hugging Face untersucht, stößt oft auf Details, die in Marketingmaterialien fehlen. Der Autor des Originalartikels hat sich die Datei chat_template.jinja von Hy4 angesehen. Diese Datei legt fest, wie die Kommunikation zwischen Benutzer und Modell formatiert wird. Sie zeigt: Es gibt nur zwei gültige Werte für reasoning_effort: high und no_think. Der Standardwert ist high.
Das bedeutet: Du entscheidest, ob das Modell vor der Antwort eine interne Denkschleife durchläuft. Setzt du no_think, antwortet es direkt. Das hilft bei einfachen Formatierungen oder kurzen Faktenfragen. Im Modus high denkt das Modell ausführlich nach, prüft Optionen und gibt eine durchdachte Antwort – auf Kosten der Latenz.
Damit unterscheidet sich Hy4 von anderen Reasoning-Modellen, die oft drei oder mehr Abstufungen anbieten. Tencent setzt auf eine einfache Dichotomie. Das ist kein Nachteil: Eine Zweifach-Option ist leichter zu verstehen und zu konfigurieren. Eine fehlerhafte Angabe im Chat-Template wirft eine Exception – das Modell ist streng bei der Eingabe. Unerfahrene Benutzer könnten sich daran stoßen, für automatische Aufrufe ist es aber genau richtig, weil es stille Fehler vermeidet.
Ein Praxistest: SVG-Prompt und die Spuren des Denkens
Wie sieht das Reasoning im Modus high aus? Der Autor des Blogposts hat einen Prompt verwendet, der in der KI-Community für Tests beliebt ist: „Generate an SVG of a pelican riding a bicycle“. SVG steht für Scalable Vector Graphics, ein Grafikformat, das sich per Text beschreiben lässt. Das Modell sollte also keine Bilddatei ausgeben, sondern den Code für eine Zeichnung eines Pelikans auf einem Fahrrad.
Das Ergebnis ist eine präzise, farblich detaillierte Bildbeschreibung im Flat-Cartoon-Stil. Interessant wird es beim Reasoning-Trace, den das Modell während der Verarbeitung erzeugt. Der Autor zitiert daraus:
„Vielleicht einen Helm hinzufügen? Könnte das Radfahrthema verbessern, aber den Kopf verdecken. Vielleicht eine kleine Radkappe oder Helm? Der Nutzer hat nicht darum gebeten; roter Helm hinzufügbar? Könnte niedlich sein. Aber Pelikan mit großem Schnabel; ein Helm könnte verdecken. Besser vielleicht nicht. Vielleicht eine Sonnenbrille? nein. Vielleicht Wasser? nein.“
Die Gedankenschleife zeigt, wie das Modell im Modus high Ergänzungen durchspielt, verwirft und sich auf das Wesentliche konzentriert. Auffällig ist die verknappte Sprache im Reasoning-Trace. Der Autor merkt an, dass das Modell offenbar bewusst auf vollständige Grammatik verzichtet, weil perfekt formulierte Gedanken unnötig Token verbrauchen würden. Das Modell spart beim Denken Klartext ein, um schneller zur Lösung zu kommen.
Für dich als Anwender heißt das: Du bekommst nicht nur das Endergebnis, sondern kannst bei einem Open-Weight-Modell auch den Denkprozess nachvollziehen. Das unterscheidet Hy4 von reinen API-Modellen, die solche Traces nicht offenlegen. Der Trace ist sicherlich nicht vollständig und zeigt nur einen Ausschnitt der internen Verarbeitung.
Warum Open-Weight-Modelle wie Hy4 die Landschaft verändern
Die offenen Gewichte machen den Unterschied. Mit Hy4 Preview kannst du das Modell nicht nur über eine API nutzen, sondern auch selbst hosten, auf eigene Daten anpassen oder in bestehende Systeme integrieren. Das ist für Unternehmen interessant, die datenschutzkritische Prozesse nicht an externe Anbieter geben wollen.
Die Herausforderungen sind nicht zu unterschätzen. 1,56 Terabyte Gewichte müssen erst geladen sein. Selbst mit einer schnellen Internetverbindung dauert das Stunden. Für Feintuning-Varianten sind die Anforderungen an Speicher und Rechenleistung noch höher. Trotzdem zeigt der Schritt von Tencent: Auch ein chinesisches Unternehmen will am Open-Source-Ökosystem teilhaben.
Hy4 liefert einen Beleg dafür, dass Parameterzahl und Kontextfenster nicht automatisch für bessere Leistung stehen. Entscheidend ist die Kombination aus Architektur, Reasoning-Steuerung und praktischer Verfügbarkeit. Wer das Modell testet, merkt: Die 770B-Parameter sind nicht nur Marketing. In komplexen Szenarien liefert es solide Ergebnisse – wenn das Reasoning eingeschaltet ist.
Tencents Hy4 Preview ist ein beachtlicher Fortschritt, keine Revolution. Die Open-Weight-Community erhält ein weiteres Werkzeug für lange Texte und anspruchsvolle Reasoning-Aufgaben. Die eigentliche Arbeit beginnt für die meisten Entwickler erst nach dem Download: Sie müssen die 1,56 Terabyte Daten und das 1M-Token-Kontextfenster in sinnvolle Produkte übersetzen. Das nimmt ihnen kein Modell ab.
Quelle: simonwillison.net
