Tencent का Hy4-flash Hugging Face पर trending: तस्वीर देखकर सवालों के जवाब देने वाला 220B model
Tencent का Hy4-flash, एक multimodal AI model जो तस्वीर देखकर उस पर पूछे गए सवालों के जवाब text में देता है, Hugging Face के trending section में छाया है। इसमें कुल 220B parameters हैं, लेकिन हर token पर सिर्फ 12B इस्तेमाल होते हैं।
Tencent का Hy4-flash नाम का model इन दिनों Hugging Face पर trending है और इसकी model card बताती है कि developers की दिलचस्पी क्यों है: यह text और image दोनों input लेता है, जवाब text में देता है और 1 मिलियन tokens तक की context window support करता है, वह भी कम लागत पर।
सरल भाषा में यह एक vision-language model है। आप इसे कोई तस्वीर दिखाकर उसके बारे में सवाल पूछ सकते हैं और यह text में जवाब देगा। Tencent इसे अपना अब तक का सबसे कम लागत वाला Hy model बता रहा है। इसमें कुल 220B parameters हैं, जिनमें 64B "Engram" parameters शामिल हैं, लेकिन हर token पर सिर्फ करीब 12B parameters काम करते हैं। Mixture-of-experts यानी MoE design की वजह से इतना बड़ा model सस्ता चल पाता है, क्योंकि हर request पर पूरे network का एक छोटा हिस्सा ही इस्तेमाल होता है।
अंदर की बात करें तो 42-layer language backbone में एक dense layer और 41 MoE layers हैं और SigLIP2 से बना vision encoder तस्वीरों को model तक पहुंचाता है। पुराने Hy4 से इसे तीन बदलाव अलग करते हैं: sparse और sliding-window attention को मिलाने वाला hybrid attention, LatentMoE जिसमें routed experts छोटे latent space में काम करते हैं, और Engram नाम के learned bigram-trigram embeddings। साथ में DFly2 नाम का built-in drafter module speculative decoding से लंबे जवाबों की रफ्तार बढ़ाता है।
दो बातें ध्यान रखने वाली हैं। Card पर दिए benchmark आंकड़े Tencent के अपने evaluations से हैं और card 19 नवंबर को update हुआ है, यानी यह हाल ही में संशोधित listing है, बिल्कुल नई release नहीं। फिर भी, कम लागत वाला multimodal model और लंबी context window चाहने वाले developers के लिए Hy4-flash इस समय Hugging Face के सबसे नजर आने वाले विकल्पों में है।
स्रोत: Hugging Face ↗
अपडेट: 20/11/2026, 11:33:21 am IST


