Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?
Air Explorer Pro是一款跨平台多网盘管理工具,可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整,持续下载、批量同步或需要稳定传输流程的场景会更适合它。
了解Hy4 flash、FP8与base的适用任务,阅读官方安装及图文代码,并核对资源和MaaS许可条件。
Hy4 flash 的三种权重应按用途选择:图文对话看指令版,准备量化部署时评估 FP8 指令版,需要基础权重做后续训练研究时再考虑 base。开始加载之前,还要确认开发版框架支持、可用资源以及 Tencent Hy License 1.0 的商业条件。

指令版、FP8 版和 base 的差别在哪里?
官方用途表中,Hy4 flash 对应指令模型,Hy4 flash-FP8 对应 FP8 量化指令模型,Hy4 flash-base 对应预训练基础模型。官方聊天及推理示例面向前两种,base 不属于指令微调聊天模型,不能当作同一个聊天接口的等价替换。
选择 FP8 时,仍须核对自己的推理框架和设备是否支持相关量化格式。它不是在任意设备上更快、效果相同或显存足够的保证。基础版则应结合继续训练和研究需求判断,而不是依靠聊天演示来证明适用性。

下列指令版示例所参照的仓库文档固定在提交 d88c9dfd96ba4f2e6b92adba0b8e8f1c8696f959。这个提交标识用于定位资料,不代表独立的软件发行版本号。
此次能够核实的是官方 Hugging Face 仓库于2026年11月17日创建及权重分发记录。仓库时间不能直接当成全球首发时间;官方模型卡也提供 ModelScope、GitCode 分发入口。
标称220B参数和1M上下文能说明什么?
官方介绍给出的总参数约220B,包含约64B Engram 参数,每 token 激活约12B;模型接收文本或图片,生成文本。上下文上限标为1M,规格表具体写作1,048,576 tokens。上述规格来自官方介绍,实际部署与性能需结合目标环境验证。
12B是激活参数口径,不是完整权重的显存需求。实际占用还受权重格式、框架、并行配置及上下文缓存影响。官方服务端示例采用八路张量并行,但这一配置不能作为所有设备的最低要求,也不能用来证明单卡可运行。最长上下文需要与实际资源一起评估。
依赖准备:确认模型卡指定的开发实现
所核验模型卡说 Transformers 支持仍待合入主分支,临时安装方案引用拉取请求50903的开发分支。下面保留官方命令,供资源充足的独立 Python 评估环境参考。执行会安装开发代码以及 torch、vision 相关依赖;现有正式版不能自动视为具备支持。开发引用可能变化,正式使用前应锁定验证过的提交和依赖。
pip install "transformers[torch,vision] @ git+https://github.com/huggingface/transformers.git@refs/pull/50903/head"
这个操作完成的只是依赖安装,尚未证明权重加载或推理可用。如果报错指向未知架构,应先核对实现来源与安装环境,而不是把模型 ID 改成 base 后视为解决。
加载示例:怎样理解官方图像描述代码?
以下代码是模型卡的原始图文样例,使用 Hy4 flash 与一张示例图片,通过处理器构建输入,再生成一句话描述。真正尝试前要确认兼容性、硬件和存储预算;模型加载可能下载大量文件,自动设备映射无法保证容量足够。这段官方用法示例不代表已经完成权重下载或本机推理。
from transformers import AutoModelForImageTextToText, AutoProcessor
model_id = "tencent/Hy4-flash"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(model_id, device_map="auto")
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg",
},
{"type": "text", "text": "Describe this image in one sentence."},
],
}
]
inputs = processor.apply_chat_template(
messages,
add_generation_prompt=True,
tokenize=True,
return_dict=True,
return_tensors="pt",
reasoning_effort="no_think",
).to(model.device)
outputs = model.generate(**inputs, max_new_tokens=256)
print(processor.decode(outputs[0, inputs["input_ids"].shape[1] :], skip_special_tokens=True))
完成后应打印针对图片的文本描述,具体措辞并不固定。reasoning_effort 的 no_think 值让指令模型直接回答;官方还支持 high,且把它作为默认思考模式。max_new_tokens=256 仅约束新增输出 token 数,不能理解为模型只支持256上下文。
模型卡另给出 temperature=0.9、top_p=1.0 的推荐采样值,但上面原始示例没有显式设置这两项。评估结果时应分别核对采样、思考模式和模型用途。出现容量问题要回到资源与部署配置检查,不能把量化名称当作成功承诺。
商业使用前,许可证要注意什么?
完整名称是 Tencent Hy License, Version 1.0。它基于 Apache License 2.0 制定,但明确声明自身不是 Apache License 2.0,并增加 MaaS 商业条款。开放权重不能简化成所有业务都无附加限制。
第10节的 MaaS 指向第三方提供模型推理或微调的远程访问,允许其提交输入、指定参数或训练数据。只在特定功能或工作流内提供能力、不开放通用模型访问的终端产品,以及仅转发请求给独立第三方模型服务的情况,不在该定义内。
经营 MaaS 业务,任一连续12个月全球总收入超过5,000万美元时,即使收入并非来自此模型,使用或继续使用前也需取得单独书面许可;在任一自然月月活超过1亿的自有产品或服务中使用该模型或衍生作品之前,同样触发许可要求。纯内部使用且模型、衍生作品、输出都不向第三方提供时,第10.2节不适用。使用范围应依据完整条款及具体业务判断,不能把内部使用例外扩大到一切企业场景。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。















