Hunyuan (Tencent) (BG)

Hunyuan (кит. 腾讯混元大模型, Tencent Hunyuan, Tencent HY) — семейство фундаментални модели (Foundation Models) и големи езикови модели (Large Language Model, LLM), разработени от звеното Tencent Hunyuan Foundation Model Team и достъпни чрез облачната услуга Tencent Cloud, както и под формата на отворени тегла на платформите Hugging Face и GitHub. Семейството обхваща модели за генериране и разбиране на текст, логически и математически извод, програмиране, обработка на дълги контексти, както и мултимодални разширения (изображения, видео, 3D). Hunyuan се позиционира като флагманска линия на генеративния ИИ на Tencent и е интегрирана в екосистемата от продукти на компанията (Yuanbao, WeChat, Tencent Meeting, Tencent Cloud).

История и хронология на развитието

Разработката на Hunyuan се осъществяваше в контекста на глобалното надпреварване в областта на LLM и китайската стратегия за технологична независимост в областта на изкуствения интелект. Линията еволюира от проприетарни dense-модели към отворени Mixture-of-Experts (MoE) и хибридни Transformer-Mamba архитектури.

Първо поколение (2023)

Публичното обявяване на серията Hunyuan се състоя на 7 септември 2023 г. на Tencent Global Digital Ecosystem Summit в Шенжен. Първата версия представляваше проприетарен dense-модел с повече от 100 млрд. параметъра, предварително обучен на повече от 2 трлн. токена. Моделът беше насочен към китайски език, логически извод и генериране на съдържание, интегриран в повече от 50 продукта на Tencent и достъпен чрез API на Tencent Cloud.

Hunyuan-Large и преходът към MoE (2024)

През ноември 2024 г. Tencent пусна Hunyuan-Large — най-големият по онова време отворен Transformer-MoE-модел с 389 млрд. общи и 52 млрд. активни параметъра. Моделът беше публикуван с отворени тегла на Hugging Face и GitHub, придружен от препринт на arXiv. Пускането бележи стратегически завой на Tencent към отворена разработка.

Хибридни и reasoning-модели (2025)

През 2025 г. линията се разшири с няколко ключови издания:

• Hunyuan-TurboS (февруари 2025) — първият промишлен мащабен хибриден модел Transformer-Mamba-MoE с 560 млрд. общи и 56 млрд. активни параметъра, предварително обучен на 16 трлн. токена. Въведен е механизъм на адаптивен Chain-of-Thought (CoT) за динамично превключване между бързо и дълбоко мислене.
• Hunyuan-T1 (март 2025) — специализиран reasoning-модел, изграден върху TurboS с мащабно обучение с подкрепление (96,7 % от изчисленията след предобучението са reinforcement learning).
• Hunyuan-A13B (юни 2025) — компактен MoE-модел (80 млрд. общи / 13 млрд. активни параметъра) за баланс между производителност и разходи, с поддръжка на бързо и бавно мислене.
• Малки dense-модели (юли 2025) — варианти 0,5B, 1,8B, 4B, 7B за edge-устройства и силно конкурентни сценарии на разгръщане, с поддръжка на 256K контекст.

Hunyuan 2.0 (ноември–декември 2025)

През декември 2025 г. беше обявено второто поколение на търговския модел — Hunyuan 2.0 (HY 2.0) с архитектура MoE (406 млрд. общи / 32 млрд. активни параметъра) и контекстен прозорец от 256K токена. Линията е разделена на два варианта: HY 2.0 Think (дълбоко разсъждение, код) и HY 2.0 Instruct (диалози, творческа генерация). Моделите са достъпни чрез Tencent Cloud API и интегрирани в приложенията Yuanbao и ima.

Обобщена хронология

Дата	Събитие
Септември 2023	Публично обявяване на Hunyuan като проприетарен LLM (>100B параметъра); стартиране на API на Tencent Cloud
Февруари 2024	Вътрешен MoE-модел за чатбота Yuanbao
Април 2024	Ребрандинг: «advanced» → hunyuan-pro, «standard» → hunyuan-standard; добавен hunyuan-lite
Май 2024	hunyuan-lite преведен към MoE, разширен до 256K контекст
Септември 2024	Стартиране на нов hunyuan-turbo (MoE от ново поколение)
Ноември 2024	Отворено издание на Hunyuan-Large (389B/52B MoE), препринт arXiv:2411.02265
Февруари–март 2025	Hunyuan-TurboS (хибриден Mamba-MoE); Hunyuan-T1 (reasoning)
Юни 2025	Hunyuan-A13B (80B/13B, fine-grained MoE)
Юли 2025	Малки dense-модели 0,5B–7B
Септември 2025	Hunyuan-MT (специализиран модел за превод)
Ноември–декември 2025	Hunyuan 2.0 (HY 2.0 Think / Instruct), 406B/32B MoE

Източник: Tencent Cloud product dynamics; официални хранилища.

Теоретични основи и архитектура

Архитектура Mixture-of-Experts

Ключовите модели от серията (Hunyuan-Large, A13B, HY 2.0) използват архитектурата Mixture-of-Experts (MoE), при която част от слоевете на трансформера съдържа множество „експерти" (подмрежи), а маршрутизаторът (gating network) избира подмножество от активни експерти за всеки токен. Общата формула на MoE-слоя:

$\mathrm{O}\mathrm{u}\mathrm{t}\mathrm{p}\mathrm{u}\mathrm{t}=\sum _{i=1}^{N}G(x{)}_i\cdot E_i(x)$

където $G(x)$ — функция на маршрутизация (gating), $E_i$ — $i$-ият експерт, $N$ — общият брой експерти. При такъв подход общият брой параметри на модела $P_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}$ значително надвишава броя на активните при един проход параметри $P_{\mathrm{a}\mathrm{c}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{e}}$:

$P_{\mathrm{a}\mathrm{c}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{e}}\ll P_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}$

което позволява да се увеличава капацитетът на модела без пропорционален ръст на изчислителните разходи при инференс.

В Hunyuan-Large е реализирана схема с 1 общ (shared) експерт и 16 специализирани експерта при активиране на 1 специалист на токен (top-1 routing). Допълнителните иновации включват смесено маршрутизиране с recycle-механизъм (преработка на отхвърлените токени) и специфични за експертите learning rates за подобряване на баланса в приноса на експертите.

Хибридна архитектура Transformer-Mamba

Hunyuan-TurboS и T1 въвеждат хибридна архитектура, обединяваща блокове Transformer (attention) и Mamba (state-space model). Mamba осигурява линейна сложност по дължина на последователността:

$h_t=A{h}_{t-1}+B{x}_t$

където $A$, $B$ — обучаеми матрици, $h_t$ — скритото състояние на стъпка $t$, $x_t$ — входният токен. Това осигурява $O(1)$ memory scaling по дължина (срещу $O(N)$ в стандартния Transformer).

TurboS съдържа 128 слоя, организирани в блокове: 57 слоя Mamba2, 7 слоя Attention и 64 слоя FFN-MoE с 32 експерта. Блоковете AMF (Attention → Mamba2 → FFN) и MF (Mamba2 → FFN) се редуват за осигуряване на баланс между глобален и локален контекст.

Механизми на внимание и KV-кеш

Hunyuan-Large използва Grouped Query Attention (GQA) — вариант на внимание, при който множество заявки споделят общи ключове и стойности, — и Cross-Layer Attention (CLA) за намаляване на обема на KV-кеша. Стандартният обем на KV-кеша за слой self-attention с $H$ глави, дължина на последователността $L$ и размер на главата $d_h$:

$S_{\mathrm{K}\mathrm{V}}\propto 2\cdot H\cdot L\cdot d_h$

където $S_{\mathrm{K}\mathrm{V}}$ — обемът на KV-кеша. При GQA с $H_g<H$ групи обемът се намалява до:

$S_{\mathrm{K}\mathrm{V}}^{\mathrm{G}\mathrm{Q}\mathrm{A}}\propto 2\cdot H_g\cdot L\cdot d_h$

CLA допълнително предполага повторно използване на KV-кеша между слоевете. В съвкупност тези оптимизации осигуряват икономия на памет до приблизително 95 %.

Позиционно кодиране и дълъг контекст

Моделите използват Rotary Position Embedding (RoPE) с мащабиране за поддръжка на дълги последователности. Обучението на контекст се провежда поетапно (curriculum learning): от 32K до 256K токена. Активацията е SwiGLU. Речникът на токенизатора е 128K (tiktoken с разширение за китайски език).

Обучение и мащабиране

За MoE-моделите се изследват scaling laws под формата на емпирични степенни зависимости:

$Q\approx a-b\cdot P_{\mathrm{a}\mathrm{c}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{e}}^{-\alpha }-c\cdot N^{-\beta }$

където $Q$ — метрика за качество, $P_{\mathrm{a}\mathrm{c}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{e}}$ — брой активни параметри, $N$ — обем на данните, $a,b,c,\alpha ,\beta$ — параметри, подбирани експериментално. Hunyuan-Large подчертава използването на синтетични данни в обем от 1,5 трлн. токена — с порядки повече от предишните публикации за MoE.

Конвейер на обучение и изравняване

Процесът на обучение на моделите Hunyuan включва няколко етапа, характерни за съвременните LLM:

Предварително обучение (Pre-training)

Мащабно обучение на голям многоезичен корпус (китайски, английски и други езици). Hunyuan-Large е предварително обучен на 7 трлн. токена (включително 1,5 трлн. синтетични). TurboS — на 16 трлн. токена. Точният състав на dataset-ите не е разкрит.

Контролирано дообучение (Supervised Fine-Tuning, SFT)

Дообучение на повече от 1 млн. инструкции (двойки „инструкция — отговор"), приближаващо модела към следване на инструкциите на потребителя.

Изравняване с помощта на обучение с подкрепление

За изравняване на поведението на модела с предпочитанията на човека се прилагат:

Direct Preference Optimization (DPO) — метод на изравняване без явен модел на възнаграждение, използван в Hunyuan-Large.

Reinforcement Learning (RL) — в Hunyuan-T1 се прилага мащабно обучение с подкрепление с curriculum learning; по заявление на разработчика, 96,7 % от изчисленията след предобучението се падат на RL.

Adaptive Long-Short Chain-of-Thought — в TurboS е реализиран механизъм за динамично превключване между бързо и дълбоко мислене, позволяващ на модела да адаптира дълбочината на разсъждение към сложността на задачата.

Състав на семейството от модели

Семейството е разделено на затворени облачни API-модели и отворени модели с тегла.

Основни модели (преглед)

Модел	Дата на издаване	Архитектура	Параметри (общо / активни)	Контекст	Достъпност
Hunyuan (2023)	Септември 2023	Dense Transformer	>100 млрд. / —	не е разкрит	Проприетарен API
Hunyuan-Large	Ноември 2024	Transformer-MoE	389 млрд. / 52 млрд.	256K (pretrain), 128K (instruct)	Отворени тегла (GitHub, HF)
Hunyuan-TurboS	Февруари 2025	Hybrid Transformer-Mamba-MoE	560 млрд. / 56 млрд.	256K (архит.), 32K/16K (API)	Проприетарен API + откр. варианти
Hunyuan-T1	Март 2025	На база TurboS + мащабен RL	—	32K/64K (API)	Проприетарен API
Hunyuan-A13B	Юни 2025	Fine-grained MoE	80 млрд. / 13 млрд.	256K (откр.), 224K/32K (API)	Отворени тегла + API
Малки (0,5–7B)	Юли 2025	Dense	0,5–7 млрд.	256K	Отворени тегла
HY 2.0 Think	Ноември 2025	MoE	406 млрд. / 32 млрд.	128K вход / 64K изход (API)	Проприетарен API
HY 2.0 Instruct	Ноември 2025	MoE	406 млрд. / 32 млрд.	128K вход / 16K изход (API)	Проприетарен API

Източници: arXiv:2411.02265; arXiv:2505.15431; Tencent Cloud docs; GitHub.

Забележка. За редица модели архитектурните лимити на контекста (от техническите доклади) и сервисните лимити на API (от product docs) се различават. Това не е противоречие, а отразява разликите между изследователската и продуктовата конфигурация.

Специализирани модели

Hunyuan-MT (септември 2025) — специализиран модел за машинен превод, заел 1-во място на WMT25 в 30 от 31 категории.

HunyuanImage, HunyuanVideo, Hunyuan3D — мултимодални модели от семейството за генериране на изображения, видео и 3D-обекти съответно.

Позициониране и еволюционни връзки

В документацията на Tencent Cloud се проследяват следните еволюционни връзки:

• hunyuan-a13b е посочен като надграждане на hunyuan-standard-256K.
• hunyuan-t1 е изграден върху TurboS с усилено RL-пост-обучение.
• HY 2.0 Think/Instruct — клон, в който базата е актуализирана от TurboS до Hunyuan 2.0.
• Отвореният клон (Hunyuan-Large, A13B, compact dense) се развива паралелно на затворения API-клон, осигурявайки изследователски достъп.

Какво е новото в ключовите поколения

Hunyuan-Large (2024)

В сравнение с първото поколение и предишните MoE-подходи, Hunyuan-Large въвежда:

• Мащаб от 389 млрд. параметъра (52 млрд. активни) — най-големият отворен Transformer-MoE-модел към момента на публикуването.
• Поддръжка на 256K контекст (pretrain) и 128K (instruct) — значително надвишаване на типичните стойности за масовите LLM от 2024 г.
• KV-cache compression на основата на GQA + CLA (икономия на памет ~95 %).
• Мащабни синтетични данни (1,5 трлн. токена синтетични данни).
• Смесено маршрутизиране на експертите и специфични за експертите learning rates.

Hunyuan-TurboS (2025)

Ключова архитектурна промяна:

• Хибрид Mamba2 + Attention + MoE: 560B total / 56B active, 128 слоя.
• Предварително обучение на 16 трлн. токена.
• Adaptive Long-Short Chain-of-Thought за динамично управление на дълбочината на разсъждение.
• Заявено ускорение на декодирането с 1,8–2 пъти в сравнение с предишната Turbo-версия.

Hunyuan-T1 (2025)

Reasoning-модел на база TurboS:

• 96,7 % от изчисленията след предобучението — reinforcement learning.
• Двукратно ускорение на декодирането при сравним deployment envelope.
• Curriculum learning за подобряване на стратегиите за разсъждение.

HY 2.0 (2025)

Актуализация на търговския флагман:

• Архитектура MoE: 406B общи / 32B активни параметъра.
• Контекстен прозорец от 256K токена.
• Значителен ръст на специализираните benchmark-и: IMO-AnswerBench 73,4 % (+20 % спрямо предишната версия HY), SWE-bench Verified 53,0 (от 6,0), τ²-Bench 72,4 (от 17,1).
• Подобрения в RLHF и стратегиите за пост-обучение.

Оценка и benchmark-и

Оценката се провеждаше на стандартни benchmark-и с използване на zero-shot и few-shot протоколи. Резултатите се основават на официални технически доклади и хранилища; за редица модели независимите външни верификации засега са ограничени.

Benchmark-и на Hunyuan-Large (pretrain)

Benchmark	Hunyuan-Large	Llama 3.1-405B	Llama 3.1-70B	Mixtral-8x22B	DeepSeek-V2
MMLU	88,4	85,2	79,3	77,8	78,5
CMMLU	90,2	—	—	—	84,0
C-Eval	91,9	—	—	—	81,7
GSM8K	92,8	89,0	83,7	83,7	79,2
MATH	69,8	53,8	41,4	42,5	43,6
HumanEval	71,4	61,0	58,5	53,1	48,8

Източник: arXiv:2411.02265.

Според техническия доклад, Hunyuan-Large (pretrain) води в 15 от 19 benchmark-а при сравнение с Llama 3.1-405B, Mixtral-8x22B и DeepSeek-V2.

Benchmark-и на Hunyuan-Large-Instruct

Benchmark	Hunyuan-Large-Instruct
MMLU	89,9
MATH	77,4
HumanEval	90,0
Arena-Hard	81,8

Източник: arXiv:2411.02265; Hugging Face model card.

Според разработчиците, Hunyuan-Large-Instruct превъзхожда LLaMA 3.1-405B на MMLU с 2,6 процентни пункта.

Benchmark-и на TurboS и T1

Benchmark	TurboS	T1
LMSYS Chatbot Arena	1356 (топ-7)	—
Средно по 23 benchmark-а	77,9 %	—
MMLU-Pro	—	87,2
GPQA-Diamond	—	69,3
MATH-500	—	96,2
LiveCodeBench	—	64,9
Arena-Hard	—	91,9

Източници: arXiv:2505.15431; T1 official page.

Benchmark-и на Hunyuan-A13B

Benchmark	Hunyuan-A13B	Hunyuan-Large	Qwen2.5-72B
MMLU	88,17	88,4	—
MMLU-Pro	67,23	60,2	—
BBH	87,56	86,3	—
MATH	72,35	69,8	—
GPQA	49,12	—	—
MBPP	83,86	—	—

Източник: GitHub Hunyuan-A13B README.

A13B превъзхожда Hunyuan-Large при редица задачи, чувствителни към post-training (MMLU-Pro, MATH, MBPP), което съответства на позиционирането му като по-нов и приложен вариант.

Benchmark-и на компактния dense-клон

Модел	MMLU	MMLU-Pro	BBH	GSM8K	MATH
Hunyuan-0,5B	54,02	31,15	45,92	55,64	42,95
Hunyuan-1,8B	64,62	38,65	74,32	77,26	62,85
Hunyuan-4B	74,01	51,91	75,17	87,49	72,25
Hunyuan-7B	79,82	57,79	82,95	88,25	74,85

Източник: GitHub Hunyuan-7B README.

Benchmark-и на HY 2.0

Показателите са обявени от разработчика (единственият явен източник е официалният акаунт на Hunyuan):

Benchmark	HY 2.0	Предишна версия HY
IMO-AnswerBench	73,4	~53 (оценка, +20 %)
SWE-bench Verified	53,0	6,0
τ²-Bench	72,4	17,1

Забележка. Тези данни се класифицират като „обявени от разработчика, очакващи широко външно потвърждение".

Технически подробности за използването

Контекстен прозорец по клонове

Модел	Вход (токени)	Изход (токени)
HY 2.0 Think	128K	64K
HY 2.0 Instruct	128K	16K
T1 (API)	32K	64K
A13B (API)	224K	32K
TurboS (API)	32K	16K
Lite (API)	250K	6K
Hunyuan-Large (отворен)	256K (pretrain) / 128K (instruct)	—
Compact 0,5–7B	256K	—

Източник: Tencent Cloud product overview.

Поддържани инструменти

В Tencent Cloud API са документирани:

• Function Calling (tools, tool_choice).
• AI Search Enhancement — вграден търсачки по външни източници (retrieval-augmented generation).
• SearchInfo и Citation — маркери за цитиране в отговорите.
• EnableMultimedia — мултимедийни вмъквания в изхода.
• EnableThinking — превключвател на chain-of-thought за A13B.
• EnableRecommendedQuestions — генериране на препоръчани въпроси.

Съвместимост на API

Hunyuan API поддържа формат, съвместим с OpenAI:

• Base URL: https://api.hunyuan.cloud.tencent.com/v1.
• Поддържат се /v1/chat/completions и /v1/embeddings.
• Embedding model: hunyuan-embedding, размерност 1024.
• Streaming чрез SSE.
• Concurrency по подразбиране: 5 на акаунт.

За Hunyuan-Large (отворен) стандартният формат на вход/изход съответства на фреймворките PyTorch/Transformers. Поддържа се квантизация: FP8, INT4 (GPTQ/AWQ).

Приложение и интеграция

Моделите Hunyuan са интегрирани в екосистемата на Tencent и са достъпни за външни разработчици. Основни документирани сценарии:

Продукти на Tencent

• Yuanbao — чатбот с поддръжка на Hunyuan и DeepSeek.
• Tencent Meeting — генериране на резюмета на срещи.
• Tencent Docs — генериране и анализ на текст.
• ima — финансов и мултимедиен ИИ-асистент.

Enterprise-приложения

• Генериране на текст: статии, рекламни текстове, сценарии, описания на продукти.
• Интелигентна поддръжка на клиенти: чат-ботове, FAQ, автоматизация на отговори.
• Генериране и анализ на код (особено HY 2.0 Think и T1).
• Математическо и логическо разсъждение, аналитични задачи.
• Многоезичен превод (30+ езика, Hunyuan-MT).

Отворени модели

Отворените варианти се използват за изследвания, fine-tuning и разгръщане на edge-устройства (малки dense-модели). Мултимодалните разширения (HunyuanImage, HunyuanVideo, Hunyuan3D) се прилагат за 3D-моделиране и генериране на видео.

Ограничения и открити проблеми

• Затвореност на търговските модели. За HY 2.0 и T1 липсват отворени тегла и подробни архитектурни спецификации; достъпът е ограничен до API, което затруднява независимата възпроизводимост.
• Непрозрачност на данните за обучение. Въпреки че се подчертава използването на мащабни синтетични данни, точният състав на dataset-ите, делът на езиците и тематичните области не са разкрити.
• Изчислителни изисквания. Отворените модели изискват значителни ресурси: минимум 32 GPU за пълен fine-tuning на Hunyuan-Large; десетки ГБ VRAM дори с FP8.
• Халюцинации. Както и другите LLM, моделите са склонни към генериране на правдоподобни, но фактически неверни твърдения. Систематичните изследвания на този аспект за Hunyuan в открити рецензирани публикации засега са ограничени.
• Разлики между архитектурни и сервисни лимити. За редица модели (TurboS, A13B) сервисните лимити на API са значително по-ниски от архитектурните възможности.
• Регионална достъпност. Основният фокус е върху китайския пазар; API за потребители извън Китай има езикови и правни ограничения.
• Липса на детайлни safety-доклади. В документацията са посочени общи принципи на сигурност и филтриране, но няма публични технически safety reports, сравними по обем с някои международни модели.
• Съвместимост на open-source клона. След издаванията са регистрирани проблеми с интеграцията с transformers / vllm, при които библиотеките не разпознават типа на архитектурата hunyuan_v1_dense, изисквайки trust_remote_code или специални клонове.

Инциденти и известни проблеми

Към момента на наличните материали (края на 2025 — началото на 2026 г.) не са регистрирани крупни публични инциденти, специфично свързани с Hunyuan (мащабни изтичания на данни, уникални заплахи за сигурността).

Документирани продуктови корекции

В product dynamics на Tencent Cloud са отразени микрокорекции:

• 2024-11-20: hunyuan-turbo-latest е актуализиран за отстраняване на повторения поради специални символи, повишаване на стабилността на Markdown-изхода и намаляване на неоснователните откази.
• 2025-04-03: актуализация на T1 с корекции на смесването на опростен/традиционен китайски и смесването на китайски/английски, плюс подобряване на генерирането на код на ниво проект.
• 2025-04-20: Search Enhancement е преведен от default-on на default-off — фактически промяна в поведението на API за интеграции.

Изследвания на сигурността на MoE

На ниво изследователска критика (ниво на препринт) Hunyuan-A13B фигурира в публикации за атаки срещу safety-локализацията в MoE-модели. По-конкретно, в публикациите Large Language Lobotomy и GateBreaker се съобщава за висок attack success rate при „заглушаване" на safety-експертите. Това не е потвърждение на производствен инцидент, но показва, че сигурността на MoE-маршрутизирането се разглежда като уязвим изследователски вектор.

Етични и регулаторни аспекти

Hunyuan действа в правния и регулаторен контекст на Китай, включително националните правила за управление на генеративния ИИ (CAC) и филтриране на съдържание, както и вътрешните политики на Tencent за сигурност на данните. Документацията на Tencent Cloud подчертава, че използването на Hunyuan API трябва да съответства на приложимите закони и политиката на платформата.

Конкретните мерки включват:

• Вградена модерация на съдържание с поточна обработка и възможен FinishReason=sensitive.
• Изравняване чрез RLHF/DPO за намаляване на халюцинациите и нежеланото поведение.
• Филтриране на данните за обучение за минимизиране на предвзетостта.
• Отворени лицензи (Tencent Hunyuan Community License Agreement) за отворените модели, с уговорката, че споразумението не се прилага в ЕС за редица варианти.

Специализирани независими доклади за предвзетост (bias) и справедливост (fairness) за Hunyuan засега са малко; изследванията се очакват с разширяването на отворените тегла и независимите тестове.

Реакция на общността

Най-съдържателният външен сигнал за затворения клон е резултатът на TurboS на LMSYS Chatbot Arena (1356, топ-7 глобално). За отворения клон косвен индикатор е активността в GitHub: около 1,6 хил. stars при Hunyuan-Large, 812 при A13B, 683 при Hunyuan-MT. Това отразява забележимо, но не доминиращо по мащабите на open LLM екосистемата ниво на ангажираност. Субективните оценки на общността (Hugging Face, Reddit) отбелязват силни страни в китайски език и задачи за агенти.

Перспективи и направления на изследванията

Насоките за по-нататъшно развитие, посочени в публичните материали:

• По-нататъшна хибридизация на архитектурите (Mamba + Transformer + MoE) и изследване на scaling laws за MoE.
• Разширяване на мултимодалните възможности: интеграция на Hunyuan3D, HunyuanVideo и HunyuanImage с езиковите модели.
• Подобряване на използването на инструменти (tool use) и агентните възможности.
• Намаляване на разходите за инференс: квантизация (2-bit за edge), оптимизации чрез TRT-LLM/vLLM.
• Разширяване на открития портфейл от модели.
• Разработване и публикуване на детайлни safety- и alignment-доклади.

Вижте също

• LLaMA (Meta)
• DeepSeek

Литература

• Sun, X. et al. Hunyuan-Large: An Open-Source MoE Model with 52 Billion Activated Parameters by Tencent. arXiv:2411.02265, 2024. https://arxiv.org/abs/2411.02265
• Tencent Hunyuan Team. Hunyuan-TurboS: Advancing Large Language Models through Mamba-Transformer Synergy and Adaptive Chain-of-Thought. arXiv:2505.15431, 2025. https://arxiv.org/abs/2505.15431
• Tencent Hunyuan Team. Hunyuan-MT Technical Report. arXiv:2509.05209, 2025. https://arxiv.org/abs/2509.05209
• Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS. https://arxiv.org/abs/1706.03762
• Rafailov, R. et al. (2023). Direct Preference Optimization: Your Language Model is Secretly a Reward Model. NeurIPS. https://arxiv.org/abs/2305.18290

Връзки

• https://cloud.tencent.com/document/product/1729/104753 — Официална документация на Tencent Cloud Hunyuan
• https://huggingface.co/tencent/Tencent-Hunyuan-Large — Hunyuan-Large на Hugging Face
• https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large — Hunyuan-Large на GitHub
• https://github.com/Tencent-Hunyuan/Hunyuan-A13B — Hunyuan-A13B на GitHub
• https://tencent.github.io/llm.hunyuan.T1/README_EN.html — Официална страница на Hunyuan-T1
• https://www.tencent.com/en-us/articles/2201685.html — Обявяване на Hunyuan (септември 2023)