--- title: "Hunyuan (Tencent) (BG)" source: "https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)" wiki: "systems-analysis.info/int" article: "Hunyuan_(Tencent)_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Machine learning" revision_id: 3041 wiki_created_at: 2026-09-06T23:14:44Z wiki_modified_at: 2026-09-06T23:14:44Z downloaded_at: 2026-09-07T22:54:36Z --- # 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).[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentAnnounce-1)[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOverview-3) ## 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.[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentAnnounce-1) ### 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.[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentAnnounce-1) ### 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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeGitHub-4)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeHF-5) ### 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.[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6) - **Hunyuan-T1** (март 2025) — специализиран reasoning-модел, изграден върху TurboS с мащабно обучение с подкрепление (96,7 % от изчисленията след предобучението са reinforcement learning).[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-T1Page-7) - **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.[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-A13BGitHub-8) - **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.[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-Hunyuan7BGitHub-9) ### 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.[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanXAnnounce-11) ### 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.*[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudDynamics-12) ## 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:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) ${Output} = \sum\limits_{i = 1}^{N}G(x)_{i} \cdot E_{i}(x)$ където $G(x)$ — функция на маршрутизация (gating), $E_{i}$ — $i$-ият експерт, $N$ — общият брой експерти. При такъв подход общият брой параметри на модела $P_{total}$ значително надвишава броя на активните при един проход параметри $P_{active}$:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) $P_{active} \ll P_{total}$ 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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeHF-5) ### 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:[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6) $h_{t} = A\, h_{t - 1} + B\, x_{t}$ 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).[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6) 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.[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6) ### 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 $d_{h}$:[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeHF-5) $S_{KV} \propto 2 \cdot H \cdot L \cdot d_{h}$ където $S_{KV}$ — обемът на KV-кеша. При GQA с $H_{g} < H$ групи обемът се намалява до: $S_{KV}^{GQA} \propto 2 \cdot H_{g} \cdot L \cdot d_{h}$ CLA допълнително предполага повторно използване на KV-кеша между слоевете. В съвкупност тези оптимизации осигуряват икономия на памет до приблизително 95 %.[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeGitHub-4) ### 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).[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) ### Обучение и мащабиране За MoE-моделите се изследват scaling laws под формата на емпирични степенни зависимости:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) $Q \approx a - b \cdot P_{active}^{- \alpha} - c \cdot N^{- \beta}$ където $Q$ — метрика за качество, $P_{active}$ — 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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) ## Конвейер на обучение и изравняване Процесът на обучение на моделите Hunyuan включва няколко етапа, характерни за съвременните LLM:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-T1Page-7) ### 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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6) ### Контролирано дообучение (Supervised Fine-Tuning, SFT) Дообучение на повече от 1 млн. инструкции (двойки „инструкция — отговор"), приближаващо модела към следване на инструкциите на потребителя.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) ### 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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) **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.[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-T1Page-7) **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.[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6) ## Състав на семейството от модели Семейството е разделено на затворени облачни API-модели и отворени модели с тегла.[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOverview-3) ### 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.*[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOverview-3)[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TechNodeHY2-10) **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.[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOverview-3) ### Специализирани модели **Hunyuan-MT** (септември 2025) — специализиран модел за машинен превод, заел 1-во място на WMT25 в 30 от 31 категории.[\[13\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanMTGitHub-13) **HunyuanImage, HunyuanVideo, Hunyuan3D** — мултимодални модели от семейството за генериране на изображения, видео и 3D-обекти съответно.[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-Hunyuan3DGitHub-14) ### 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.[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOverview-3) ## Какво е новото в ключовите поколения ### Hunyuan-Large (2024) В сравнение с първото поколение и предишните MoE-подходи, Hunyuan-Large въвежда:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeGitHub-4) - 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:[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6) - 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:[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-T1Page-7) - 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:[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanXAnnounce-11) - 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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) ### 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.*[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) 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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) ### 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.*[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeHF-5) Според разработчиците, Hunyuan-Large-Instruct превъзхожда LLaMA 3.1-405B на MMLU с 2,6 процентни пункта.[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeGitHub-4) ### 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.*[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-T1Page-7) ### 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.*[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-A13BGitHub-8) 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.[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-A13BGitHub-8) ### 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.*[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-Hunyuan7BGitHub-9) ### Benchmark-и на HY 2.0 Показателите са обявени от разработчика (единственият явен източник е официалният акаунт на Hunyuan):[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanXAnnounce-11) | 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".[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanXAnnounce-11) ## 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.*[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOverview-3) ### Поддържани инструменти В Tencent Cloud API са документирани:[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudChat-15) - **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:[\[16\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOpenAI-16) - 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).[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeHF-5) ## Приложение и интеграция Моделите Hunyuan са интегрирани в екосистемата на Tencent и са достъпни за външни разработчици. Основни документирани сценарии:[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentAnnounce-1)[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudTechpedia-17) ### 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.[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-Hunyuan3DGitHub-14) ## 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.[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOverview-3) - **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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) - **Изчислителни изисквания.** Отворените модели изискват значителни ресурси: минимум 32 GPU за пълен fine-tuning на Hunyuan-Large; десетки ГБ VRAM дори с FP8.[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargeHF-5) - **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.[\[18\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-LangChainHunyuan-18) - **Разлики между архитектурни и сервисни лимити.** За редица модели (TurboS, A13B) сервисните лимити на API са значително по-ниски от архитектурните възможности.[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudOverview-3) - **Регионална достъпност.** Основният фокус е върху китайския пазар; API за потребители извън Китай има езикови и правни ограничения.[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudTechpedia-17) - **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.[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudChat-15) - **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.[\[19\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-Hunyuan18BIssues-19) ## 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).[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudTechpedia-17) ### Документирани продуктови корекции В product dynamics на Tencent Cloud са отразени микрокорекции:[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudDynamics-12) - **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.[\[20\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-LLLobotomy-20)[\[21\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-GateBreaker-21) ## 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.[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentAnnounce-1) 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.[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-A13BGitHub-8)[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TencentCloudChat-15) 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.[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2) ## 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.[\[22\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSGitHub-22) ## Перспективи и направления на изследванията Насоките за по-нататъшно развитие, посочени в публичните материали:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-TurboSPaper-6)[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_note-Hunyuan3DGitHub-14) - 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) ## Бележки 1. ↑ [1.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentAnnounce_1-0) [1.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentAnnounce_1-1) [1.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentAnnounce_1-2) [1.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentAnnounce_1-3) [1.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentAnnounce_1-4) Tencent. *Tencent Unveils Hunyuan, its Proprietary Large Foundation Model on Tencent Cloud*. tencent.com, 7 сентября 2023. https://www.tencent.com/en-us/articles/2201685.html 2. ↑ [2.00](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-0) [2.01](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-1) [2.02](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-2) [2.03](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-3) [2.04](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-4) [2.05](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-5) [2.06](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-6) [2.07](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-7) [2.08](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-8) [2.09](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-9) [2.10](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-10) [2.11](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-11) [2.12](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-12) [2.13](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-13) [2.14](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-14) [2.15](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-15) [2.16](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-16) [2.17](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-17) [2.18](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-18) [2.19](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-19) [2.20](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargePaper_2-20) 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 3. ↑ [3.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOverview_3-0) [3.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOverview_3-1) [3.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOverview_3-2) [3.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOverview_3-3) [3.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOverview_3-4) [3.5](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOverview_3-5) [3.6](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOverview_3-6) [3.7](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOverview_3-7) Tencent Cloud. «腾讯混元大模型 产品概述». Tencent Cloud Documentation. https://cloud.tencent.com/document/product/1729/104753 4. ↑ [4.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeGitHub_4-0) [4.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeGitHub_4-1) [4.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeGitHub_4-2) [4.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeGitHub_4-3) Tencent-Hunyuan. *Tencent-Hunyuan-Large*. GitHub, 2024. https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large 5. ↑ [5.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeHF_5-0) [5.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeHF_5-1) [5.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeHF_5-2) [5.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeHF_5-3) [5.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeHF_5-4) [5.5](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanLargeHF_5-5) Tencent. *tencent/Tencent-Hunyuan-Large*. Hugging Face. https://huggingface.co/tencent/Tencent-Hunyuan-Large 6. ↑ [6.00](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-0) [6.01](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-1) [6.02](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-2) [6.03](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-3) [6.04](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-4) [6.05](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-5) [6.06](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-6) [6.07](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-7) [6.08](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-8) [6.09](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-9) [6.10](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-10) [6.11](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSPaper_6-11) 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 7. ↑ [7.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-T1Page_7-0) [7.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-T1Page_7-1) [7.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-T1Page_7-2) [7.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-T1Page_7-3) [7.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-T1Page_7-4) Tencent. *llm.hunyuan.T1*. Tencent GitHub Pages, 2025. https://tencent.github.io/llm.hunyuan.T1/README_EN.html 8. ↑ [8.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-A13BGitHub_8-0) [8.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-A13BGitHub_8-1) [8.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-A13BGitHub_8-2) [8.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-A13BGitHub_8-3) Tencent-Hunyuan. *Hunyuan-A13B*. GitHub, 2025. https://github.com/Tencent-Hunyuan/Hunyuan-A13B 9. ↑ [9.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-Hunyuan7BGitHub_9-0) [9.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-Hunyuan7BGitHub_9-1) Tencent-Hunyuan. *Hunyuan-7B*. GitHub, 2025. https://github.com/Tencent-Hunyuan/Hunyuan-7B 10. ↑ [10.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TechNodeHY2_10-0) [10.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TechNodeHY2_10-1) [10.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TechNodeHY2_10-2) TechNode. *Tencent releases Hunyuan 2.0, its next-generation AI model*. technode.com, 8 декабря 2025. https://technode.com/2025/12/08/tencent-releases-hunyuan-2-0-its-next-generation-ai-model/ 11. ↑ [11.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanXAnnounce_11-0) [11.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanXAnnounce_11-1) [11.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanXAnnounce_11-2) [11.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanXAnnounce_11-3) Hunyuan Official Account. *Tencent HY 2.0 is officially released*. X (бывш. Twitter), 4 декабря 2025. https://x.com/TencentHunyuan/status/1996948083377332614 12. ↑ [12.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudDynamics_12-0) [12.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudDynamics_12-1) Tencent Cloud. «腾讯混元大模型 产品动态». Tencent Cloud Documentation. https://cloud.tencent.com/document/product/1729/97765 13. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-HunyuanMTGitHub_13-0) Tencent-Hunyuan. *Hunyuan-MT*. GitHub, 2025. https://github.com/Tencent-Hunyuan/Hunyuan-MT 14. ↑ [14.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-Hunyuan3DGitHub_14-0) [14.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-Hunyuan3DGitHub_14-1) [14.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-Hunyuan3DGitHub_14-2) Tencent-Hunyuan. *Hunyuan3D-2*. GitHub, 2025. https://github.com/Tencent-Hunyuan/Hunyuan3D-2 15. ↑ [15.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudChat_15-0) [15.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudChat_15-1) [15.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudChat_15-2) Tencent Cloud. «对话» (Chat). Tencent Cloud API Documentation. https://cloud.tencent.com/document/product/1729/105701 16. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudOpenAI_16-0) Tencent Cloud. «混元 OpenAI 兼容接口相关调用示例». Tencent Cloud Documentation. https://cloud.tencent.com/document/product/1729/111007 17. ↑ [17.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudTechpedia_17-0) [17.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudTechpedia_17-1) [17.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TencentCloudTechpedia_17-2) Tencent Cloud. *How to use Tencent Hunyuan large model for natural language processing*. Tencent Cloud Techpedia. https://www.tencentcloud.com/techpedia/109099 18. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-LangChainHunyuan_18-0) LangChain. *Tencent Hunyuan integration*. Docs by LangChain, 2026. https://docs.langchain.com/oss/python/integrations/chat/tencent_hunyuan 19. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-Hunyuan18BIssues_19-0) GitHub Issues. *Hunyuan-1.8B issues*. https://github.com/Tencent-Hunyuan/Hunyuan-1.8B/issues 20. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-LLLobotomy_20-0) Lintelo, J. et al. *Large Language Lobotomy: Jailbreaking Mixture-of-Experts LLMs*. arXiv:2602.08741, 2026. https://arxiv.org/abs/2602.08741 21. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-GateBreaker_21-0) Wu, L. et al. *GateBreaker: Gate-Guided Attacks on Mixture-of-Expert LLMs*. arXiv:2512.21008, 2025. https://arxiv.org/abs/2512.21008 22. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(BG)#cite_ref-TurboSGitHub_22-0) Tencent-Hunyuan. *Hunyuan-TurboS*. GitHub. https://github.com/Tencent-Hunyuan/Hunyuan-TurboS