---
title: "Hunyuan (Tencent) (CS)"
source: "https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)"
wiki: "systems-analysis.info/int"
article: "Hunyuan_(Tencent)_(CS)"
language: "cs"
categories:
  - "Category:Czech"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3043
wiki_created_at: 2026-09-06T23:14:47Z
wiki_modified_at: 2026-09-06T23:14:47Z
downloaded_at: 2026-09-07T22:54:37Z
---

# Hunyuan (Tencent) (CS)

**Hunyuan** (čín. 腾讯混元大模型, Tencent Hunyuan, Tencent HY) — rodina základních modelů (Foundation Models) a velkých jazykových modelů (Large Language Model, LLM), vyvinutých týmem Tencent Hunyuan Foundation Model Team a dostupných prostřednictvím cloudové služby Tencent Cloud, jakož i ve formě otevřených vah na platformách Hugging Face a GitHub. Rodina zahrnuje modely pro generování a porozumění textu, logické a matematické odvozování, programování, zpracování dlouhých kontextů a také multimodální rozšíření (obrázky, video, 3D). Hunyuan je prezentován jako vlajková řada generativní AI společnosti Tencent a je integrován do ekosystému produktů společnosti (Yuanbao, WeChat, Tencent Meeting, Tencent Cloud).<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentAnnounce-1)[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOverview-3)</sup>

## Historie a chronologie vývoje

Vývoj Hunyuan probíhal v kontextu globálního závodu LLM a čínské strategie technologické nezávislosti v oblasti umělé inteligence. Řada se vyvíjela od proprietárních dense modelů k otevřeným Mixture-of-Experts (MoE) a hybridním architekturám Transformer-Mamba.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentAnnounce-1)</sup>

### První generace (2023)

Verejné oznámení řady Hunyuan proběhlo 7. září 2023 na Tencent Global Digital Ecosystem Summit v Šen-čenu. První verze představovala proprietární dense model s více než 100 miliardami parametrů, předtrénovaný na více než 2 bilionech tokenů. Model byl zaměřen na čínský jazyk, logické odvozování a generování obsahu, byl integrován do více než 50 produktů Tencent a dostupný prostřednictvím API Tencent Cloud.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentAnnounce-1)</sup>

### Hunyuan-Large a přechod k MoE (2024)

V listopadu 2024 vydal Tencent model Hunyuan-Large — v té době největší otevřený Transformer-MoE model s 389 miliardami celkových a 52 miliardami aktivních parametrů. Model byl zveřejněn s otevřenými vahami na Hugging Face a GitHubu, doprovázen preprintem na arXiv. Vydání označilo strategický obrat Tencent k otevřenému vývoji.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeGitHub-4)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeHF-5)</sup>

### Hybridní modely a reasoning modely (2025)

V roce 2025 se řada rozšířila o několik klíčových vydání:

- **Hunyuan-TurboS** (únor 2025) — první průmyslový rozsáhlý hybridní model Transformer-Mamba-MoE s 560 miliardami celkových a 56 miliardami aktivních parametrů, předtrénovaný na 16 bilionech tokenů. Byl zaveden mechanismus adaptivního Chain-of-Thought (CoT) pro dynamické přepínání mezi rychlým a hlubokým myšlením.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)</sup>
- **Hunyuan-T1** (březen 2025) — specializovaný reasoning model postavený na základě TurboS s rozsáhlým učením s posilováním (96,7 % výpočtů po tréninku tvoří reinforcement learning).<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-T1Page-7)</sup>
- **Hunyuan-A13B** (červen 2025) — kompaktní MoE model (80 miliard celkových / 13 miliard aktivních parametrů) pro vyvážení výkonu a nákladů, s podporou rychlého a pomalého myšlení.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-A13BGitHub-8)</sup>
- **Malé dense modely** (červenec 2025) — varianty 0,5B, 1,8B, 4B, 7B pro edge zařízení a vysoce konkurenční scénáře nasazení, s podporou kontextu 256K.<sup>[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-Hunyuan7BGitHub-9)</sup>

### Hunyuan 2.0 (listopad–prosinec 2025)

V prosinci 2025 byla oznámena druhá generace komerčního modelu — Hunyuan 2.0 (HY 2.0) s architekturou MoE (406 miliard celkových / 32 miliard aktivních parametrů) a kontextovým oknem 256K tokenů. Řada je rozdělena na dvě varianty: HY 2.0 Think (hluboké uvažování, kód) a HY 2.0 Instruct (dialogy, kreativní generování). Modely jsou dostupné prostřednictvím Tencent Cloud API a integrovány do aplikací Yuanbao a ima.<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanXAnnounce-11)</sup>

### Souhrnná chronologie

| Datum                  | Událost                                                                                         |
|------------------------|-------------------------------------------------------------------------------------------------|
| Září 2023              | Veřejné oznámení Hunyuan jako proprietárního LLM (\>100B parametrů); spuštění API Tencent Cloud |
| Únor 2024              | Interní MoE model pro chatbota Yuanbao                                                          |
| Duben 2024             | Rebranding: „advanced" → hunyuan-pro, „standard" → hunyuan-standard; přidán hunyuan-lite        |
| Květen 2024            | hunyuan-lite převeden na MoE, rozšířen na kontext 256K                                          |
| Září 2024              | Spuštění nového hunyuan-turbo (MoE nové generace)                                               |
| Listopad 2024          | Otevřené vydání Hunyuan-Large (389B/52B MoE), preprint arXiv:2411.02265                         |
| Únor–březen 2025       | Hunyuan-TurboS (hybridní Mamba-MoE); Hunyuan-T1 (reasoning)                                     |
| Červen 2025            | Hunyuan-A13B (80B/13B, fine-grained MoE)                                                        |
| Červenec 2025          | Malé dense modely 0,5B–7B                                                                       |
| Září 2025              | Hunyuan-MT (specializovaný model překladu)                                                      |
| Listopad–prosinec 2025 | Hunyuan 2.0 (HY 2.0 Think / Instruct), 406B/32B MoE                                             |

*Zdroj: Tencent Cloud product dynamics; oficiální repozitáře.*<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudDynamics-12)</sup>

## Teoretické základy a architektura

### Architektura Mixture-of-Experts

Klíčové modely řady (Hunyuan-Large, A13B, HY 2.0) využívají architekturu Mixture-of-Experts (MoE), ve které část vrstev transformeru obsahuje mnoho „expertů" (podsítí) a směrovač (gating network) vybírá podmnožinu aktivních expertů pro každý token. Obecný vzorec vrstvy MoE:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

${Output} = \sum\limits_{i = 1}^{N}G(x)_{i} \cdot E_{i}(x)$

kde $G(x)$ — funkce směrování (gating), $E_{i}$ — $i$-tý expert, $N$ — celkový počet expertů. Při tomto přístupu celkový počet parametrů modelu $P_{total}$ výrazně převyšuje počet parametrů aktivních při jednom průchodu $P_{active}$:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

$P_{active} \ll P_{total}$

co umožňuje zvyšovat kapacitu modelu bez proporcionálního růstu výpočetních nákladů na inferenci.

V Hunyuan-Large je implementováno schéma s 1 sdíleným (shared) expertem a 16 specializovanými experty při aktivaci 1 specialisty na token (top-1 routing). Další inovace zahrnují smíšené směrování s recycle mechanismem (zpracování odmítnutých tokenů) a expertně specifické learning rates pro zlepšení rovnováhy příspěvků expertů.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeHF-5)</sup>

### Hybridní architektura Transformer-Mamba

Hunyuan-TurboS a T1 zavádějí hybridní architekturu spojující bloky Transformer (attention) a Mamba (state-space model). Mamba zajišťuje lineární složitost podle délky sekvence:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)</sup>

$h_{t} = A\, h_{t - 1} + B\, x_{t}$

kde $A$, $B$ — trénovatelné matice, $h_{t}$ — skrytý stav v kroku $t$, $x_{t}$ — vstupní token. To zajišťuje $O(1)$ škálování paměti podle délky (oproti $O(N)$ ve standardním Transformer).<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)</sup>

TurboS obsahuje 128 vrstev organizovaných do bloků: 57 vrstev Mamba2, 7 vrstev Attention a 64 vrstev FFN-MoE s 32 experty. Bloky AMF (Attention → Mamba2 → FFN) a MF (Mamba2 → FFN) se střídají pro zajištění rovnováhy globálního a lokálního kontextu.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)</sup>

### Mechanismy pozornosti a KV cache

Hunyuan-Large využívá Grouped Query Attention (GQA) — variantu pozornosti, ve které více dotazů sdílí společné klíče a hodnoty — a Cross-Layer Attention (CLA) pro snížení objemu KV cache. Standardní objem KV cache pro vrstvu self-attention s $H$ hlavami, délkou sekvence $L$ a velikostí hlavy $d_{h}$:<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeHF-5)</sup>

$S_{KV} \propto 2 \cdot H \cdot L \cdot d_{h}$

kde $S_{KV}$ — objem KV cache. Při GQA s $H_{g} < H$ skupinami se objem snižuje na:

$S_{KV}^{GQA} \propto 2 \cdot H_{g} \cdot L \cdot d_{h}$

CLA navíc předpokládá opakované použití KV cache mezi vrstvami. Tyto optimizace dohromady zajišťují úsporu paměti až přibližně 95 %.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeGitHub-4)</sup>

### Poziční kódování a dlouhý kontext

Modely využívají Rotary Position Embedding (RoPE) se škálováním pro podporu dlouhých sekvencí. Trénink kontextu probíhá postupně (curriculum learning): od 32K do 256K tokenů. Aktivace — SwiGLU. Slovník tokenizátoru — 128K (tiktoken s rozšířením pro čínský jazyk).<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

### Trénink a škálování

Pro MoE modely jsou zkoumány scaling laws ve formě empirických mocninných závislostí:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

$Q \approx a - b \cdot P_{active}^{- \alpha} - c \cdot N^{- \beta}$

kde $Q$ — metrika kvality, $P_{active}$ — počet aktivních parametrů, $N$ — objem dat, $a,b,c,\alpha,\beta$ — parametry určované experimentálně. Hunyuan-Large zdůrazňuje použití syntetických dat o objemu 1,5 bilionu tokenů — o řády více než v předchozích publikacích o MoE.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

## Pipeline tréninku a zarovnání

Proces tréninku modelů Hunyuan zahrnuje několik fází typických pro moderní LLM:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-T1Page-7)</sup>

### Předtrénink (Pre-training)

Rozsáhlý trénink na velkém vícejazyčném korpusu (čínština, angličtina a další jazyky). Hunyuan-Large byl předtrénován na 7 bilionech tokenů (včetně 1,5 bilionu syntetických). TurboS — na 16 bilionech tokenů. Přesné složení datasetů není zveřejněno.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)</sup>

### Doladění pod dohledem (Supervised Fine-Tuning, SFT)

Doladění na více než 1 milionu instrukcí (párů „instrukce — odpověď"), které vede model k plnění pokynů uživatele.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

### Zarovnání pomocí učení s posilováním

Pro zarovnání chování modelu s lidskými preferencemi se používají:

**Direct Preference Optimization (DPO)** — metoda zarovnání bez explicitního modelu odměny, používaná v Hunyuan-Large.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

**Reinforcement Learning (RL)** — v Hunyuan-T1 se používá rozsáhlý trénink s posilováním s curriculum learning; podle prohlášení vývojáře tvoří 96,7 % výpočtů po tréninku reinforcement learning.<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-T1Page-7)</sup>

**Adaptive Long-Short Chain-of-Thought** — v TurboS je implementován mechanismus dynamického přepínání mezi rychlým a hlubokým myšlením, který umožňuje modelu přizpůsobovat hloubku uvažování složitosti úlohy.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)</sup>

## Složení rodiny modelů

Rodina je rozdělena na uzavřené cloudové API modely a otevřené modely s vahami.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOverview-3)</sup>

### Hlavní modely (přehled)

| Model           | Datum vydání  | Architektura                    | Parametry (celkem / aktivní) | Kontext                          | Dostupnost                           |
|-----------------|---------------|---------------------------------|------------------------------|----------------------------------|--------------------------------------|
| Hunyuan (2023)  | Září 2023     | Dense Transformer               | \>100 mld / —                | nezveřejněn                      | Proprietární API                     |
| Hunyuan-Large   | Listopad 2024 | Transformer-MoE                 | 389 mld / 52 mld             | 256K (pretrain), 128K (instruct) | Otevřené váhy (GitHub, HF)           |
| Hunyuan-TurboS  | Únor 2025     | Hybrid Transformer-Mamba-MoE    | 560 mld / 56 mld             | 256K (archit.), 32K/16K (API)    | Proprietární API + otevřené varianty |
| Hunyuan-T1      | Březen 2025   | Na základě TurboS + rozsáhlý RL | —                            | 32K/64K (API)                    | Proprietární API                     |
| Hunyuan-A13B    | Červen 2025   | Fine-grained MoE                | 80 mld / 13 mld              | 256K (otevř.), 224K/32K (API)    | Otevřené váhy + API                  |
| Malé (0,5–7B)   | Červenec 2025 | Dense                           | 0,5–7 mld                    | 256K                             | Otevřené váhy                        |
| HY 2.0 Think    | Listopad 2025 | MoE                             | 406 mld / 32 mld             | 128K vstup / 64K výstup (API)    | Proprietární API                     |
| HY 2.0 Instruct | Listopad 2025 | MoE                             | 406 mld / 32 mld             | 128K vstup / 16K výstup (API)    | Proprietární API                     |

*Zdroje: arXiv:2411.02265; arXiv:2505.15431; Tencent Cloud docs; GitHub.*<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOverview-3)[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TechNodeHY2-10)</sup>

**Poznámka.** U některých modelů se liší architekturní limity kontextu (z technických zpráv) a servisní limity API (z produktové dokumentace). Toto není rozpor, ale odráží rozdíly mezi výzkumnou a produktovou konfigurací.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOverview-3)</sup>

### Specializované modely

**Hunyuan-MT** (září 2025) — specializovaný model strojového překladu, který obsadil 1. místo na WMT25 ve 30 z 31 kategorií.<sup>[\[13\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanMTGitHub-13)</sup>

**HunyuanImage, HunyuanVideo, Hunyuan3D** — multimodální modely rodiny pro generování obrázků, videa a 3D objektů.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-Hunyuan3DGitHub-14)</sup>

### Pozicionování a evoluční vazby

V dokumentaci Tencent Cloud jsou patrné následující evoluční vazby:

- `hunyuan-a13b` je označen jako upgrade `hunyuan-standard-256K`.
- `hunyuan-t1` je postaven na základě TurboS s posíleným RL post-tréninkem.
- HY 2.0 Think/Instruct — větev, ve které byla základna aktualizována z TurboS na Hunyuan 2.0.
- Otevřená větev (Hunyuan-Large, A13B, kompaktní dense) se vyvíjí paralelně s uzavřenou API větví a zajišťuje výzkumný přístup.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOverview-3)</sup>

## Co je nového v klíčových generacích

### Hunyuan-Large (2024)

V porovnání s první generací a předchozími přístupy MoE zavádí Hunyuan-Large:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeGitHub-4)</sup>

- Rozsah 389 miliard parametrů (52 miliard aktivních) — největší otevřený Transformer-MoE model v době publikace.
- Podpora kontextu 256K (pretrain) a 128K (instruct) — výrazné překročení typických hodnot masových LLM roku 2024.
- Komprese KV cache na základě GQA + CLA (úspora paměti ~95 %).
- Rozsáhlá syntetická data (1,5 bilionu tokenů syntetických dat).
- Smíšené směrování expertů a expertně specifické learning rates.

### Hunyuan-TurboS (2025)

Klíčový architekturní posun:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)</sup>

- Hybridní Mamba2 + Attention + MoE: 560B celkem / 56B aktivních, 128 vrstev.
- Předtrénink na 16 bilionech tokenů.
- Adaptive Long-Short Chain-of-Thought pro dynamické řízení hloubky uvažování.
- Deklarované zrychlení dekódování 1,8–2× oproti předchozí verzi Turbo.

### Hunyuan-T1 (2025)

Reasoning model na základě TurboS:<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-T1Page-7)</sup>

- 96,7 % výpočetních zdrojů po tréninku tvoří reinforcement learning.
- Dvojnásobné zrychlení dekódování při srovnatelném deployment envelope.
- Curriculum learning pro zlepšení strategií uvažování.

### HY 2.0 (2025)

Aktualizace komerčního vlajkového modelu:<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanXAnnounce-11)</sup>

- Architektura MoE: 406B celkových / 32B aktivních parametrů.
- Kontextové okno 256K tokenů.
- Výrazný růst na specializovaných benchmarcích: IMO-AnswerBench 73,4 % (+20 % oproti předchozí verzi HY), SWE-bench Verified 53,0 (z 6,0), τ²-Bench 72,4 (z 17,1).
- Vylepšení v RLHF a strategiích post-tréninku.

## Hodnocení a benchmarky

Hodnocení bylo provedeno na standardních benchmarcích s použitím zero-shot a few-shot protokolů. Výsledky vycházejí z oficiálních technických zpráv a repozitářů; pro některé modely jsou nezávislá externí ověření zatím omezená.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

### Benchmarky 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        |

*Zdroj: arXiv:2411.02265.*<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

Podle technické zprávy vede Hunyuan-Large (pretrain) v 15 z 19 benchmarků při porovnání s Llama 3.1-405B, Mixtral-8x22B a DeepSeek-V2.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

### Benchmarky Hunyuan-Large-Instruct

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

*Zdroj: arXiv:2411.02265; Hugging Face model card.*<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeHF-5)</sup>

Podle prohlášení vývojářů překonává Hunyuan-Large-Instruct model LLaMA 3.1-405B na MMLU o 2,6 procentního bodu.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeGitHub-4)</sup>

### Benchmarky TurboS a T1

| Benchmark                 | TurboS       | T1   |
|---------------------------|--------------|------|
| LMSYS Chatbot Arena       | 1356 (top-7) | —    |
| Průměr přes 23 benchmarků | 77,9 %       | —    |
| MMLU-Pro                  | —            | 87,2 |
| GPQA-Diamond              | —            | 69,3 |
| MATH-500                  | —            | 96,2 |
| LiveCodeBench             | —            | 64,9 |
| Arena-Hard                | —            | 91,9 |

*Zdroje: arXiv:2505.15431; T1 official page.*<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-T1Page-7)</sup>

### Benchmarky 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        | —             | —           |

*Zdroj: GitHub Hunyuan-A13B README.*<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-A13BGitHub-8)</sup>

A13B překonává Hunyuan-Large v řadě úloh citlivých na post-training (MMLU-Pro, MATH, MBPP), což odpovídá jeho pozicionování jako novější a prakticky zaměřené varianty.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-A13BGitHub-8)</sup>

### Benchmarky kompaktní dense větve

| Model        | 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 |

*Zdroj: GitHub Hunyuan-7B README.*<sup>[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-Hunyuan7BGitHub-9)</sup>

### Benchmarky HY 2.0

Ukazatele jsou deklarovány vývojářem (jediný explicitní zdroj — oficiální účet Hunyuan):<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanXAnnounce-11)</sup>

| Benchmark          | HY 2.0 | Předchozí verze HY |
|--------------------|--------|--------------------|
| IMO-AnswerBench    | 73,4   | ~53 (odhad, +20 %) |
| SWE-bench Verified | 53,0   | 6,0                |
| τ²-Bench           | 72,4   | 17,1               |

**Poznámka.** Tyto údaje jsou klasifikovány jako „deklarované vývojářem, čekající na širší externí potvrzení".<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanXAnnounce-11)</sup>

## Technické detaily použití

### Kontextové okno podle větví

| Model                    | Vstup (tokeny)                    | Výstup (tokeny) |
|--------------------------|-----------------------------------|-----------------|
| 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 (otevřený) | 256K (pretrain) / 128K (instruct) | —               |
| Compact 0,5–7B           | 256K                              | —               |

*Zdroj: Tencent Cloud product overview.*<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOverview-3)</sup>

### Podporované nástroje

V Tencent Cloud API jsou zdokumentovány:<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudChat-15)</sup>

- **Function Calling** (`tools`, `tool_choice`).
- **AI Search Enhancement** — vestavěné vyhledávání z externích zdrojů (retrieval-augmented generation).
- **SearchInfo a Citation** — značky citací v odpovědích.
- **EnableMultimedia** — multimediální vkládání do výstupu.
- **EnableThinking** — přepínač chain-of-thought pro A13B.
- **EnableRecommendedQuestions** — generování doporučených otázek.

### Kompatibilita API

Hunyuan API podporuje formát kompatibilní s OpenAI:<sup>[\[16\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOpenAI-16)</sup>

- Base URL: <a href="https://api.hunyuan.cloud.tencent.com/v1" class="external free" rel="nofollow"><code>https://api.hunyuan.cloud.tencent.com/v1</code></a>.
- Podporovány jsou `/v1/chat/completions` a `/v1/embeddings`.
- Embedding model: `hunyuan-embedding`, dimenze 1024.
- Streaming přes SSE.
- Výchozí souběžnost: 5 na účet.

Pro Hunyuan-Large (otevřený) odpovídá standardní formát vstupu/výstupu frameworkům PyTorch/Transformers. Podporována je kvantizace: FP8, INT4 (GPTQ/AWQ).<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeHF-5)</sup>

## Použití a integrace

Modely Hunyuan jsou integrovány do ekosystému Tencent a dostupné pro externí vývojáře. Hlavní zdokumentované scénáře:<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentAnnounce-1)[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudTechpedia-17)</sup>

### Produkty Tencent

- **Yuanbao** — chatbot s podporou Hunyuan a DeepSeek.
- **Tencent Meeting** — generování shrnutí porad.
- **Tencent Docs** — generování a analýza textu.
- **ima** — finanční a multimediální AI asistent.

### Podniková použití

- Generování textu: články, reklamní texty, scénáře, popisy produktů.
- Inteligentní zákaznická podpora: chatboty, FAQ, automatizace odpovědí.
- Generování a analýza kódu (zejména HY 2.0 Think a T1).
- Matematické a logické uvažování, analytické úlohy.
- Vícejazyčný překlad (30+ jazyků, Hunyuan-MT).

### Otevřené modely

Otevřené varianty jsou využívány pro výzkum, fine-tuning a nasazení na edge zařízeních (malé dense modely). Multimodální rozšíření (HunyuanImage, HunyuanVideo, Hunyuan3D) jsou používána pro 3D modelování a generování videa.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-Hunyuan3DGitHub-14)</sup>

## Omezení a otevřené problémy

- **Uzavřenost komerčních modelů.** Pro HY 2.0 a T1 nejsou k dispozici otevřené váhy ani podrobné architekturní specifikace; přístup je omezen na API, což ztěžuje nezávislou reprodukovatelnost.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOverview-3)</sup>
- **Nepřehlednost trénovacích dat.** Ačkoliv je zdůrazňováno použití rozsáhlých syntetických dat, přesné složení datasetů, podíl jazyků a doménových oblastí nejsou zveřejněny.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>
- **Výpočetní nároky.** Otevřené modely vyžadují značné prostředky: minimálně 32 GPU pro úplný fine-tuning modelu Hunyuan-Large; desítky GB VRAM i s FP8.<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargeHF-5)</sup>
- **Halucinace.** Stejně jako ostatní LLM jsou modely náchylné ke generování věrohodných, ale fakticky nesprávných tvrzení. Systematický výzkum tohoto aspektu pro Hunyuan v otevřených recenzovaných pracích je zatím omezený.<sup>[\[18\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-LangChainHunyuan-18)</sup>
- **Rozdíly architekturních a servisních limitů.** U některých modelů (TurboS, A13B) jsou servisní limity API výrazně nižší než architekturní možnosti.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudOverview-3)</sup>
- **Regionální dostupnost.** Hlavní zaměření na čínský trh; API pro uživatele mimo Čínu má jazyková a právní omezení.<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudTechpedia-17)</sup>
- **Absence podrobných bezpečnostních zpráv.** Dokumentace uvádí obecné zásady bezpečnosti a filtrování, ale neexistují veřejné technické bezpečnostní zprávy srovnatelné rozsahem s některými mezinárodními modely.<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudChat-15)</sup>
- **Kompatibilita open-source větve.** Po vydáních byly zaznamenány problémy s integrací do `transformers` / `vllm`, kde knihovny nerozpoznávaly typ architektury `hunyuan_v1_dense`, vyžadující `trust_remote_code` nebo speciální větve.<sup>[\[19\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-Hunyuan18BIssues-19)</sup>

## Incidenty a známé problémy

K datu dostupných materiálů (konec roku 2025 — začátek roku 2026) nebyly zaznamenány žádné větší veřejné incidenty specificky spojené s Hunyuan (rozsáhlé úniky dat, jedinečné bezpečnostní hrozby).<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudTechpedia-17)</sup>

### Zdokumentované produktové opravy

V product dynamics Tencent Cloud jsou zachyceny drobné opravy:<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudDynamics-12)</sup>

- **2024-11-20:** `hunyuan-turbo-latest` aktualizován pro opravu opakování způsobených speciálními znaky, zvýšení stability výstupu Markdown a snížení neopodstatněných odmítnutí.
- **2025-04-03:** aktualizace T1 s opravami míchání zjednodušené/tradiční čínštiny a míchání čínštiny/angličtiny, plus zlepšení generování kódu na úrovni projektů.
- **2025-04-20:** Search Enhancement přesunut z výchozího zapnutí na výchozí vypnutí — de facto změna chování API pro integrace.

### Výzkum bezpečnosti MoE

Na úrovni výzkumné kritiky (úroveň preprintu) se Hunyuan-A13B vyskytuje v pracích o útocích na safety lokalizaci v MoE modelech. Konkrétně v pracích *Large Language Lobotomy* a *GateBreaker* je uváděna vysoká míra úspěšnosti útoku při „utlumení" safety expertů. Toto není potvrzením produkčního incidentu, ale ukazuje, že bezpečnost MoE směrování je považována za zranitelný výzkumný vektor.<sup>[\[20\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-LLLobotomy-20)[\[21\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-GateBreaker-21)</sup>

## Etické a regulatorní aspekty

Hunyuan působí v právním a regulatorním kontextu Číny, včetně národních pravidel pro správu generativní AI (CAC) a filtrování obsahu, jakož i interních politik Tencent pro bezpečnost dat. Dokumentace Tencent Cloud zdůrazňuje, že použití Hunyuan API musí být v souladu s platnými zákony a politikou platformy.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentAnnounce-1)</sup>

Konkrétní opatření zahrnují:

- Vestavěná moderace obsahu s průběžným výstupem a možným `FinishReason=sensitive`.
- Zarovnání prostřednictvím RLHF/DPO pro snížení halucinací a nežádoucího chování.
- Filtrování trénovacích dat pro minimalizaci zkreslení.
- Otevřené licence (Tencent Hunyuan Community License Agreement) pro otevřené modely, s výhradou, že dohoda se nevztahuje na EU pro některé varianty.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-A13BGitHub-8)[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TencentCloudChat-15)</sup>

Specializovaných nezávislých zpráv o zkreslení (bias) a spravedlnosti (fairness) pro Hunyuan je zatím málo; výzkum se očekává s rozšiřováním otevřených vah a nezávislých testů.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)</sup>

## Reakce komunity

Nejobsažnější externí signál pro uzavřenou větev — výsledek TurboS na LMSYS Chatbot Arena (1356, top-7 globálně). Pro otevřenou větev je nepřímým ukazatelem aktivita na GitHubu: přibližně 1 600 hvězd u Hunyuan-Large, 812 u A13B, 683 u Hunyuan-MT. To odráží znatelnou, avšak ne dominantní úroveň zapojení v měřítku ekosystému open LLM. Subjektivní hodnocení komunity (Hugging Face, Reddit) poukazují na silné stránky v čínském jazyce a agent úlohách.<sup>[\[22\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSGitHub-22)</sup>

## Perspektivy a směry výzkumu

Směry dalšího rozvoje uvedené ve veřejných materiálech:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-TurboSPaper-6)[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_note-Hunyuan3DGitHub-14)</sup>

- Další hybridizace architektur (Mamba + Transformer + MoE) a výzkum scaling laws pro MoE.
- Rozšíření multimodálních možností: integrace Hunyuan3D, HunyuanVideo a HunyuanImage s jazykovými modely.
- Zlepšení využívání nástrojů (tool use) a agentních schopností.
- Snižování nákladů na inferenci: kvantizace (2-bit pro edge), optimalizace prostřednictvím TRT-LLM/vLLM.
- Rozšíření otevřeného portfolia modelů.
- Vývoj a zveřejnění podrobných bezpečnostních a zarovnávacích zpráv.

## Viz také

- LLaMA (Meta)
- DeepSeek

## Literatura

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

## Odkazy

- <a href="https://cloud.tencent.com/document/product/1729/104753" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/104753</a> — Oficiální dokumentace Tencent Cloud Hunyuan
- <a href="https://huggingface.co/tencent/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://huggingface.co/tencent/Tencent-Hunyuan-Large</a> — Hunyuan-Large na Hugging Face
- <a href="https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large</a> — Hunyuan-Large na GitHubu
- <a href="https://github.com/Tencent-Hunyuan/Hunyuan-A13B" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-A13B</a> — Hunyuan-A13B na GitHubu
- <a href="https://tencent.github.io/llm.hunyuan.T1/README_EN.html" class="external free" rel="nofollow">https://tencent.github.io/llm.hunyuan.T1/README_EN.html</a> — Hunyuan-T1 official page
- <a href="https://www.tencent.com/en-us/articles/2201685.html" class="external free" rel="nofollow">https://www.tencent.com/en-us/articles/2201685.html</a> — Oznámení Hunyuan (září 2023)

## Poznámky

1.  <span id="cite_note-TencentAnnounce-1">↑ <sup>[1.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentAnnounce_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentAnnounce_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentAnnounce_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentAnnounce_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentAnnounce_1-4)</sup> Tencent. *Tencent Unveils Hunyuan, its Proprietary Large Foundation Model on Tencent Cloud*. tencent.com, 7 сентября 2023. <a href="https://www.tencent.com/en-us/articles/2201685.html" class="external free" rel="nofollow">https://www.tencent.com/en-us/articles/2201685.html</a></span>
2.  <span id="cite_note-HunyuanLargePaper-2">↑ <sup>[2.00](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-0)</sup> <sup>[2.01](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-1)</sup> <sup>[2.02](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-2)</sup> <sup>[2.03](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-3)</sup> <sup>[2.04](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-4)</sup> <sup>[2.05](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-5)</sup> <sup>[2.06](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-6)</sup> <sup>[2.07](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-7)</sup> <sup>[2.08](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-8)</sup> <sup>[2.09](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-9)</sup> <sup>[2.10](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-10)</sup> <sup>[2.11](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-11)</sup> <sup>[2.12](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-12)</sup> <sup>[2.13](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-13)</sup> <sup>[2.14](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-14)</sup> <sup>[2.15](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-15)</sup> <sup>[2.16](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-16)</sup> <sup>[2.17](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-17)</sup> <sup>[2.18](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-18)</sup> <sup>[2.19](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-19)</sup> <sup>[2.20](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargePaper_2-20)</sup> Sun, X. et al. *Hunyuan-Large: An Open-Source MoE Model with 52 Billion Activated Parameters by Tencent*. arXiv:2411.02265, 2024. <a href="https://arxiv.org/abs/2411.02265" class="external free" rel="nofollow">https://arxiv.org/abs/2411.02265</a></span>
3.  <span id="cite_note-TencentCloudOverview-3">↑ <sup>[3.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOverview_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOverview_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOverview_3-2)</sup> <sup>[3.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOverview_3-3)</sup> <sup>[3.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOverview_3-4)</sup> <sup>[3.5](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOverview_3-5)</sup> <sup>[3.6](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOverview_3-6)</sup> <sup>[3.7](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOverview_3-7)</sup> Tencent Cloud. «腾讯混元大模型 产品概述». Tencent Cloud Documentation. <a href="https://cloud.tencent.com/document/product/1729/104753" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/104753</a></span>
4.  <span id="cite_note-HunyuanLargeGitHub-4">↑ <sup>[4.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeGitHub_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeGitHub_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeGitHub_4-2)</sup> <sup>[4.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeGitHub_4-3)</sup> Tencent-Hunyuan. *Tencent-Hunyuan-Large*. GitHub, 2024. <a href="https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large</a></span>
5.  <span id="cite_note-HunyuanLargeHF-5">↑ <sup>[5.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeHF_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeHF_5-1)</sup> <sup>[5.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeHF_5-2)</sup> <sup>[5.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeHF_5-3)</sup> <sup>[5.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeHF_5-4)</sup> <sup>[5.5](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanLargeHF_5-5)</sup> Tencent. *tencent/Tencent-Hunyuan-Large*. Hugging Face. <a href="https://huggingface.co/tencent/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://huggingface.co/tencent/Tencent-Hunyuan-Large</a></span>
6.  <span id="cite_note-TurboSPaper-6">↑ <sup>[6.00](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-0)</sup> <sup>[6.01](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-1)</sup> <sup>[6.02](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-2)</sup> <sup>[6.03](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-3)</sup> <sup>[6.04](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-4)</sup> <sup>[6.05](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-5)</sup> <sup>[6.06](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-6)</sup> <sup>[6.07](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-7)</sup> <sup>[6.08](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-8)</sup> <sup>[6.09](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-9)</sup> <sup>[6.10](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-10)</sup> <sup>[6.11](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSPaper_6-11)</sup> Tencent Hunyuan Team. *Hunyuan-TurboS: Advancing Large Language Models through Mamba-Transformer Synergy and Adaptive Chain-of-Thought*. arXiv:2505.15431, 2025. <a href="https://arxiv.org/abs/2505.15431" class="external free" rel="nofollow">https://arxiv.org/abs/2505.15431</a></span>
7.  <span id="cite_note-T1Page-7">↑ <sup>[7.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-T1Page_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-T1Page_7-1)</sup> <sup>[7.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-T1Page_7-2)</sup> <sup>[7.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-T1Page_7-3)</sup> <sup>[7.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-T1Page_7-4)</sup> Tencent. *llm.hunyuan.T1*. Tencent GitHub Pages, 2025. <a href="https://tencent.github.io/llm.hunyuan.T1/README_EN.html" class="external free" rel="nofollow">https://tencent.github.io/llm.hunyuan.T1/README_EN.html</a></span>
8.  <span id="cite_note-A13BGitHub-8">↑ <sup>[8.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-A13BGitHub_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-A13BGitHub_8-1)</sup> <sup>[8.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-A13BGitHub_8-2)</sup> <sup>[8.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-A13BGitHub_8-3)</sup> Tencent-Hunyuan. *Hunyuan-A13B*. GitHub, 2025. <a href="https://github.com/Tencent-Hunyuan/Hunyuan-A13B" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-A13B</a></span>
9.  <span id="cite_note-Hunyuan7BGitHub-9">↑ <sup>[9.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-Hunyuan7BGitHub_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-Hunyuan7BGitHub_9-1)</sup> Tencent-Hunyuan. *Hunyuan-7B*. GitHub, 2025. <a href="https://github.com/Tencent-Hunyuan/Hunyuan-7B" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-7B</a></span>
10. <span id="cite_note-TechNodeHY2-10">↑ <sup>[10.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TechNodeHY2_10-0)</sup> <sup>[10.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TechNodeHY2_10-1)</sup> <sup>[10.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TechNodeHY2_10-2)</sup> TechNode. *Tencent releases Hunyuan 2.0, its next-generation AI model*. technode.com, 8 декабря 2025. <a href="https://technode.com/2025/12/08/tencent-releases-hunyuan-2-0-its-next-generation-ai-model/" class="external free" rel="nofollow">https://technode.com/2025/12/08/tencent-releases-hunyuan-2-0-its-next-generation-ai-model/</a></span>
11. <span id="cite_note-HunyuanXAnnounce-11">↑ <sup>[11.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanXAnnounce_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanXAnnounce_11-1)</sup> <sup>[11.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanXAnnounce_11-2)</sup> <sup>[11.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanXAnnounce_11-3)</sup> Hunyuan Official Account. *Tencent HY 2.0 is officially released*. X (бывш. Twitter), 4 декабря 2025. <a href="https://x.com/TencentHunyuan/status/1996948083377332614" class="external free" rel="nofollow">https://x.com/TencentHunyuan/status/1996948083377332614</a></span>
12. <span id="cite_note-TencentCloudDynamics-12">↑ <sup>[12.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudDynamics_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudDynamics_12-1)</sup> Tencent Cloud. «腾讯混元大模型 产品动态». Tencent Cloud Documentation. <a href="https://cloud.tencent.com/document/product/1729/97765" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/97765</a></span>
13. <span id="cite_note-HunyuanMTGitHub-13">[↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-HunyuanMTGitHub_13-0) Tencent-Hunyuan. *Hunyuan-MT*. GitHub, 2025. <a href="https://github.com/Tencent-Hunyuan/Hunyuan-MT" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-MT</a></span>
14. <span id="cite_note-Hunyuan3DGitHub-14">↑ <sup>[14.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-Hunyuan3DGitHub_14-0)</sup> <sup>[14.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-Hunyuan3DGitHub_14-1)</sup> <sup>[14.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-Hunyuan3DGitHub_14-2)</sup> Tencent-Hunyuan. *Hunyuan3D-2*. GitHub, 2025. <a href="https://github.com/Tencent-Hunyuan/Hunyuan3D-2" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan3D-2</a></span>
15. <span id="cite_note-TencentCloudChat-15">↑ <sup>[15.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudChat_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudChat_15-1)</sup> <sup>[15.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudChat_15-2)</sup> Tencent Cloud. «对话» (Chat). Tencent Cloud API Documentation. <a href="https://cloud.tencent.com/document/product/1729/105701" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/105701</a></span>
16. <span id="cite_note-TencentCloudOpenAI-16">[↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudOpenAI_16-0) Tencent Cloud. «混元 OpenAI 兼容接口相关调用示例». Tencent Cloud Documentation. <a href="https://cloud.tencent.com/document/product/1729/111007" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/111007</a></span>
17. <span id="cite_note-TencentCloudTechpedia-17">↑ <sup>[17.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudTechpedia_17-0)</sup> <sup>[17.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudTechpedia_17-1)</sup> <sup>[17.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TencentCloudTechpedia_17-2)</sup> Tencent Cloud. *How to use Tencent Hunyuan large model for natural language processing*. Tencent Cloud Techpedia. <a href="https://www.tencentcloud.com/techpedia/109099" class="external free" rel="nofollow">https://www.tencentcloud.com/techpedia/109099</a></span>
18. <span id="cite_note-LangChainHunyuan-18">[↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-LangChainHunyuan_18-0) LangChain. *Tencent Hunyuan integration*. Docs by LangChain, 2026. <a href="https://docs.langchain.com/oss/python/integrations/chat/tencent_hunyuan" class="external free" rel="nofollow">https://docs.langchain.com/oss/python/integrations/chat/tencent_hunyuan</a></span>
19. <span id="cite_note-Hunyuan18BIssues-19">[↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-Hunyuan18BIssues_19-0) GitHub Issues. *Hunyuan-1.8B issues*. <a href="https://github.com/Tencent-Hunyuan/Hunyuan-1.8B/issues" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-1.8B/issues</a></span>
20. <span id="cite_note-LLLobotomy-20">[↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-LLLobotomy_20-0) Lintelo, J. et al. *Large Language Lobotomy: Jailbreaking Mixture-of-Experts LLMs*. arXiv:2602.08741, 2026. <a href="https://arxiv.org/abs/2602.08741" class="external free" rel="nofollow">https://arxiv.org/abs/2602.08741</a></span>
21. <span id="cite_note-GateBreaker-21">[↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-GateBreaker_21-0) Wu, L. et al. *GateBreaker: Gate-Guided Attacks on Mixture-of-Expert LLMs*. arXiv:2512.21008, 2025. <a href="https://arxiv.org/abs/2512.21008" class="external free" rel="nofollow">https://arxiv.org/abs/2512.21008</a></span>
22. <span id="cite_note-TurboSGitHub-22">[↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(CS)#cite_ref-TurboSGitHub_22-0) Tencent-Hunyuan. *Hunyuan-TurboS*. GitHub. <a href="https://github.com/Tencent-Hunyuan/Hunyuan-TurboS" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-TurboS</a></span>