---
title: "Hunyuan (Tencent) (HU)"
source: "https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)"
wiki: "systems-analysis.info/int"
article: "Hunyuan_(Tencent)_(HU)"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3048
wiki_created_at: 2026-09-06T23:14:52Z
wiki_modified_at: 2026-09-06T23:14:52Z
downloaded_at: 2026-09-07T22:54:41Z
---

# Hunyuan (Tencent) (HU)

**Hunyuan** (kín. 腾讯混元大模型, Tencent Hunyuan, Tencent HY) — alapmodellek (Foundation Models) és nagy nyelvi modellek (Large Language Model, LLM) családja, amelyet a Tencent Hunyuan Foundation Model Team fejlesztett ki, és amely elérhető a Tencent Cloud felhőszolgáltatáson keresztül, valamint nyílt súlyok formájában a Hugging Face és GitHub platformokon. A család magában foglalja a szöveg generálására és megértésére, logikai és matematikai következtetésre, programozásra, hosszú kontextusok feldolgozására, valamint multimodális kiterjesztésekre (képek, videó, 3D) szánt modelleket. A Hunyuan a Tencent generatív AI zászlóshajó-termékcsaládjaként pozicionált, és integrálva van a vállalat termékökoszisztémájába (Yuanbao, WeChat, Tencent Meeting, Tencent Cloud).<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentAnnounce-1)[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudOverview-3)</sup>

## Történet és fejlődési kronológia

A Hunyuan fejlesztése a globális LLM-verseny és a mesterséges intelligencia területén megvalósuló kínai technológiai függetlenségi stratégia kontextusában zajlott. A termékcsalád a tulajdonosi dense-modellektől a nyílt Mixture-of-Experts (MoE) és hibrid Transformer-Mamba architektúrák felé fejlődött.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentAnnounce-1)</sup>

### Első generáció (2023)

A Hunyuan sorozat nyilvános bejelentésére 2023. szeptember 7-én került sor a shenzeni Tencent Global Digital Ecosystem Summit rendezvényen. Az első verzió egy több mint 100 milliárd paraméterrel rendelkező, több mint 2 billió tokenre előre betanított, tulajdonosi dense-modell volt. A modell a kínai nyelvre, logikai következtetésre és tartalomgenerálásra összpontosított, több mint 50 Tencent-termékbe volt integrálva, és elérhető volt a Tencent Cloud API-n keresztül.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentAnnounce-1)</sup>

### Hunyuan-Large és az MoE-re való átállás (2024)

2024 novemberében a Tencent kiadta a Hunyuan-Large modellt — amely akkori legnagyobb nyílt Transformer-MoE-modell volt 389 milliárd összes és 52 milliárd aktív paraméterrel. A modellt nyílt súlyokkal tették közzé a Hugging Face-en és a GitHubon, és arXiv-preprinttel egészítették ki. A kiadás a Tencent stratégiai fordulatát jelezte a nyílt fejlesztés felé.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeGitHub-4)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeHF-5)</sup>

### Hibrid és reasoning-modellek (2025)

2025-ben a termékcsalád több kulcsfontosságú kiadással bővült:

- **Hunyuan-TurboS** (2025. február) — az első ipari, nagyméretű hibrid Transformer-Mamba-MoE modell 560 milliárd összes és 56 milliárd aktív paraméterrel, 16 billió tokenre előre betanítva. Bevezette az adaptív Chain-of-Thought (CoT) mechanizmust a gyors és mély gondolkodás közötti dinamikus váltáshoz.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)</sup>
- **Hunyuan-T1** (2025. március) — speciális reasoning-modell, amely a TurboS-ra épül nagyméretű megerősítéses tanulással (a post-training számítási kapacitás 96,7%-a reinforcement learning).<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-T1Page-7)</sup>
- **Hunyuan-A13B** (2025. június) — kompakt MoE-modell (80 milliárd összes / 13 milliárd aktív paraméter) a teljesítmény és a költség egyensúlyára, gyors és lassú gondolkodás támogatásával.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-A13BGitHub-8)</sup>
- **Kis dense-modellek** (2025. július) — 0,5B, 1,8B, 4B, 7B változatok edge-eszközökhöz és nagy versenyképességű telepítési forgatókönyvekhez, 256K kontextustámogatással.<sup>[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-Hunyuan7BGitHub-9)</sup>

### Hunyuan 2.0 (2025. november–december)

2025 decemberében bejelentették a kereskedelmi modell második generációját — a Hunyuan 2.0-t (HY 2.0), MoE architektúrával (406 milliárd összes / 32 milliárd aktív paraméter) és 256K tokenes kontextusablakkal. A termékcsalád két változatra oszlik: HY 2.0 Think (mély következtetés, kód) és HY 2.0 Instruct (párbeszédek, kreatív generálás). A modellek elérhetők a Tencent Cloud API-n keresztül, és integrálva vannak a Yuanbao és ima alkalmazásokba.<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanXAnnounce-11)</sup>

### Összesített kronológia

| Dátum                    | Esemény                                                                                             |
|--------------------------|-----------------------------------------------------------------------------------------------------|
| 2023\. szeptember        | A Hunyuan nyilvános bejelentése mint tulajdonosi LLM (\>100B paraméter); Tencent Cloud API indítása |
| 2024\. február           | Belső MoE-modell a Yuanbao chatbothoz                                                               |
| 2024\. április           | Rebrandolás: „advanced" → hunyuan-pro, „standard" → hunyuan-standard; hunyuan-lite hozzáadása       |
| 2024\. május             | A hunyuan-lite MoE-re váltott, 256K kontextusra bővítve                                             |
| 2024\. szeptember        | Új hunyuan-turbo indítása (következő generációs MoE)                                                |
| 2024\. november          | Hunyuan-Large nyílt kiadása (389B/52B MoE), arXiv:2411.02265 preprint                               |
| 2025\. február–március   | Hunyuan-TurboS (hibrid Mamba-MoE); Hunyuan-T1 (reasoning)                                           |
| 2025\. június            | Hunyuan-A13B (80B/13B, fine-grained MoE)                                                            |
| 2025\. július            | Kis dense-modellek 0,5B–7B                                                                          |
| 2025\. szeptember        | Hunyuan-MT (speciális fordítási modell)                                                             |
| 2025\. november–december | Hunyuan 2.0 (HY 2.0 Think / Instruct), 406B/32B MoE                                                 |

*Forrás: Tencent Cloud termékdinamikák; hivatalos repozitóriumok.*<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudDynamics-12)</sup>

## Elméleti alapok és architektúra

### Mixture-of-Experts architektúra

A sorozat kulcsmodelljei (Hunyuan-Large, A13B, HY 2.0) a Mixture-of-Experts (MoE) architektúrát alkalmazzák, amelyben a transzformer rétegeinek egy része több „szakértőt" (alháló) tartalmaz, az útválasztó (gating network) pedig kiválasztja az aktív szakértők részhalmazát minden tokenhez. Az MoE-réteg általános képlete:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

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

ahol $G(x)$ az útválasztási (gating) függvény, $E_{i}$ a $i$-ik szakértő, $N$ a szakértők összes száma. Ezzel a megközelítéssel a modell összes paramétereinek száma $P_{total}$ lényegesen meghaladja az egyetlen átmenetnél aktív paraméterek számát $P_{active}$:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

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

ami lehetővé teszi a modell kapacitásának növelését anélkül, hogy az inferencia számítási költségei arányosan növekednének.

A Hunyuan-Large-ban egy közös (shared) és 16 speciális szakértőt tartalmazó séma valósult meg, tokenenkénti 1 specialista aktiválásával (top-1 routing). A további újítások közé tartozik a recycle-mechanizmussal kombinált útválasztás (az elutasított tokenek újrafeldolgozása) és a szakértő-specifikus learning rate-ek a szakértői hozzájárulás egyensúlyának javítása érdekében.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeHF-5)</sup>

### Hibrid Transformer-Mamba architektúra

A Hunyuan-TurboS és a T1 hibrid architektúrát vezet be, amely Transformer (attention) és Mamba (state-space model) blokkokat kombinál. A Mamba lineáris komplexitást biztosít a szekvencia hossza szerint:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)</sup>

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

where $A$, $B$ — tanítható mátrixok, $h_{t}$ — rejtett állapot a $t$ lépésnél, $x_{t}$ — bemeneti token. Ez $O(1)$ memóriaskálázást biztosít a hosszra vetítve (szemben a standard Transformer $O(N)$ értékével).<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)</sup>

A TurboS 128 réteget tartalmaz, amelyek blokkokba szerveződnek: 57 Mamba2-réteg, 7 Attention-réteg és 64 FFN-MoE-réteg 32 szakértővel. Az AMF (Attention → Mamba2 → FFN) és MF (Mamba2 → FFN) blokkok váltakoznak a globális és lokális kontextus egyensúlyának biztosítása érdekében.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)</sup>

### Figyelmi mechanizmusok és KV-gyorsítótár

A Hunyuan-Large a Grouped Query Attention (GQA) módszert alkalmazza — egy olyan figyelmi változatot, amelyben több lekérdezés osztozik a közös kulcsokon és értékeken —, valamint a Cross-Layer Attention (CLA) módszert a KV-gyorsítótár méretének csökkentésére. A self-attention réteg KV-gyorsítótárának standard mérete $H$ fejjel, $L$ szekvenciahosszal és $d_{h}$ fejmérettel:<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeHF-5)</sup>

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

where $S_{KV}$ — a KV-gyorsítótár mérete. GQA esetén $H_{g} < H$ csoporttal a méret csökken:

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

A CLA emellett a KV-gyorsítótár rétegek közötti újrafelhasználását feltételezi. Ezek az optimalizálások összességében körülbelül 95%-os memóriamegtakarítást biztosítanak.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeGitHub-4)</sup>

### Pozicionális kódolás és hosszú kontextus

A modellek Rotary Position Embedding (RoPE) módszert alkalmaznak skálázással a hosszú szekvenciák támogatásához. A kontextus tanítása fokozatosan (curriculum learning) történik: 32K-tól 256K tokenig. Aktiváció: SwiGLU. A tokenizáló szótára: 128K (tiktoken, kínai kiterjesztéssel).<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

### Tanítás és skálázás

Az MoE-modellek esetén empirikus hatványfüggvény-összefüggések formájában vizsgálják a skálázási törvényeket (scaling laws):<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

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

where $Q$ — minőségi metrika, $P_{active}$ — aktív paraméterek száma, $N$ — adatmennyiség, $a,b,c,\alpha,\beta$ — kísérletileg meghatározott paraméterek. A Hunyuan-Large hangsúlyozza 1,5 billió token szintetikus adat használatát — nagyságrendekkel többet, mint a korábbi MoE-publikációkban.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

## Tanítási folyamat és összehangolás

A Hunyuan-modellek tanítási folyamata a modern LLM-ekre jellemző több lépést foglal magában:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-T1Page-7)</sup>

### Előzetes tanítás (Pre-training)

Nagyméretű tanítás nagy, többnyelvű korpuszon (kínai, angol és más nyelvek). A Hunyuan-Large 7 billió tokenre lett előre betanítva (beleértve 1,5 billió szintetikus tokent). A TurboS 16 billió tokenre. Az adathalmazok pontos összetétele nem nyilvános.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)</sup>

### Felügyelt finomhangolás (Supervised Fine-Tuning, SFT)

Finomhangolás több mint 1 millió utasítás-válasz páron, amelynek során a modellt felhasználói utasítások követésére tanítják.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

### Összehangolás megerősítéses tanulással

A modell viselkedésének emberi preferenciákhoz való igazítása érdekében az alábbi módszereket alkalmazzák:

**Direct Preference Optimization (DPO)** — összehangolási módszer explicit jutaloommodell nélkül, amelyet a Hunyuan-Large-ban alkalmaznak.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

**Reinforcement Learning (RL)** — a Hunyuan-T1-ben nagyméretű megerősítéses tanulást alkalmaznak curriculum learning-gel; a fejlesztő nyilatkozata szerint a post-training számítások 96,7%-a reinforcement learning.<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-T1Page-7)</sup>

**Adaptive Long-Short Chain-of-Thought** — a TurboS-ban megvalósult egy dinamikus kapcsoló mechanizmus a gyors és mély gondolkodás között, amely lehetővé teszi, hogy a modell a feladat bonyolultságához igazítsa a következtetés mélységét.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)</sup>

## A modellek összetétele

A termékcsalád zárt felhőalapú API-modellekre és nyílt súlyokkal rendelkező modellekre oszlik.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudOverview-3)</sup>

### Fő modellek (áttekintés)

| Modell                | Kiadás dátuma     | Architektúra                 | Paraméterek (összes / aktív) | Kontextus                        | Elérhetőség                        |
|-----------------------|-------------------|------------------------------|------------------------------|----------------------------------|------------------------------------|
| Hunyuan (2023)        | 2023\. szeptember | Dense Transformer            | \>100 milliárd / —           | nem nyilvános                    | Tulajdonosi API                    |
| Hunyuan-Large         | 2024\. november   | Transformer-MoE              | 389 milliárd / 52 milliárd   | 256K (pretrain), 128K (instruct) | Nyílt súlyok (GitHub, HF)          |
| Hunyuan-TurboS        | 2025\. február    | Hybrid Transformer-Mamba-MoE | 560 milliárd / 56 milliárd   | 256K (archit.), 32K/16K (API)    | Tulajdonosi API + nyílt változatok |
| Hunyuan-T1            | 2025\. március    | TurboS alapú + nagyméretű RL | —                            | 32K/64K (API)                    | Tulajdonosi API                    |
| Hunyuan-A13B          | 2025\. június     | Fine-grained MoE             | 80 milliárd / 13 milliárd    | 256K (nyílt), 224K/32K (API)     | Nyílt súlyok + API                 |
| Kis modellek (0,5–7B) | 2025\. július     | Dense                        | 0,5–7 milliárd               | 256K                             | Nyílt súlyok                       |
| HY 2.0 Think          | 2025\. november   | MoE                          | 406 milliárd / 32 milliárd   | 128K bemenet / 64K kimenet (API) | Tulajdonosi API                    |
| HY 2.0 Instruct       | 2025\. november   | MoE                          | 406 milliárd / 32 milliárd   | 128K bemenet / 16K kimenet (API) | Tulajdonosi API                    |

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

**Megjegyzés.** Egyes modelleknél különbség mutatkozik az architektúrális kontextuskorlátok (műszaki jelentésekből) és az API szolgáltatási korlátok (termékdokumentációból) között. Ez nem ellentmondás, hanem a kutatási és termékkonfigurációk közötti különbséget tükrözi.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudOverview-3)</sup>

### Speciális modellek

**Hunyuan-MT** (2025. szeptember) — speciális gépi fordítási modell, amely a WMT25-ön 31 kategóriából 30-ban az 1. helyet szerezte meg.<sup>[\[13\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanMTGitHub-13)</sup>

**HunyuanImage, HunyuanVideo, Hunyuan3D** — a termékcsalád multimodális modelljei képek, videók és 3D-objektumok generálásához.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-Hunyuan3DGitHub-14)</sup>

### Pozicionálás és fejlődési összefüggések

A Tencent Cloud dokumentációjában az alábbi fejlődési összefüggések nyomon követhetők:

- `hunyuan-a13b` a `hunyuan-standard-256K` frissítéseként van megjelölve.
- `hunyuan-t1` a TurboS-ra épül, megerősített RL post-training-gel.
- HY 2.0 Think/Instruct — olyan ág, amelyben az alap TurboS-ről Hunyuan 2.0-ra frissült.
- A nyílt ág (Hunyuan-Large, A13B, kompakt dense) párhuzamosan fejlődik a zárt API-ággal, kutatási hozzáférést biztosítva.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudOverview-3)</sup>

## Újdonságok a kulcsgenerációkban

### Hunyuan-Large (2024)

Az első generációhoz és a korábbi MoE-megközelítésekhez képest a Hunyuan-Large az alábbiakat vezeti be:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeGitHub-4)</sup>

- 389 milliárd paraméteres skála (52 milliárd aktív) — a kiadás idején a legnagyobb nyílt Transformer-MoE-modell.
- 256K kontextustámogatás (pretrain) és 128K (instruct) — lényegesen meghaladja a 2024-es tömeges LLM-ek tipikus értékeit.
- KV-gyorsítótár-tömörítés GQA + CLA alapján (kb. 95%-os memóriamegtakarítás).
- Nagyléptékű szintetikus adatok (1,5 billió token szintetikus adat).
- Vegyes szakértő-útválasztás és szakértő-specifikus learning rate-ek.

### Hunyuan-TurboS (2025)

Kulcsfontosságú architektúrális váltás:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)</sup>

- Mamba2 + Attention + MoE hibrid: 560B összes / 56B aktív, 128 réteg.
- Előre betanítva 16 billió tokenre.
- Adaptive Long-Short Chain-of-Thought a következtetési mélység dinamikus vezérléséhez.
- A dekódolás bejelentett 1,8–2-szeres gyorsulása az előző Turbo-verzióhoz képest.

### Hunyuan-T1 (2025)

Reasoning-modell TurboS alapon:<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-T1Page-7)</sup>

- A post-training számítási kapacitás 96,7%-a reinforcement learning.
- Kétszeres dekódolási gyorsulás összehasonlítható telepítési keretrendszer mellett.
- Curriculum learning a következtetési stratégiák javítása érdekében.

### HY 2.0 (2025)

A kereskedelmi zászlóshajó frissítése:<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanXAnnounce-11)</sup>

- MoE architektúra: 406B összes / 32B aktív paraméter.
- 256K tokenes kontextusablak.
- Jelentős javulás speciális benchmark-okon: IMO-AnswerBench 73,4% (+20% az előző HY-verzióhoz képest), SWE-bench Verified 53,0 (6,0-ról), τ²-Bench 72,4 (17,1-ről).
- Fejlesztések az RLHF-ben és a post-training stratégiákban.

## Értékelés és benchmark-ok

Az értékelés standard benchmark-okon zajlott zero-shot és few-shot protokollokkal. Az eredmények a hivatalos műszaki jelentéseken és repozitóriumokon alapulnak; egyes modellekre vonatkozóan a független külső ellenőrzések egyelőre korlátozottak.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

### Hunyuan-Large (pretrain) benchmark-ok

| 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        |

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

A műszaki jelentés adatai szerint a Hunyuan-Large (pretrain) 19 benchmark-ból 15-ben vezet a Llama 3.1-405B, Mixtral-8x22B és DeepSeek-V2 modellekkel összehasonlítva.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

### Hunyuan-Large-Instruct benchmark-ok

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

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

A fejlesztők állítása szerint a Hunyuan-Large-Instruct 2,6 százalékponttal felülmúlja az LLaMA 3.1-405B modellt az MMLU benchmark-on.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeGitHub-4)</sup>

### TurboS és T1 benchmark-ok

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

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

### Hunyuan-A13B benchmark-ok

| 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        | —             | —           |

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

Az A13B felülmúlja a Hunyuan-Large-ot számos post-training-érzékeny feladatban (MMLU-Pro, MATH, MBPP), ami összhangban van azzal a pozicionálással, miszerint frissebb és alkalmazottabb változatról van szó.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-A13BGitHub-8)</sup>

### Kompakt dense-ág benchmark-ok

| Modell       | 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 |

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

### HY 2.0 benchmark-ok

Az adatokat a fejlesztő közölte (az egyetlen nyílt forrás a Hunyuan hivatalos fiókja):<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanXAnnounce-11)</sup>

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

**Megjegyzés.** Ezek az adatok „fejlesztő által közölt, széles körű külső megerősítésre váró" kategóriába sorolhatók.<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanXAnnounce-11)</sup>

## Felhasználás technikai részletei

### Kontextusablak áganként

| Modell                | Bemenet (token)                   | Kimenet (token) |
|-----------------------|-----------------------------------|-----------------|
| 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 (nyílt) | 256K (pretrain) / 128K (instruct) | —               |
| Kompakt 0,5–7B        | 256K                              | —               |

*Forrás: Tencent Cloud termékáttekintés.*<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudOverview-3)</sup>

### Támogatott eszközök

A Tencent Cloud API dokumentációjában az alábbiak szerepelnek:<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudChat-15)</sup>

- **Function Calling** (`tools`, `tool_choice`).
- **AI Search Enhancement** — beépített keresés külső forrásokban (retrieval-augmented generation).
- **SearchInfo és Citation** — hivatkozási jelölők a válaszokban.
- **EnableMultimedia** — multimédiás helyettesítők a kimenetben.
- **EnableThinking** — chain-of-thought kapcsoló az A13B számára.
- **EnableRecommendedQuestions** — ajánlott kérdések generálása.

### API-kompatibilitás

A Hunyuan API támogatja az OpenAI-kompatibilis formátumot:<sup>[\[16\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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>.
- Támogatott: `/v1/chat/completions` és `/v1/embeddings`.
- Embedding modell: `hunyuan-embedding`, 1024-es dimenzió.
- Streaming SSE-n keresztül.
- Alapértelmezett párhuzamosság: 5 fiókonként.

A Hunyuan-Large (nyílt) esetén a standard be- és kimeneti formátum megfelel a PyTorch/Transformers keretrendszereknek. Támogatott kvantizálás: FP8, INT4 (GPTQ/AWQ).<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeHF-5)</sup>

## Alkalmazás és integráció

A Hunyuan-modellek integrálva vannak a Tencent ökoszisztémájába, és külső fejlesztők számára is elérhetők. Fő dokumentált felhasználási forgatókönyvek:<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentAnnounce-1)[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudTechpedia-17)</sup>

### Tencent-termékek

- **Yuanbao** — chatbot Hunyuan és DeepSeek támogatással.
- **Tencent Meeting** — értekezlet-összefoglalók generálása.
- **Tencent Docs** — szöveggenerálás és -elemzés.
- **ima** — pénzügyi és multimédiás AI-asszisztens.

### Vállalati alkalmazások

- Szöveggenerálás: cikkek, reklámszövegek, forgatókönyvek, termékleírások.
- Intelligens ügyfélszolgálat: chatbotok, GYIK, válaszautomatizálás.
- Kódgenerálás és -elemzés (különösen HY 2.0 Think és T1).
- Matematikai és logikai következtetés, elemzési feladatok.
- Többnyelvű fordítás (30+ nyelv, Hunyuan-MT).

### Nyílt modellek

A nyílt változatokat kutatásra, finomhangolásra és edge-eszközökön való telepítésre használják (kis dense-modellek). A multimodális kiterjesztések (HunyuanImage, HunyuanVideo, Hunyuan3D) 3D-modellezéshez és videógeneráláshoz alkalmazhatók.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-Hunyuan3DGitHub-14)</sup>

## Korlátok és nyitott kérdések

- **A kereskedelmi modellek zártsága.** A HY 2.0 és T1 esetén nem állnak rendelkezésre nyílt súlyok és részletes architektúrális specifikációk; a hozzáférés API-ra korlátozódik, ami megnehezíti a független reprodukálhatóságot.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudOverview-3)</sup>
- **A tanítási adatok átláthatatlansága.** Bár hangsúlyozzák a nagyméretű szintetikus adatok használatát, az adathalmazok pontos összetétele, a nyelvek és szaktudományos területek aránya nem nyilvános.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>
- **Számítási követelmények.** A nyílt modellek jelentős erőforrásokat igényelnek: legalább 32 GPU szükséges a Hunyuan-Large teljes fine-tuning-jához; akár FP8 esetén is több tíz GB VRAM szükséges.<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargeHF-5)</sup>
- **Hallucinációk.** Más LLM-ekhez hasonlóan a modellek hajlamosak valószerű, de tényszerűen téves állítások generálására. Ennek szisztematikus vizsgálata Hunyuan esetén a nyílt, lektorált munkákban egyelőre korlátozott.<sup>[\[18\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-LangChainHunyuan-18)</sup>
- **Az architektúrális és szolgáltatási korlátok közötti különbségek.** Egyes modellekre (TurboS, A13B) vonatkozóan az API szolgáltatási korlátjai lényegesen alacsonyabbak az architektúrális lehetőségeknél.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudOverview-3)</sup>
- **Regionális elérhetőség.** Az elsődleges fókusz a kínai piacon van; a Kínán kívüli felhasználók számára az API nyelvi és jogi korlátozásokkal rendelkezik.<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudTechpedia-17)</sup>
- **Részletes biztonsági jelentések hiánya.** A dokumentáció általános biztonsági és tartalomszűrési elveket tartalmaz, de nincsenek olyan nyilvános technical safety report-ok, amelyek terjedelmükben felérnének egyes nemzetközi modellekéivel.<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudChat-15)</sup>
- **A nyílt forráskódú ág kompatibilitása.** A kiadásokat követően integrációs problémák merültek fel a `transformers` / `vllm` esetén, ahol a könyvtárak nem ismerték fel a `hunyuan_v1_dense` architektúratípust, és `trust_remote_code` vagy speciális ágak szükségessége merült fel.<sup>[\[19\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-Hunyuan18BIssues-19)</sup>

## Incidensek és ismert problémák

Az elérhető anyagok alapján (2025 vége – 2026 eleje) nem rögzítetek nagyobb nyilvános incidenseket, amelyek kifejezetten a Hunyuanhoz köthetők (nagyarányú adatszivárgás, egyedi biztonsági fenyegetések).<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudTechpedia-17)</sup>

### Dokumentált termékjavítások

A Tencent Cloud termékdinamikái apró javításokat tükröznek:<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudDynamics-12)</sup>

- **2024-11-20:** `hunyuan-turbo-latest` frissítve a speciális karakterek okozta ismétlések javítása, a Markdown-kimenet stabilitásának növelése és az indokolatlan elutasítások csökkentése érdekében.
- **2025-04-03:** T1 frissítés az egyszerűsített/hagyományos kínai keveredés és a kínai/angol keveredés javításával, valamint a projektszintű kódgenerálás fejlesztésével.
- **2025-04-20:** A Search Enhancement funkció alapértelmezett engedélyezettről alapértelmezett tiltottra váltott — ez az integrációkat érintő tényleges API-viselkedési változás.

### MoE-biztonsági kutatások

Kutatói kritika szintjén (preprint szinten) a Hunyuan-A13B szerepel az MoE-modellek safety-lokalizációs támadásait vizsgáló munkákban. Különösen a *Large Language Lobotomy* és *GateBreaker* munkákban számolnak be magas támadási sikerarányról a safety-szakértők „elnémítása" esetén. Ez nem erősít meg termelési incidenst, de megmutatja, hogy az MoE-útválasztás biztonsága sebezhető kutatási irányként kerül vizsgálat alá.<sup>[\[20\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-LLLobotomy-20)[\[21\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-GateBreaker-21)</sup>

## Etikai és szabályozási szempontok

A Hunyuan a kínai jogi és szabályozói keretrendszerben működik, beleértve a generatív AI-ra vonatkozó nemzeti szabályokat (CAC) és a tartalomszűrést, valamint a Tencent belső adatbiztonsági politikáját. A Tencent Cloud dokumentációja hangsúlyozza, hogy a Hunyuan API használatának meg kell felelnie az alkalmazandó jogszabályoknak és a platform szabályzatának.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentAnnounce-1)</sup>

A konkrét intézkedések közé tartozik:

- Beépített tartalommoderálás streamelt kimenettel és lehetséges `FinishReason=sensitive` mechanizmussal.
- Összehangolás RLHF/DPO segítségével a hallucinációk és a nemkívánatos viselkedés csökkentése érdekében.
- Tanítási adatok szűrése az elfogultság (bias) minimalizálása érdekében.
- Nyílt licencek (Tencent Hunyuan Community License Agreement) a nyílt modellekhez, azzal a kikötéssel, hogy a megállapodás egyes változatokra nem alkalmazható az EU-ban.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-A13BGitHub-8)[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TencentCloudChat-15)</sup>

A Hunyuan elfogultságával (bias) és méltányosságával (fairness) foglalkozó specializált független jelentések egyelőre kevés számban állnak rendelkezésre; a kutatások a nyílt súlyok és a független tesztek bővülésével várhatók.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)</sup>

## Közösségi reakciók

A zárt ág legrelevánsabb külső jelzője a TurboS eredménye az LMSYS Chatbot Arena-n (1356, globális top-7). A nyílt ág esetén közvetett mutató a GitHub-aktivitás: a Hunyuan-Large-nál körülbelül 1600, az A13B-nél 812, a Hunyuan-MT-nél 683 csillag. Ez az open LLM ökoszisztéma mércéjével mérve figyelemreméltó, de nem domináns részvételi szintet tükröz. A közösség szubjektív értékelései (Hugging Face, Reddit) kínai nyelvi és agent-feladatok területén erős teljesítményt emelnek ki.<sup>[\[22\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSGitHub-22)</sup>

## Kilátások és kutatási irányok

A nyilvános anyagokban jelzett további fejlesztési irányok:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-TurboSPaper-6)[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_note-Hunyuan3DGitHub-14)</sup>

- Az architektúrák további hibridizálása (Mamba + Transformer + MoE) és az MoE-re vonatkozó scaling laws vizsgálata.
- Multimodális képességek bővítése: a Hunyuan3D, HunyuanVideo és HunyuanImage integrálása a nyelvi modellekkel.
- Az eszközhasználat (tool use) és az ágensalapú képességek fejlesztése.
- Inferencia-költségek csökkentése: kvantizálás (2 bites edge-eszközökhöz), optimalizálások TRT-LLM/vLLM segítségével.
- A nyílt modellek portfóliójának bővítése.
- Részletes biztonsági és összehangolási (alignment) jelentések kidolgozása és közzététele.

## Lásd még

- LLaMA (Meta)
- DeepSeek

## Irodalom

- 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>

## Hivatkozások

- <a href="https://cloud.tencent.com/document/product/1729/104753" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/104753</a> — A Tencent Cloud Hunyuan hivatalos dokumentációja
- <a href="https://huggingface.co/tencent/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://huggingface.co/tencent/Tencent-Hunyuan-Large</a> — Hunyuan-Large a Hugging Face-en
- <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 a GitHubon
- <a href="https://github.com/Tencent-Hunyuan/Hunyuan-A13B" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-A13B</a> — Hunyuan-A13B a GitHubon
- <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> — Hunyuan bejelentése (2023. szeptember)

## Jegyzetek

1.  <span id="cite_note-TencentAnnounce-1">↑ <sup>[1.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentAnnounce_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentAnnounce_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentAnnounce_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentAnnounce_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-HunyuanLargePaper_2-0)</sup> <sup>[2.01](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-1)</sup> <sup>[2.02](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-2)</sup> <sup>[2.03](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-3)</sup> <sup>[2.04](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-4)</sup> <sup>[2.05](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-5)</sup> <sup>[2.06](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-6)</sup> <sup>[2.07](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-7)</sup> <sup>[2.08](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-8)</sup> <sup>[2.09](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-9)</sup> <sup>[2.10](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-10)</sup> <sup>[2.11](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-11)</sup> <sup>[2.12](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-12)</sup> <sup>[2.13](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-13)</sup> <sup>[2.14](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-14)</sup> <sup>[2.15](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-15)</sup> <sup>[2.16](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-16)</sup> <sup>[2.17](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-17)</sup> <sup>[2.18](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-18)</sup> <sup>[2.19](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargePaper_2-19)</sup> <sup>[2.20](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-TencentCloudOverview_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentCloudOverview_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentCloudOverview_3-2)</sup> <sup>[3.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentCloudOverview_3-3)</sup> <sup>[3.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentCloudOverview_3-4)</sup> <sup>[3.5](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentCloudOverview_3-5)</sup> <sup>[3.6](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentCloudOverview_3-6)</sup> <sup>[3.7](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-HunyuanLargeGitHub_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargeGitHub_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargeGitHub_4-2)</sup> <sup>[4.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-HunyuanLargeHF_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargeHF_5-1)</sup> <sup>[5.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargeHF_5-2)</sup> <sup>[5.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargeHF_5-3)</sup> <sup>[5.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanLargeHF_5-4)</sup> <sup>[5.5](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-TurboSPaper_6-0)</sup> <sup>[6.01](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-1)</sup> <sup>[6.02](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-2)</sup> <sup>[6.03](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-3)</sup> <sup>[6.04](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-4)</sup> <sup>[6.05](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-5)</sup> <sup>[6.06](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-6)</sup> <sup>[6.07](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-7)</sup> <sup>[6.08](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-8)</sup> <sup>[6.09](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-9)</sup> <sup>[6.10](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TurboSPaper_6-10)</sup> <sup>[6.11](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-T1Page_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-T1Page_7-1)</sup> <sup>[7.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-T1Page_7-2)</sup> <sup>[7.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-T1Page_7-3)</sup> <sup>[7.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-A13BGitHub_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-A13BGitHub_8-1)</sup> <sup>[8.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-A13BGitHub_8-2)</sup> <sup>[8.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-Hunyuan7BGitHub_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-TechNodeHY2_10-0)</sup> <sup>[10.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TechNodeHY2_10-1)</sup> <sup>[10.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-HunyuanXAnnounce_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanXAnnounce_11-1)</sup> <sup>[11.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-HunyuanXAnnounce_11-2)</sup> <sup>[11.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-TencentCloudDynamics_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#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)_(HU)#cite_ref-Hunyuan3DGitHub_14-0)</sup> <sup>[14.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-Hunyuan3DGitHub_14-1)</sup> <sup>[14.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#cite_ref-TencentCloudChat_15-0)</sup> <sup>[15.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentCloudChat_15-1)</sup> <sup>[15.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#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)_(HU)#cite_ref-TencentCloudTechpedia_17-0)</sup> <sup>[17.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#cite_ref-TencentCloudTechpedia_17-1)</sup> <sup>[17.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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>