---
title: "Hunyuan (Tencent) (IT)"
source: "https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)"
wiki: "systems-analysis.info/int"
article: "Hunyuan_(Tencent)_(IT)"
language: "it"
categories:
  - "Category:Italian"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3050
wiki_created_at: 2026-09-06T23:14:54Z
wiki_modified_at: 2026-09-06T23:14:54Z
downloaded_at: 2026-09-07T22:54:42Z
---

# Hunyuan (Tencent) (IT)

**Hunyuan** (cin. 腾讯混元大模型, Tencent Hunyuan, Tencent HY) — famiglia di modelli fondazionali (Foundation Models) e grandi modelli linguistici (Large Language Model, LLM), sviluppati dal team Tencent Hunyuan Foundation Model Team e disponibili tramite il servizio cloud Tencent Cloud, nonché come pesi aperti sulle piattaforme Hugging Face e GitHub. La famiglia comprende modelli per la generazione e la comprensione del testo, il ragionamento logico e matematico, la programmazione, l'elaborazione di contesti lunghi, nonché estensioni multimodali (immagini, video, 3D). Hunyuan è posizionato come la linea principale di IA generativa di Tencent ed è integrato nell'ecosistema dei prodotti dell'azienda (Yuanbao, WeChat, Tencent Meeting, Tencent Cloud).<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentAnnounce-1)[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudOverview-3)</sup>

## Storia e cronologia dello sviluppo

Lo sviluppo di Hunyuan si è svolto nel contesto della corsa globale agli LLM e della strategia cinese di indipendenza tecnologica nel campo dell'intelligenza artificiale. La linea si è evoluta da modelli dense proprietari verso architetture aperte Mixture-of-Experts (MoE) e ibride Transformer-Mamba.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentAnnounce-1)</sup>

### Prima generazione (2023)

L'annuncio pubblico della serie Hunyuan è avvenuto il 7 settembre 2023 al Tencent Global Digital Ecosystem Summit di Shenzhen. La prima versione era un modello dense proprietario con oltre 100 miliardi di parametri, pre-addestrato su oltre 2 trilioni di token. Il modello era orientato alla lingua cinese, al ragionamento logico e alla generazione di contenuti, era integrato in oltre 50 prodotti Tencent e disponibile tramite API Tencent Cloud.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentAnnounce-1)</sup>

### Hunyuan-Large e il passaggio a MoE (2024)

Nel novembre 2024 Tencent ha rilasciato Hunyuan-Large — il più grande modello Transformer-MoE aperto dell'epoca, con 389 miliardi di parametri totali e 52 miliardi di parametri attivi. Il modello è stato pubblicato con pesi aperti su Hugging Face e GitHub, accompagnato da un preprint su arXiv. Il rilascio ha segnato una svolta strategica di Tencent verso lo sviluppo aperto.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeGitHub-4)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeHF-5)</sup>

### Modelli ibridi e di reasoning (2025)

Nel 2025 la linea si è ampliata con diversi rilasci chiave:

- **Hunyuan-TurboS** (febbraio 2025) — il primo modello ibrido Transformer-Mamba-MoE industriale su larga scala con 560 miliardi di parametri totali e 56 miliardi di parametri attivi, pre-addestrato su 16 trilioni di token. È stato introdotto un meccanismo adattivo di Chain-of-Thought (CoT) per la commutazione dinamica tra ragionamento rapido e profondo.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)</sup>
- **Hunyuan-T1** (marzo 2025) — modello di reasoning specializzato, costruito sopra TurboS con addestramento su larga scala con rinforzo (96,7% dei calcoli post-addestramento tramite reinforcement learning).<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-T1Page-7)</sup>
- **Hunyuan-A13B** (giugno 2025) — modello MoE compatto (80 miliardi di parametri totali / 13 miliardi attivi) per l'equilibrio tra prestazioni e costi, con supporto per ragionamento rapido e lento.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-A13BGitHub-8)</sup>
- **Modelli dense compatti** (luglio 2025) — varianti da 0,5B, 1,8B, 4B, 7B per dispositivi edge e scenari di distribuzione ad alta concorrenza, con supporto per contesti da 256K.<sup>[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-Hunyuan7BGitHub-9)</sup>

### Hunyuan 2.0 (novembre–dicembre 2025)

Nel dicembre 2025 è stata annunciata la seconda generazione del modello commerciale — Hunyuan 2.0 (HY 2.0) con architettura MoE (406 miliardi di parametri totali / 32 miliardi attivi) e finestra di contesto di 256K token. La linea è suddivisa in due varianti: HY 2.0 Think (ragionamento approfondito, codice) e HY 2.0 Instruct (dialogo, generazione creativa). I modelli sono disponibili tramite API Tencent Cloud e integrati nelle applicazioni Yuanbao e ima.<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanXAnnounce-11)</sup>

### Cronologia riassuntiva

| Data                   | Evento                                                                                          |
|------------------------|-------------------------------------------------------------------------------------------------|
| Settembre 2023         | Annuncio pubblico di Hunyuan come LLM proprietario (\>100B parametri); lancio API Tencent Cloud |
| Febbraio 2024          | Modello MoE interno per il chatbot Yuanbao                                                      |
| Aprile 2024            | Rebranding: «advanced» → hunyuan-pro, «standard» → hunyuan-standard; aggiunto hunyuan-lite      |
| Maggio 2024            | hunyuan-lite migrato a MoE, esteso a 256K di contesto                                           |
| Settembre 2024         | Lancio del nuovo hunyuan-turbo (MoE di nuova generazione)                                       |
| Novembre 2024          | Rilascio aperto di Hunyuan-Large (389B/52B MoE), preprint arXiv:2411.02265                      |
| Febbraio–marzo 2025    | Hunyuan-TurboS (ibrido Mamba-MoE); Hunyuan-T1 (reasoning)                                       |
| Giugno 2025            | Hunyuan-A13B (80B/13B, fine-grained MoE)                                                        |
| Luglio 2025            | Modelli dense compatti 0,5B–7B                                                                  |
| Settembre 2025         | Hunyuan-MT (modello specializzato per la traduzione)                                            |
| Novembre–dicembre 2025 | Hunyuan 2.0 (HY 2.0 Think / Instruct), 406B/32B MoE                                             |

*Fonte: dinamiche di prodotto Tencent Cloud; repository ufficiali.*<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudDynamics-12)</sup>

## Fondamenti teorici e architettura

### Architettura Mixture-of-Experts

I modelli principali della serie (Hunyuan-Large, A13B, HY 2.0) utilizzano l'architettura Mixture-of-Experts (MoE), in cui alcuni strati del transformer contengono molteplici «esperti» (sottoreti), mentre un router (gating network) seleziona un sottoinsieme di esperti attivi per ciascun token. La formula generale dello strato MoE:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

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

dove $G(x)$ è la funzione di routing (gating), $E_{i}$ è il $i$-esimo esperto, $N$ è il numero totale di esperti. Con questo approccio, il numero totale di parametri del modello $P_{total}$ supera significativamente il numero di parametri attivi in un singolo passaggio $P_{active}$:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

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

il che consente di aumentare la capacità del modello senza una crescita proporzionale dei costi computazionali di inferenza.

In Hunyuan-Large è implementato uno schema con 1 esperto condiviso (shared) e 16 esperti specializzati, con attivazione di 1 specialista per token (routing top-1). Le innovazioni aggiuntive includono un routing misto con meccanismo di riciclo (rielaborazione dei token rifiutati) e learning rate specifici per esperti per migliorare l'equilibrio del contributo degli esperti.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeHF-5)</sup>

### Architettura ibrida Transformer-Mamba

Hunyuan-TurboS e T1 introducono un'architettura ibrida che combina blocchi Transformer (attention) e Mamba (state-space model). Mamba garantisce una complessità lineare rispetto alla lunghezza della sequenza:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)</sup>

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

dove $A$, $B$ sono matrici addestrabili, $h_{t}$ è lo stato nascosto al passo $t$, $x_{t}$ è il token di input. Ciò garantisce un memory scaling $O(1)$ rispetto alla lunghezza (contro $O(N)$ nel Transformer standard).<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)</sup>

TurboS contiene 128 strati, organizzati in blocchi: 57 strati Mamba2, 7 strati Attention e 64 strati FFN-MoE con 32 esperti. I blocchi AMF (Attention → Mamba2 → FFN) e MF (Mamba2 → FFN) si alternano per garantire l'equilibrio tra contesto globale e locale.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)</sup>

### Meccanismi di attenzione e KV-cache

Hunyuan-Large utilizza Grouped Query Attention (GQA) — una variante di attenzione in cui più query condividono chiavi e valori comuni — e Cross-Layer Attention (CLA) per ridurre il volume del KV-cache. Il volume standard del KV-cache per uno strato di self-attention con $H$ teste, lunghezza di sequenza $L$ e dimensione della testa $d_{h}$:<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeHF-5)</sup>

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

dove $S_{KV}$ è il volume del KV-cache. Con GQA e $H_{g} < H$ gruppi, il volume si riduce a:

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

CLA prevede inoltre il riutilizzo del KV-cache tra gli strati. Nel complesso, queste ottimizzazioni consentono un risparmio di memoria fino a circa il 95%.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeGitHub-4)</sup>

### Codifica posizionale e contesto lungo

I modelli utilizzano Rotary Position Embedding (RoPE) con scalatura per supportare sequenze lunghe. L'addestramento al contesto viene condotto per fasi (curriculum learning): da 32K a 256K token. La funzione di attivazione è SwiGLU. Il vocabolario del tokenizer è da 128K (tiktoken con estensione per la lingua cinese).<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

### Addestramento e scalabilità

Per i modelli MoE vengono studiate le scaling laws sotto forma di dipendenze empiriche a potenza:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

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

dove $Q$ è la metrica di qualità, $P_{active}$ è il numero di parametri attivi, $N$ è il volume dei dati, $a,b,c,\alpha,\beta$ sono i parametri determinati sperimentalmente. Hunyuan-Large sottolinea l'utilizzo di dati sintetici per un volume di 1,5 trilioni di token — ordini di grandezza superiori rispetto alle precedenti pubblicazioni su MoE.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

## Pipeline di addestramento e allineamento

Il processo di addestramento dei modelli Hunyuan comprende diverse fasi tipiche dei moderni LLM:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-T1Page-7)</sup>

### Pre-addestramento (Pre-training)

Addestramento su larga scala su un ampio corpus multilingue (cinese, inglese e altre lingue). Hunyuan-Large è pre-addestrato su 7 trilioni di token (inclusi 1,5 trilioni sintetici). TurboS — su 16 trilioni di token. La composizione esatta dei dataset non è stata resa pubblica.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)</sup>

### Fine-tuning supervisionato (Supervised Fine-Tuning, SFT)

Fine-tuning su oltre 1 milione di istruzioni (coppie «istruzione — risposta»), che porta il modello a seguire le istruzioni dell'utente.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

### Allineamento tramite apprendimento per rinforzo

Per allineare il comportamento del modello alle preferenze umane vengono applicati:

**Direct Preference Optimization (DPO)** — metodo di allineamento senza un modello di ricompensa esplicito, utilizzato in Hunyuan-Large.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

**Reinforcement Learning (RL)** — in Hunyuan-T1 viene applicato l'addestramento su larga scala con rinforzo e curriculum learning; secondo gli sviluppatori, il 96,7% dei calcoli post-addestramento è dedicato al reinforcement learning.<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-T1Page-7)</sup>

**Adaptive Long-Short Chain-of-Thought** — in TurboS è implementato un meccanismo di commutazione dinamica tra ragionamento rapido e profondo, che consente al modello di adattare la profondità del ragionamento alla complessità del compito.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)</sup>

## Composizione della famiglia di modelli

La famiglia è suddivisa in modelli API cloud chiusi e modelli aperti con pesi.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudOverview-3)</sup>

### Modelli principali (panoramica)

| Modello           | Data di rilascio | Architettura                         | Parametri (totali / attivi) | Contesto                         | Disponibilità                      |
|-------------------|------------------|--------------------------------------|-----------------------------|----------------------------------|------------------------------------|
| Hunyuan (2023)    | Settembre 2023   | Dense Transformer                    | \>100 miliardi / —          | non divulgato                    | API proprietaria                   |
| Hunyuan-Large     | Novembre 2024    | Transformer-MoE                      | 389 miliardi / 52 miliardi  | 256K (pretrain), 128K (instruct) | Pesi aperti (GitHub, HF)           |
| Hunyuan-TurboS    | Febbraio 2025    | Hybrid Transformer-Mamba-MoE         | 560 miliardi / 56 miliardi  | 256K (archit.), 32K/16K (API)    | API proprietaria + varianti aperte |
| Hunyuan-T1        | Marzo 2025       | Basato su TurboS + RL su larga scala | —                           | 32K/64K (API)                    | API proprietaria                   |
| Hunyuan-A13B      | Giugno 2025      | Fine-grained MoE                     | 80 miliardi / 13 miliardi   | 256K (aperto), 224K/32K (API)    | Pesi aperti + API                  |
| Compatti (0,5–7B) | Luglio 2025      | Dense                                | 0,5–7 miliardi              | 256K                             | Pesi aperti                        |
| HY 2.0 Think      | Novembre 2025    | MoE                                  | 406 miliardi / 32 miliardi  | 128K ingresso / 64K uscita (API) | API proprietaria                   |
| HY 2.0 Instruct   | Novembre 2025    | MoE                                  | 406 miliardi / 32 miliardi  | 128K ingresso / 16K uscita (API) | API proprietaria                   |

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

**Nota.** Per alcuni modelli i limiti di contesto architetturali (dai report tecnici) differiscono dai limiti di servizio API (dalla documentazione di prodotto). Ciò non costituisce una contraddizione, ma riflette le differenze tra la configurazione di ricerca e quella di produzione.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudOverview-3)</sup>

### Modelli specializzati

**Hunyuan-MT** (settembre 2025) — modello specializzato per la traduzione automatica, che ha conquistato il 1° posto a WMT25 in 30 delle 31 categorie.<sup>[\[13\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanMTGitHub-13)</sup>

**HunyuanImage, HunyuanVideo, Hunyuan3D** — modelli multimodali della famiglia rispettivamente per la generazione di immagini, video e oggetti 3D.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-Hunyuan3DGitHub-14)</sup>

### Posizionamento e relazioni evolutive

Nella documentazione Tencent Cloud emergono le seguenti relazioni evolutive:

- `hunyuan-a13b` è indicato come aggiornamento di `hunyuan-standard-256K`.
- `hunyuan-t1` è costruito sopra TurboS con post-addestramento RL potenziato.
- HY 2.0 Think/Instruct — ramo in cui la base è stata aggiornata da TurboS a Hunyuan 2.0.
- Il ramo aperto (Hunyuan-Large, A13B, dense compatti) si sviluppa parallelamente al ramo API chiuso, garantendo l'accesso per la ricerca.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudOverview-3)</sup>

## Novità nelle generazioni chiave

### Hunyuan-Large (2024)

Rispetto alla prima generazione e ai precedenti approcci MoE, Hunyuan-Large introduce:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeGitHub-4)</sup>

- Scala di 389 miliardi di parametri (52 miliardi attivi) — il più grande modello Transformer-MoE aperto al momento della pubblicazione.
- Supporto per contesti da 256K (pretrain) e 128K (instruct) — un valore significativamente superiore ai valori tipici degli LLM di massa del 2024.
- Compressione del KV-cache basata su GQA + CLA (risparmio di memoria ~95%).
- Dati sintetici su larga scala (1,5 trilioni di token sintetici).
- Routing misto degli esperti e learning rate specifici per esperti.

### Hunyuan-TurboS (2025)

Principale cambiamento architetturale:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)</sup>

- Ibrido Mamba2 + Attention + MoE: 560B totali / 56B attivi, 128 strati.
- Pre-addestramento su 16 trilioni di token.
- Adaptive Long-Short Chain-of-Thought per la gestione dinamica della profondità del ragionamento.
- Accelerazione dichiarata della decodifica di 1,8–2 volte rispetto alla versione Turbo precedente.

### Hunyuan-T1 (2025)

Modello di reasoning basato su TurboS:<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-T1Page-7)</sup>

- Il 96,7% del compute post-addestramento è dedicato al reinforcement learning.
- Accelerazione della decodifica di due volte con un deployment envelope comparabile.
- Curriculum learning per migliorare le strategie di ragionamento.

### HY 2.0 (2025)

Aggiornamento del modello commerciale di punta:<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanXAnnounce-11)</sup>

- Architettura MoE: 406B parametri totali / 32B attivi.
- Finestra di contesto da 256K token.
- Significativa crescita sui benchmark specializzati: IMO-AnswerBench 73,4% (+20% rispetto alla versione precedente di HY), SWE-bench Verified 53,0 (da 6,0), τ²-Bench 72,4 (da 17,1).
- Miglioramenti in RLHF e nelle strategie di post-addestramento.

## Valutazione e benchmark

La valutazione è stata condotta su benchmark standard utilizzando protocolli zero-shot e few-shot. I risultati si basano su report tecnici e repository ufficiali; per alcuni modelli le verifiche esterne indipendenti rimangono ancora limitate.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

### Benchmark di 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        |

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

Secondo il report tecnico, Hunyuan-Large (pretrain) è in testa in 15 dei 19 benchmark nel confronto con Llama 3.1-405B, Mixtral-8x22B e DeepSeek-V2.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

### Benchmark di Hunyuan-Large-Instruct

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

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

Secondo quanto dichiarato dagli sviluppatori, Hunyuan-Large-Instruct supera LLaMA 3.1-405B su MMLU di 2,6 punti percentuali.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeGitHub-4)</sup>

### Benchmark di TurboS e T1

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

*Fonti: arXiv:2505.15431; pagina ufficiale di T1.*<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-T1Page-7)</sup>

### Benchmark di 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        | —             | —           |

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

A13B supera Hunyuan-Large in diversi compiti sensibili al post-addestramento (MMLU-Pro, MATH, MBPP), il che è coerente con il suo posizionamento come variante più recente e applicata.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-A13BGitHub-8)</sup>

### Benchmark del ramo dense compatto

| Modello      | 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 |

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

### Benchmark di HY 2.0

I dati sono dichiarati dagli sviluppatori (l'unica fonte esplicita è l'account ufficiale di Hunyuan):<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanXAnnounce-11)</sup>

| Benchmark          | HY 2.0 | Versione precedente di HY |
|--------------------|--------|---------------------------|
| IMO-AnswerBench    | 73,4   | ~53 (stima, +20%)         |
| SWE-bench Verified | 53,0   | 6,0                       |
| τ²-Bench           | 72,4   | 17,1                      |

**Nota.** Questi dati sono classificati come «dichiarati dagli sviluppatori, in attesa di ampia conferma esterna».<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanXAnnounce-11)</sup>

## Dettagli tecnici di utilizzo

### Finestra di contesto per ramo

| Modello                | Ingresso (token)                  | Uscita (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 (aperto) | 256K (pretrain) / 128K (instruct) | —              |
| Compatti 0,5–7B        | 256K                              | —              |

*Fonte: panoramica del prodotto Tencent Cloud.*<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudOverview-3)</sup>

### Strumenti supportati

Nell'API Tencent Cloud sono documentati:<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudChat-15)</sup>

- **Function Calling** (`tools`, `tool_choice`).
- **AI Search Enhancement** — ricerca integrata su fonti esterne (retrieval-augmented generation).
- **SearchInfo e Citation** — marcatori di citazione nelle risposte.
- **EnableMultimedia** — sostituzioni multimediali nell'output.
- **EnableThinking** — commutatore di chain-of-thought per A13B.
- **EnableRecommendedQuestions** — generazione di domande raccomandate.

### Compatibilità API

L'API Hunyuan supporta il formato compatibile con OpenAI:<sup>[\[16\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#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>.
- Sono supportati `/v1/chat/completions` e `/v1/embeddings`.
- Modello di embedding: `hunyuan-embedding`, dimensione 1024.
- Streaming tramite SSE.
- Concorrenza predefinita: 5 per account.

Per Hunyuan-Large (aperto), il formato standard di input/output è compatibile con i framework PyTorch/Transformers. È supportata la quantizzazione: FP8, INT4 (GPTQ/AWQ).<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeHF-5)</sup>

## Applicazioni e integrazione

I modelli Hunyuan sono integrati nell'ecosistema Tencent e disponibili per gli sviluppatori esterni. Principali scenari documentati:<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentAnnounce-1)[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudTechpedia-17)</sup>

### Prodotti Tencent

- **Yuanbao** — chatbot con supporto per Hunyuan e DeepSeek.
- **Tencent Meeting** — generazione di riepiloghi delle riunioni.
- **Tencent Docs** — generazione e analisi del testo.
- **ima** — assistente IA finanziario e multimediale.

### Applicazioni enterprise

- Generazione di testi: articoli, testi pubblicitari, sceneggiature, descrizioni di prodotti.
- Assistenza clienti intelligente: chatbot, FAQ, automazione delle risposte.
- Generazione e analisi del codice (in particolare HY 2.0 Think e T1).
- Ragionamento matematico e logico, compiti analitici.
- Traduzione multilingue (oltre 30 lingue, Hunyuan-MT).

### Modelli aperti

Le varianti aperte vengono utilizzate per la ricerca, il fine-tuning e la distribuzione su dispositivi edge (modelli dense compatti). Le estensioni multimodali (HunyuanImage, HunyuanVideo, Hunyuan3D) vengono utilizzate per la modellazione 3D e la generazione di video.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-Hunyuan3DGitHub-14)</sup>

## Limitazioni e problemi aperti

- **Chiusura dei modelli commerciali.** Per HY 2.0 e T1 non sono disponibili pesi aperti né specifiche architetturali dettagliate; l'accesso è limitato all'API, il che rende difficile la riproducibilità indipendente.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudOverview-3)</sup>
- **Opacità dei dati di addestramento.** Sebbene venga sottolineato l'utilizzo di dati sintetici su larga scala, la composizione esatta dei dataset, la quota di lingue e dei domini tematici non è stata resa pubblica.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>
- **Requisiti computazionali.** I modelli aperti richiedono risorse significative: almeno 32 GPU per il fine-tuning completo di Hunyuan-Large; decine di GB di VRAM anche con FP8.<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargeHF-5)</sup>
- **Allucinazioni.** Come altri LLM, i modelli sono soggetti alla generazione di affermazioni plausibili ma fattualmente errate. Le ricerche sistematiche su questo aspetto per Hunyuan in pubblicazioni peer-reviewed aperte sono ancora limitate.<sup>[\[18\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-LangChainHunyuan-18)</sup>
- **Differenze tra limiti architetturali e di servizio.** Per alcuni modelli (TurboS, A13B) i limiti di servizio API sono significativamente inferiori alle capacità architetturali.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudOverview-3)</sup>
- **Disponibilità regionale.** Focus principale sul mercato cinese; l'API per gli utenti al di fuori della Cina presenta limitazioni linguistiche e legali.<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudTechpedia-17)</sup>
- **Assenza di report dettagliati sulla sicurezza.** La documentazione delinea principi generali di sicurezza e filtraggio, ma non esistono report tecnici pubblici sulla sicurezza paragonabili per estensione ad alcuni modelli internazionali.<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudChat-15)</sup>
- **Compatibilità del ramo open-source.** Dopo i rilasci sono stati riscontrati problemi di integrazione con `transformers` / `vllm`, dove le librerie non riconoscevano il tipo di architettura `hunyuan_v1_dense`, richiedendo `trust_remote_code` o rami specifici.<sup>[\[19\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-Hunyuan18BIssues-19)</sup>

## Incidenti e problemi noti

Alla data dei materiali disponibili (fine 2025 – inizio 2026) non sono stati registrati grandi incidenti pubblici specificamente legati a Hunyuan (massicce fughe di dati, minacce alla sicurezza uniche).<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudTechpedia-17)</sup>

### Correzioni di prodotto documentate

Nelle dinamiche di prodotto Tencent Cloud sono riportate micro-correzioni:<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudDynamics-12)</sup>

- **2024-11-20:** `hunyuan-turbo-latest` aggiornato per correggere le ripetizioni causate da caratteri speciali, migliorare la stabilità dell'output Markdown e ridurre i rifiuti ingiustificati.
- **2025-04-03:** aggiornamento di T1 con correzioni del mescolamento cinese semplificato/tradizionale e cinese/inglese, oltre al miglioramento della generazione di codice a livello di progetto.
- **2025-04-20:** Search Enhancement passato da attivo per default a disattivo per default — di fatto una modifica comportamentale dell'API per le integrazioni.

### Ricerche sulla sicurezza MoE

A livello di critica scientifica (livello preprint), Hunyuan-A13B compare in lavori sugli attacchi alla localizzazione della sicurezza nei modelli MoE. In particolare, nei lavori *Large Language Lobotomy* e *GateBreaker* viene riportato un elevato tasso di successo degli attacchi nel «silenziare» gli esperti di sicurezza. Ciò non costituisce la conferma di un incidente in produzione, ma dimostra che la sicurezza del routing MoE è considerata un vettore di ricerca vulnerabile.<sup>[\[20\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-LLLobotomy-20)[\[21\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-GateBreaker-21)</sup>

## Aspetti etici e normativi

Hunyuan opera nel contesto giuridico e normativo della Cina, incluse le norme nazionali sulla gestione dell'IA generativa (CAC) e sul filtraggio dei contenuti, nonché le politiche interne di Tencent sulla sicurezza dei dati. La documentazione Tencent Cloud sottolinea che l'utilizzo dell'API Hunyuan deve essere conforme alle leggi applicabili e alle politiche della piattaforma.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentAnnounce-1)</sup>

Le misure concrete includono:

- Moderazione integrata dei contenuti con output in streaming e possibile `FinishReason=sensitive`.
- Allineamento tramite RLHF/DPO per ridurre le allucinazioni e i comportamenti indesiderati.
- Filtraggio dei dati di addestramento per ridurre al minimo i bias.
- Licenze aperte (Tencent Hunyuan Community License Agreement) per i modelli aperti, con la precisazione che l'accordo non si applica nell'UE per alcune varianti.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-A13BGitHub-8)[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TencentCloudChat-15)</sup>

I report indipendenti specializzati su bias (pregiudizi) e fairness (equità) per Hunyuan sono ancora pochi; ulteriori ricerche sono attese man mano che si ampliano i pesi aperti e i test indipendenti.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)</sup>

## Reazione della comunità

Il segnale esterno più significativo per il ramo chiuso è il risultato di TurboS su LMSYS Chatbot Arena (1356, top-7 a livello globale). Per il ramo aperto, un indicatore indiretto è l'attività su GitHub: circa 1.600 star per Hunyuan-Large, 812 per A13B, 683 per Hunyuan-MT. Ciò riflette un livello di coinvolgimento rilevante ma non dominante nel panorama degli LLM open source. Le valutazioni soggettive della comunità (Hugging Face, Reddit) evidenziano i punti di forza nella lingua cinese e nei compiti agentici.<sup>[\[22\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSGitHub-22)</sup>

## Prospettive e direzioni di ricerca

Direzioni di sviluppo futuro indicate nei materiali pubblici:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-TurboSPaper-6)[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(IT)#cite_note-Hunyuan3DGitHub-14)</sup>

- Ulteriore ibridizzazione delle architetture (Mamba + Transformer + MoE) e studio delle scaling laws per MoE.
- Espansione delle capacità multimodali: integrazione di Hunyuan3D, HunyuanVideo e HunyuanImage con i modelli linguistici.
- Miglioramento dell'utilizzo degli strumenti (tool use) e delle capacità agentiche.
- Riduzione dei costi di inferenza: quantizzazione (2-bit per edge), ottimizzazioni tramite TRT-LLM/vLLM.
- Espansione del portafoglio di modelli open source.
- Sviluppo e pubblicazione di report dettagliati su sicurezza e allineamento.

## Vedi anche

- LLaMA (Meta)
- DeepSeek

## Collegamenti esterni

- <a href="https://cloud.tencent.com/document/product/1729/104753" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/104753</a> — Documentazione ufficiale 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 su 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 su GitHub
- <a href="https://github.com/Tencent-Hunyuan/Hunyuan-A13B" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-A13B</a> — Hunyuan-A13B su GitHub
- <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> — Pagina ufficiale di Hunyuan-T1
- <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> — Annuncio di Hunyuan (settembre 2023)

## Bibliografia

- 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>

## Note

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