---
title: "Hunyuan (Tencent) (KO)"
source: "https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)"
wiki: "systems-analysis.info/int"
article: "Hunyuan_(Tencent)_(KO)"
language: "ko"
categories:
  - "Category:Korean"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3051
wiki_created_at: 2026-09-06T23:14:55Z
wiki_modified_at: 2026-09-06T23:14:55Z
downloaded_at: 2026-09-07T22:54:43Z
---

# Hunyuan (Tencent) (KO)

**Hunyuan** (중국어: 腾讯混元大模型, Tencent Hunyuan, Tencent HY) — Tencent Hunyuan Foundation Model Team이 개발하고 Tencent Cloud 클라우드 서비스를 통해 제공되며, Hugging Face 및 GitHub 플랫폼에서 공개 가중치(open weights) 형태로도 이용 가능한 기반 모델(Foundation Models) 및 대형 언어 모델(Large Language Model, LLM) 패밀리이다. 이 패밀리는 텍스트 생성 및 이해, 논리적·수학적 추론, 프로그래밍, 긴 컨텍스트 처리를 위한 모델과 멀티모달 확장(이미지, 비디오, 3D)을 포함한다. Hunyuan은 Tencent의 플래그십 생성형 AI 라인업으로 포지셔닝되며, 회사의 제품 생태계(Yuanbao, WeChat, Tencent Meeting, Tencent Cloud)에 통합되어 있다.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentAnnounce-1)[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudOverview-3)</sup>

## 역사 및 발전 연혁

Hunyuan의 개발은 글로벌 LLM 경쟁 및 인공지능 분야에서의 중국 기술 자립 전략이라는 맥락 속에서 진행되었다. 이 라인업은 독점적(proprietary) dense 모델에서 오픈 소스 Mixture-of-Experts(MoE) 및 하이브리드 Transformer-Mamba 아키텍처로 발전해 왔다.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentAnnounce-1)</sup>

### 1세대 (2023)

Hunyuan 시리즈의 공개 발표는 2023년 9월 7일 선전에서 열린 Tencent Global Digital Ecosystem Summit에서 이루어졌다. 첫 번째 버전은 1,000억 개 이상의 파라미터와 2조 개 이상의 토큰으로 사전 학습된 독점 dense 모델로, 중국어, 논리적 추론 및 콘텐츠 생성에 특화되었으며, Tencent의 50개 이상 제품에 통합되고 Tencent Cloud API를 통해 제공되었다.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentAnnounce-1)</sup>

### Hunyuan-Large와 MoE로의 전환 (2024)

2024년 11월 Tencent는 당시 가장 큰 오픈 소스 Transformer-MoE 모델인 Hunyuan-Large를 출시하였다. 총 3,890억 개의 파라미터와 520억 개의 활성 파라미터를 갖춘 이 모델은 Hugging Face와 GitHub에 공개 가중치로 게시되었으며, arXiv에 프리프린트가 함께 공개되었다. 이 릴리스는 Tencent의 오픈 개발로의 전략적 전환을 의미한다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeGitHub-4)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeHF-5)</sup>

### 하이브리드 및 reasoning 모델 (2025)

2025년에는 다음과 같은 주요 릴리스들로 라인업이 확장되었다:

- **Hunyuan-TurboS** (2025년 2월) — 총 5,600억 개 및 560억 개의 활성 파라미터를 가진, 16조 개의 토큰으로 사전 학습된 최초의 산업 규모 대형 하이브리드 Transformer-Mamba-MoE 모델. 빠른 사고와 깊은 사고 사이를 동적으로 전환하는 적응형 Chain-of-Thought(CoT) 메커니즘이 도입되었다.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)</sup>
- **Hunyuan-T1** (2025년 3월) — TurboS를 기반으로 대규모 강화 학습(사후 학습 연산의 96.7%가 reinforcement learning)을 적용한 특화된 reasoning 모델.<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-T1Page-7)</sup>
- **Hunyuan-A13B** (2025년 6월) — 성능과 비용의 균형을 위한 컴팩트 MoE 모델(총 800억 개 / 130억 개 활성 파라미터)로, 빠른 사고와 느린 사고를 모두 지원한다.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-A13BGitHub-8)</sup>
- **소형 dense 모델** (2025년 7월) — 엣지(edge) 기기 및 고경쟁 배포 시나리오를 위한 0.5B, 1.8B, 4B, 7B 변형으로, 256K 컨텍스트를 지원한다.<sup>[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-Hunyuan7BGitHub-9)</sup>

### Hunyuan 2.0 (2025년 11월~12월)

2025년 12월, MoE 아키텍처(총 4,060억 개 / 320억 개 활성 파라미터)와 256K 토큰 컨텍스트 윈도우를 갖춘 상업용 모델의 2세대인 Hunyuan 2.0(HY 2.0)이 발표되었다. 이 라인업은 두 가지 변형으로 나뉜다: HY 2.0 Think(심층 추론, 코드)와 HY 2.0 Instruct(대화, 창의적 생성). 모델들은 Tencent Cloud API를 통해 제공되며 Yuanbao 및 ima 애플리케이션에 통합되어 있다.<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanXAnnounce-11)</sup>

### 종합 연혁

| 날짜             | 이벤트                                                                               |
|------------------|--------------------------------------------------------------------------------------|
| 2023년 9월       | 독점 LLM(\>1,000억 파라미터)으로서 Hunyuan 공개 발표; Tencent Cloud API 출시         |
| 2024년 2월       | 챗봇 Yuanbao용 내부 MoE 모델                                                         |
| 2024년 4월       | 리브랜딩: 'advanced' → hunyuan-pro, 'standard' → hunyuan-standard; hunyuan-lite 추가 |
| 2024년 5월       | hunyuan-lite를 MoE로 전환, 256K 컨텍스트로 확장                                      |
| 2024년 9월       | 새로운 hunyuan-turbo 출시 (차세대 MoE)                                               |
| 2024년 11월      | Hunyuan-Large 오픈 릴리스 (389B/52B MoE), 프리프린트 arXiv:2411.02265                |
| 2025년 2월~3월   | Hunyuan-TurboS (하이브리드 Mamba-MoE); Hunyuan-T1 (reasoning)                        |
| 2025년 6월       | Hunyuan-A13B (80B/13B, fine-grained MoE)                                             |
| 2025년 7월       | 소형 dense 모델 0.5B~7B                                                              |
| 2025년 9월       | Hunyuan-MT (특화 번역 모델)                                                          |
| 2025년 11월~12월 | Hunyuan 2.0 (HY 2.0 Think / Instruct), 406B/32B MoE                                  |

*출처: Tencent Cloud 제품 동향; 공식 저장소.*<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudDynamics-12)</sup>

## 이론적 기반 및 아키텍처

### Mixture-of-Experts 아키텍처

시리즈의 핵심 모델들(Hunyuan-Large, A13B, HY 2.0)은 트랜스포머 레이어의 일부가 여러 '전문가'(서브네트워크)를 포함하고, 라우터(gating network)가 각 토큰에 대해 활성화할 전문가의 부분집합을 선택하는 Mixture-of-Experts(MoE) 아키텍처를 사용한다. MoE 레이어의 일반적인 공식은 다음과 같다:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

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

여기서 $G(x)$는 라우팅 함수(gating), $E_{i}$은 $i$번째 전문가, $N$는 전문가의 총 수이다. 이 방식에서 모델의 총 파라미터 수 $P_{total}$은 단일 순전파(forward pass) 시 활성화되는 파라미터 수 $P_{active}$을 크게 초과한다:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

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

이를 통해 추론(inference) 연산 비용의 비례적 증가 없이 모델의 용량을 확장할 수 있다.

Hunyuan-Large에서는 1개의 공유(shared) 전문가와 16개의 특화 전문가로 구성된 체계가 구현되었으며, 토큰당 상위 1개의 전문가가 활성화된다(top-1 라우팅). 추가적인 혁신으로는 거부된 토큰을 재처리하는 재활용 메커니즘(recycle mechanism)을 결합한 혼합 라우팅과 전문가 기여 균형 개선을 위한 전문가별 learning rate가 포함된다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeHF-5)</sup>

### 하이브리드 Transformer-Mamba 아키텍처

Hunyuan-TurboS와 T1은 Transformer(attention) 블록과 Mamba(상태 공간 모델) 블록을 결합한 하이브리드 아키텍처를 도입한다. Mamba는 시퀀스 길이에 대해 선형 복잡도를 제공한다:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)</sup>

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

여기서 $A$, $B$은 학습 가능한 행렬, $h_{t}$는 스텝 $t$의 은닉 상태, $x_{t}$는 입력 토큰이다. 이는 표준 Transformer의 $O(N)$에 비해 길이에 대한 $O(1)$ 메모리 스케일링을 제공한다.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)</sup>

TurboS는 128개의 레이어로 구성되며, Mamba2 레이어 57개, Attention 레이어 7개, 32개의 전문가를 포함하는 FFN-MoE 레이어 64개로 이루어진 블록으로 구성된다. 전역 및 지역 컨텍스트의 균형을 위해 AMF(Attention → Mamba2 → FFN) 블록과 MF(Mamba2 → FFN) 블록이 교대로 배치된다.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)</sup>

### 어텐션 메커니즘과 KV 캐시

Hunyuan-Large는 여러 쿼리가 공통 키와 값을 공유하는 어텐션 방식인 Grouped Query Attention(GQA)과 KV 캐시 크기를 줄이기 위한 Cross-Layer Attention(CLA)을 사용한다. $H$개의 헤드, 시퀀스 길이 $L$, 헤드 크기 $d_{h}$를 갖는 self-attention 레이어의 표준 KV 캐시 크기는 다음과 같다:<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeHF-5)</sup>

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

여기서 $S_{KV}$은 KV 캐시 크기이다. $H_{g} < H$개 그룹의 GQA를 사용하면 크기가 다음으로 감소한다:

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

CLA는 레이어 간 KV 캐시 재사용을 추가로 전제한다. 이러한 최적화의 조합으로 약 95%의 메모리 절감 효과를 달성한다.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeGitHub-4)</sup>

### 위치 인코딩 및 긴 컨텍스트

모델들은 긴 시퀀스를 지원하기 위해 스케일링이 적용된 Rotary Position Embedding(RoPE)을 사용한다. 컨텍스트에 대한 학습은 32K에서 256K 토큰까지 단계적으로(curriculum learning) 진행된다. 활성화 함수로는 SwiGLU가 사용된다. 토크나이저 어휘집 크기는 128K이다(중국어 확장을 포함한 tiktoken).<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

### 학습 및 스케일링

MoE 모델의 경우 경험적 멱함수 관계 형태의 스케일링 법칙이 연구된다:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

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

여기서 $Q$는 품질 지표, $P_{active}$은 활성 파라미터 수, $N$은 데이터 규모, $a,b,c,\alpha,\beta$은 실험적으로 결정되는 파라미터이다. Hunyuan-Large는 이전 MoE 관련 발표들에 비해 훨씬 많은 양인 1.5조 토큰 규모의 합성 데이터 사용을 강조한다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

## 학습 파이프라인 및 정렬

Hunyuan 모델의 학습 과정은 현대 LLM에 공통적인 여러 단계로 구성된다:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-T1Page-7)</sup>

### 사전 학습 (Pre-training)

대규모 다국어 코퍼스(중국어, 영어 및 기타 언어)를 대상으로 한 대규모 학습. Hunyuan-Large는 7조 토큰(1.5조 합성 토큰 포함)으로 사전 학습되었다. TurboS는 16조 토큰으로 학습되었다. 데이터셋의 정확한 구성은 공개되지 않았다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)</sup>

### 지도 미세 조정 (Supervised Fine-Tuning, SFT)

100만 개 이상의 지시-응답 쌍을 사용한 미세 조정으로, 모델이 사용자 지시를 따르도록 유도한다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

### 강화 학습을 통한 정렬

모델의 행동을 인간의 선호에 맞추기 위해 다음이 적용된다:

**Direct Preference Optimization(DPO)** — 명시적인 보상 모델 없이 정렬하는 방법으로, Hunyuan-Large에서 사용된다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

**Reinforcement Learning(RL)** — Hunyuan-T1에서는 curriculum learning을 포함한 대규모 강화 학습이 적용된다. 개발사에 따르면 사후 학습 연산의 96.7%가 RL에 해당한다.<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-T1Page-7)</sup>

**적응형 장·단기 Chain-of-Thought** — TurboS에서는 빠른 사고와 깊은 사고 간 동적 전환 메커니즘이 구현되어, 모델이 작업의 복잡도에 따라 추론 깊이를 적응적으로 조절할 수 있다.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)</sup>

## 모델 패밀리 구성

패밀리는 비공개 클라우드 API 모델과 가중치를 공개한 오픈 모델로 구분된다.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudOverview-3)</sup>

### 주요 모델 (개요)

| 모델            | 릴리스 날짜 | 아키텍처                         | 파라미터 (총/활성) | 컨텍스트                         | 이용 가능성              |
|-----------------|-------------|----------------------------------|--------------------|----------------------------------|--------------------------|
| Hunyuan (2023)  | 2023년 9월  | Dense Transformer                | \>1,000억 / —      | 미공개                           | 독점 API                 |
| Hunyuan-Large   | 2024년 11월 | Transformer-MoE                  | 3,890억 / 520억    | 256K (사전학습), 128K (instruct) | 공개 가중치 (GitHub, HF) |
| Hunyuan-TurboS  | 2025년 2월  | 하이브리드 Transformer-Mamba-MoE | 5,600억 / 560억    | 256K (아키텍처), 32K/16K (API)   | 독점 API + 공개 변형     |
| Hunyuan-T1      | 2025년 3월  | TurboS 기반 + 대규모 RL          | —                  | 32K/64K (API)                    | 독점 API                 |
| Hunyuan-A13B    | 2025년 6월  | Fine-grained MoE                 | 800억 / 130억      | 256K (공개), 224K/32K (API)      | 공개 가중치 + API        |
| 소형 (0.5~7B)   | 2025년 7월  | Dense                            | 5억~70억           | 256K                             | 공개 가중치              |
| HY 2.0 Think    | 2025년 11월 | MoE                              | 4,060억 / 320억    | 입력 128K / 출력 64K (API)       | 독점 API                 |
| HY 2.0 Instruct | 2025년 11월 | MoE                              | 4,060억 / 320억    | 입력 128K / 출력 16K (API)       | 독점 API                 |

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

**참고.** 일부 모델의 경우 기술 보고서에 명시된 아키텍처 컨텍스트 한계와 제품 문서에 기재된 API 서비스 한계가 다를 수 있다. 이는 모순이 아니라 연구 구성과 제품 구성 간의 차이를 반영하는 것이다.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudOverview-3)</sup>

### 특화 모델

**Hunyuan-MT** (2025년 9월) — 31개 부문 중 30개에서 WMT25 1위를 차지한 특화 기계 번역 모델.<sup>[\[13\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanMTGitHub-13)</sup>

**HunyuanImage, HunyuanVideo, Hunyuan3D** — 이미지, 비디오, 3D 객체 생성을 위한 패밀리의 멀티모달 모델.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-Hunyuan3DGitHub-14)</sup>

### 포지셔닝 및 발전 계보

Tencent Cloud 문서에서 다음과 같은 발전 계보를 확인할 수 있다:

- `hunyuan-a13b`는 `hunyuan-standard-256K`의 업그레이드로 명시되어 있다.
- `hunyuan-t1`은 강화된 RL 사후 학습을 적용하여 TurboS 위에 구축되었다.
- HY 2.0 Think/Instruct — 기반이 TurboS에서 Hunyuan 2.0으로 업데이트된 분기.
- 공개 분기(Hunyuan-Large, A13B, 컴팩트 dense)는 비공개 API 분기와 병행하여 개발되며, 연구 접근성을 제공한다.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudOverview-3)</sup>

## 주요 세대별 새로운 점

### Hunyuan-Large (2024)

1세대 및 이전 MoE 접근 방식과 비교하여 Hunyuan-Large가 도입한 것들:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeGitHub-4)</sup>

- 3,890억 파라미터 규모(520억 활성) — 발표 당시 가장 큰 오픈 소스 Transformer-MoE 모델.
- 256K 컨텍스트(사전학습) 및 128K(instruct) 지원 — 2024년 주류 LLM의 일반적인 값을 크게 상회.
- GQA + CLA 기반 KV 캐시 압축(~95% 메모리 절감).
- 대규모 합성 데이터(1.5조 토큰).
- 혼합 전문가 라우팅 및 전문가별 learning rate.

### Hunyuan-TurboS (2025)

핵심 아키텍처 전환:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)</sup>

- Mamba2 + Attention + MoE 하이브리드: 총 5,600억 / 활성 560억, 128개 레이어.
- 16조 토큰으로 사전 학습.
- 추론 깊이의 동적 제어를 위한 적응형 장·단기 Chain-of-Thought.
- 이전 Turbo 버전 대비 디코딩 속도 1.8~2배 향상(주장).

### Hunyuan-T1 (2025)

TurboS 기반 reasoning 모델:<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-T1Page-7)</sup>

- 사후 학습 연산의 96.7%가 reinforcement learning.
- 유사한 배포 환경에서 디코딩 속도 2배 향상.
- 추론 전략 개선을 위한 curriculum learning.

### HY 2.0 (2025)

상업용 플래그십 업데이트:<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanXAnnounce-11)</sup>

- MoE 아키텍처: 총 4,060억 / 활성 320억 파라미터.
- 256K 토큰 컨텍스트 윈도우.
- 특화 benchmark에서 큰 성장: IMO-AnswerBench 73.4%(이전 HY 버전 대비 +20%), SWE-bench Verified 53.0(6.0에서 상승), τ²-Bench 72.4(17.1에서 상승).
- RLHF 및 사후 학습 전략 개선.

## 평가 및 benchmark

평가는 zero-shot 및 few-shot 프로토콜을 사용하여 표준 benchmark에서 실시되었다. 결과는 공식 기술 보고서 및 저장소를 기반으로 하며, 일부 모델의 경우 독립적인 외부 검증이 아직 제한적이다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

### Hunyuan-Large (사전학습) benchmark

| 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        |

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

기술 보고서에 따르면 Hunyuan-Large(사전학습)는 Llama 3.1-405B, Mixtral-8x22B, DeepSeek-V2와의 비교에서 19개 benchmark 중 15개에서 1위를 차지하였다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

### Hunyuan-Large-Instruct benchmark

| Benchmark  | Hunyuan-Large-Instruct |
|------------|------------------------|
| MMLU       | 89.9                   |
| MATH       | 77.4                   |
| HumanEval  | 90.0                   |
| Arena-Hard | 81.8                   |

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

개발사에 따르면 Hunyuan-Large-Instruct는 MMLU에서 LLaMA 3.1-405B를 2.6 퍼센트 포인트 앞선다.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeGitHub-4)</sup>

### TurboS 및 T1 benchmark

| Benchmark           | TurboS          | T1   |
|---------------------|-----------------|------|
| LMSYS Chatbot Arena | 1356 (상위 7위) | —    |
| 23개 benchmark 평균 | 77.9%           | —    |
| MMLU-Pro            | —               | 87.2 |
| GPQA-Diamond        | —               | 69.3 |
| MATH-500            | —               | 96.2 |
| LiveCodeBench       | —               | 64.9 |
| Arena-Hard          | —               | 91.9 |

*출처: arXiv:2505.15431; T1 공식 페이지.*<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-T1Page-7)</sup>

### Hunyuan-A13B benchmark

| 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        | —             | —           |

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

A13B는 사후 학습에 민감한 일부 과제(MMLU-Pro, MATH, MBPP)에서 Hunyuan-Large를 상회하며, 이는 보다 최신의 응용 지향적 변형으로서의 포지셔닝과 일치한다.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-A13BGitHub-8)</sup>

### 컴팩트 dense 분기 benchmark

| 모델         | 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 |

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

### HY 2.0 benchmark

수치는 개발사에 의해 주장된 것으로, 유일한 명시적 출처는 공식 Hunyuan 계정이다:<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanXAnnounce-11)</sup>

| Benchmark          | HY 2.0 | 이전 HY 버전     |
|--------------------|--------|------------------|
| IMO-AnswerBench    | 73.4   | ~53 (추정, +20%) |
| SWE-bench Verified | 53.0   | 6.0              |
| τ²-Bench           | 72.4   | 17.1             |

**참고.** 이 데이터는 '개발사 주장, 광범위한 외부 확인 대기 중'으로 분류된다.<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanXAnnounce-11)</sup>

## 사용 기술 세부 사항

### 분기별 컨텍스트 윈도우

| 모델                 | 입력 (토큰)                       | 출력 (토큰) |
|----------------------|-----------------------------------|-------------|
| 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 (공개) | 256K (사전학습) / 128K (instruct) | —           |
| 컴팩트 0.5~7B        | 256K                              | —           |

*출처: Tencent Cloud 제품 개요.*<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudOverview-3)</sup>

### 지원 도구

Tencent Cloud API에 문서화된 기능:<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudChat-15)</sup>

- **Function Calling** (`tools`, `tool_choice`).
- **AI Search Enhancement** — 외부 소스를 통한 내장 검색(retrieval-augmented generation).
- **SearchInfo 및 Citation** — 응답 내 인용 마커.
- **EnableMultimedia** — 출력에 멀티미디어 삽입.
- **EnableThinking** — A13B용 chain-of-thought 전환 스위치.
- **EnableRecommendedQuestions** — 추천 질문 생성.

### API 호환성

Hunyuan API는 OpenAI 호환 형식을 지원한다:<sup>[\[16\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudOpenAI-16)</sup>

- 기본 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>.
- `/v1/chat/completions` 및 `/v1/embeddings` 지원.
- Embedding 모델: `hunyuan-embedding`, 차원 수 1024.
- SSE를 통한 스트리밍.
- 기본 동시 요청 수: 계정당 5개.

Hunyuan-Large(공개)의 경우 표준 입출력 형식이 PyTorch/Transformers 프레임워크와 호환된다. 양자화(quantization) 지원: FP8, INT4(GPTQ/AWQ).<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeHF-5)</sup>

## 활용 및 통합

Hunyuan 모델들은 Tencent 생태계에 통합되어 있으며 외부 개발자들도 이용 가능하다. 주요 문서화된 사용 사례:<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentAnnounce-1)[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudTechpedia-17)</sup>

### Tencent 제품

- **Yuanbao** — Hunyuan 및 DeepSeek를 지원하는 챗봇.
- **Tencent Meeting** — 회의 요약 생성.
- **Tencent Docs** — 텍스트 생성 및 분석.
- **ima** — 금융 및 멀티미디어 AI 어시스턴트.

### 기업 활용 사례

- 텍스트 생성: 기사, 광고 문구, 시나리오, 제품 설명.
- 지능형 고객 지원: 챗봇, FAQ, 응답 자동화.
- 코드 생성 및 분석(특히 HY 2.0 Think 및 T1).
- 수학적·논리적 추론, 분석 작업.
- 다국어 번역(30개 이상 언어, Hunyuan-MT).

### 공개 모델

공개 변형은 연구, fine-tuning 및 엣지 기기 배포(소형 dense 모델)에 활용된다. 멀티모달 확장(HunyuanImage, HunyuanVideo, Hunyuan3D)은 3D 모델링 및 비디오 생성에 사용된다.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-Hunyuan3DGitHub-14)</sup>

## 한계 및 미해결 과제

- **상업용 모델의 비공개성.** HY 2.0 및 T1의 경우 공개 가중치 및 상세 아키텍처 사양이 없으며, 접근이 API로 제한되어 독립적인 재현이 어렵다.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudOverview-3)</sup>
- **학습 데이터의 불투명성.** 대규모 합성 데이터 사용이 강조되고 있으나, 데이터셋의 정확한 구성, 언어 비율 및 도메인 영역이 공개되지 않았다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>
- **컴퓨팅 요구 사항.** 공개 모델은 상당한 자원을 필요로 한다: Hunyuan-Large의 전체 fine-tuning을 위해 최소 32개의 GPU가 필요하며, FP8을 사용하더라도 수십 GB의 VRAM이 필요하다.<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargeHF-5)</sup>
- **환각(Hallucination).** 다른 LLM과 마찬가지로 모델들은 그럴듯하지만 사실적으로 부정확한 내용을 생성하는 경향이 있다. Hunyuan에 대한 이 측면의 체계적인 공개 동료 심사 연구는 아직 제한적이다.<sup>[\[18\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-LangChainHunyuan-18)</sup>
- **아키텍처 한계와 서비스 한계 간의 차이.** 일부 모델(TurboS, A13B)의 경우 API 서비스 한계가 아키텍처 성능보다 현저히 낮다.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudOverview-3)</sup>
- **지역별 이용 가능성.** 주요 초점이 중국 시장에 맞춰져 있으며, 중국 외 사용자를 위한 API에는 언어적·법적 제한이 존재한다.<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudTechpedia-17)</sup>
- **상세 안전성 보고서 부재.** 문서에서 안전성 및 콘텐츠 필터링에 관한 일반적인 원칙은 명시되어 있으나, 일부 국제 모델들과 비교할 만한 수준의 공개 기술 안전성 보고서는 없다.<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudChat-15)</sup>
- **오픈 소스 분기의 호환성.** 릴리스 이후 `transformers` / `vllm`와의 통합 문제가 보고되었으며, 라이브러리가 `hunyuan_v1_dense` 아키텍처 유형을 인식하지 못해 `trust_remote_code`이나 특수 분기가 필요한 경우가 있었다.<sup>[\[19\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-Hunyuan18BIssues-19)</sup>

## 사건 및 알려진 문제

이용 가능한 자료(2025년 말~2026년 초) 기준으로, Hunyuan과 특별히 연관된 대규모 공개 사건(대규모 데이터 유출, 고유한 보안 위협 등)은 기록되지 않았다.<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudTechpedia-17)</sup>

### 문서화된 제품 수정 사항

Tencent Cloud 제품 동향에는 다음과 같은 소규모 수정 사항이 반영되어 있다:<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudDynamics-12)</sup>

- **2024-11-20:** `hunyuan-turbo-latest`가 특수 문자로 인한 반복 문제 수정, Markdown 출력 안정성 향상, 부당한 거부 감소를 위해 업데이트되었다.
- **2025-04-03:** T1 업데이트로 간체자/번체자 혼용 및 중국어/영어 혼용 문제 수정, 프로젝트 수준의 코드 생성 개선.
- **2025-04-20:** Search Enhancement가 기본 활성화에서 기본 비활성화로 변경 — 통합에 영향을 미치는 실질적인 API 동작 변경.

### MoE 안전성 연구

연구적 비판(프리프린트 수준)으로, Hunyuan-A13B는 MoE 모델의 안전성 국소화 공격에 관한 연구에서 언급된다. 특히 *Large Language Lobotomy* 및 *GateBreaker* 연구에서는 안전성 전문가를 '침묵'시키는 공격에서 높은 공격 성공률이 보고되었다. 이는 실제 서비스 사고의 확인이 아니라, MoE 라우팅의 안전성이 취약한 연구 벡터로 간주되고 있음을 보여준다.<sup>[\[20\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-LLLobotomy-20)[\[21\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-GateBreaker-21)</sup>

## 윤리 및 규제 측면

Hunyuan은 생성형 AI 관리에 관한 국가 규정(CAC) 및 콘텐츠 필터링, 그리고 Tencent 내부 데이터 보안 정책을 포함한 중국의 법적·규제적 맥락 하에서 운영된다. Tencent Cloud 문서는 Hunyuan API 사용이 관련 법률 및 플랫폼 정책을 준수해야 함을 강조한다.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentAnnounce-1)</sup>

구체적인 조치는 다음을 포함한다:

- 스트리밍 출력과 `FinishReason=sensitive` 가능성을 갖춘 내장 콘텐츠 모더레이션.
- 환각 및 바람직하지 않은 행동 감소를 위한 RLHF/DPO를 통한 정렬.
- 편향(bias) 최소화를 위한 학습 데이터 필터링.
- 공개 모델에 대한 오픈 라이선스(Tencent Hunyuan Community License Agreement). 단, 일부 변형의 경우 EU에서는 본 계약이 적용되지 않는다는 단서가 있다.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-A13BGitHub-8)[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TencentCloudChat-15)</sup>

Hunyuan에 대한 편향(bias) 및 공정성(fairness) 관련 독립 전문 보고서는 아직 많지 않으며, 공개 가중치 확대 및 독립 테스트에 따라 연구가 진행될 것으로 예상된다.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)</sup>

## 커뮤니티 반응

비공개 분기에 대한 가장 실질적인 외부 신호는 LMSYS Chatbot Arena에서 TurboS의 결과(1356점, 글로벌 상위 7위)이다. 공개 분기에 대한 간접적인 지표로는 GitHub 활동을 들 수 있다: Hunyuan-Large 약 1,600개 스타, A13B 812개, Hunyuan-MT 683개. 이는 오픈 LLM 생태계 기준으로 주목할 만하지만 지배적이지는 않은 수준의 참여도를 반영한다. 커뮤니티(Hugging Face, Reddit)의 주관적 평가는 중국어 및 에이전트 작업에서의 강점을 주목한다.<sup>[\[22\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSGitHub-22)</sup>

## 전망 및 연구 방향

공개 자료에서 제시된 향후 발전 방향:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-TurboSPaper-6)[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(KO)#cite_note-Hunyuan3DGitHub-14)</sup>

- 아키텍처의 추가적인 하이브리드화(Mamba + Transformer + MoE) 및 MoE에 대한 스케일링 법칙 연구.
- 멀티모달 기능 확장: Hunyuan3D, HunyuanVideo, HunyuanImage와 언어 모델의 통합.
- 도구 사용(tool use) 및 에이전트 기능 향상.
- 추론 비용 절감: 양자화(엣지용 2-bit), TRT-LLM/vLLM을 통한 최적화.
- 공개 모델 포트폴리오 확장.
- 상세한 안전성 및 정렬 보고서 개발 및 공개.

## 같이 보기

- LLaMA (Meta)
- DeepSeek

## 참고 문헌

- 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>

## 외부 링크

- <a href="https://cloud.tencent.com/document/product/1729/104753" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/104753</a> — Tencent Cloud Hunyuan 공식 문서
- <a href="https://huggingface.co/tencent/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://huggingface.co/tencent/Tencent-Hunyuan-Large</a> — Hugging Face의 Hunyuan-Large
- <a href="https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large</a> — GitHub의 Hunyuan-Large
- <a href="https://github.com/Tencent-Hunyuan/Hunyuan-A13B" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Hunyuan-A13B</a> — GitHub의 Hunyuan-A13B
- <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 공식 페이지
- <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 발표 (2023년 9월)

## 각주

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