---
title: "Hunyuan (Tencent) (PL)"
source: "https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)"
wiki: "systems-analysis.info/int"
article: "Hunyuan_(Tencent)_(PL)"
language: "pl"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Polish"
revision_id: 3053
wiki_created_at: 2026-09-06T23:14:57Z
wiki_modified_at: 2026-09-06T23:14:57Z
downloaded_at: 2026-09-07T22:54:44Z
---

# Hunyuan (Tencent) (PL)

**Hunyuan** (chiń. 腾讯混元大模型, Tencent Hunyuan, Tencent HY) — rodzina modeli fundamentalnych (Foundation Models) i dużych modeli językowych (Large Language Model, LLM), opracowanych przez zespół Tencent Hunyuan Foundation Model Team i dostępnych za pośrednictwem usługi chmurowej Tencent Cloud, a także w postaci otwartych wag na platformach Hugging Face i GitHub. Rodzina obejmuje modele do generowania i rozumienia tekstu, wnioskowania logicznego i matematycznego, programowania, przetwarzania długich kontekstów, a także rozszerzenia multimodalne (obrazy, wideo, 3D). Hunyuan jest pozycjonowany jako flagowa linia generatywnej AI firmy Tencent i jest zintegrowany z ekosystemem produktów firmy (Yuanbao, WeChat, Tencent Meeting, Tencent Cloud).<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentAnnounce-1)[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudOverview-3)</sup>

## Historia i chronologia rozwoju

Rozwój Hunyuan prowadzony był w kontekście globalnego wyścigu LLM oraz chińskiej strategii niezależności technologicznej w dziedzinie sztucznej inteligencji. Linia ewoluowała od własnościowych modeli dense do otwartych architektur Mixture-of-Experts (MoE) i hybrydowych architektur Transformer-Mamba.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentAnnounce-1)</sup>

### Pierwsze pokolenie (2023)

Publiczne ogłoszenie serii Hunyuan miało miejsce 7 września 2023 roku na Tencent Global Digital Ecosystem Summit w Shenzhen. Pierwsza wersja była własnościowym modelem dense z ponad 100 mld parametrów, wstępnie wytrenowanym na ponad 2 bln tokenów. Model był zorientowany na język chiński, wnioskowanie logiczne i generowanie treści, był zintegrowany z ponad 50 produktami Tencent i dostępny przez API Tencent Cloud.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentAnnounce-1)</sup>

### Hunyuan-Large i przejście do MoE (2024)

W listopadzie 2024 roku Tencent wydał Hunyuan-Large — największy ówcześnie otwarty model Transformer-MoE z 389 mld łącznych i 52 mld aktywnych parametrów. Model opublikowano z otwartymi wagami na Hugging Face i GitHub, wraz z preprintem na arXiv. Wydanie to oznaczało strategiczny zwrot Tencent w kierunku otwartego rozwoju.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeGitHub-4)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeHF-5)</sup>

### Modele hybrydowe i reasoning (2025)

W 2025 roku linia rozszerzyła się o kilka kluczowych wydań:

- **Hunyuan-TurboS** (luty 2025) — pierwszy przemysłowy wielkoskalowy hybrydowy model Transformer-Mamba-MoE z 560 mld łącznych i 56 mld aktywnych parametrów, wstępnie wytrenowany na 16 bln tokenów. Wprowadzono mechanizm adaptacyjnego Chain-of-Thought (CoT) do dynamicznego przełączania między szybkim a głębokim myśleniem.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)</sup>
- **Hunyuan-T1** (marzec 2025) — wyspecjalizowany model reasoning zbudowany na bazie TurboS z masowym uczeniem ze wzmocnieniem (96,7% obliczeń po-treningowych — reinforcement learning).<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-T1Page-7)</sup>
- **Hunyuan-A13B** (czerwiec 2025) — kompaktowy model MoE (80 mld łącznych / 13 mld aktywnych parametrów) dla balansu wydajności i kosztów, z obsługą szybkiego i wolnego myślenia.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-A13BGitHub-8)</sup>
- **Małe modele dense** (lipiec 2025) — warianty 0,5B, 1,8B, 4B, 7B dla urządzeń brzegowych (edge) i scenariuszy wdrożenia wymagających wysokiej współbieżności, z obsługą kontekstu 256K.<sup>[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-Hunyuan7BGitHub-9)</sup>

### Hunyuan 2.0 (listopad–grudzień 2025)

W grudniu 2025 roku ogłoszono drugie pokolenie modelu komercyjnego — Hunyuan 2.0 (HY 2.0) z architekturą MoE (406 mld łącznych / 32 mld aktywnych parametrów) i oknem kontekstowym 256K tokenów. Linia podzielona jest na dwa warianty: HY 2.0 Think (głębokie rozumowanie, kod) i HY 2.0 Instruct (dialogi, kreatywne generowanie). Modele są dostępne przez API Tencent Cloud i zintegrowane z aplikacjami Yuanbao i ima.<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanXAnnounce-11)</sup>

### Zbiorcza chronologia

| Data                   | Wydarzenie                                                                                               |
|------------------------|----------------------------------------------------------------------------------------------------------|
| Wrzesień 2023          | Publiczne ogłoszenie Hunyuan jako własnościowego LLM (\>100B parametrów); uruchomienie API Tencent Cloud |
| Luty 2024              | Wewnętrzny model MoE dla chatbota Yuanbao                                                                |
| Kwiecień 2024          | Rebranding: „advanced" → hunyuan-pro, „standard" → hunyuan-standard; dodano hunyuan-lite                 |
| Maj 2024               | hunyuan-lite przeniesiony na MoE, rozszerzony do kontekstu 256K                                          |
| Wrzesień 2024          | Uruchomienie nowego hunyuan-turbo (MoE nowej generacji)                                                  |
| Listopad 2024          | Otwarty release Hunyuan-Large (389B/52B MoE), preprint arXiv:2411.02265                                  |
| Luty–marzec 2025       | Hunyuan-TurboS (hybrydowy Mamba-MoE); Hunyuan-T1 (reasoning)                                             |
| Czerwiec 2025          | Hunyuan-A13B (80B/13B, fine-grained MoE)                                                                 |
| Lipiec 2025            | Małe modele dense 0,5B–7B                                                                                |
| Wrzesień 2025          | Hunyuan-MT (wyspecjalizowany model tłumaczenia)                                                          |
| Listopad–grudzień 2025 | Hunyuan 2.0 (HY 2.0 Think / Instruct), 406B/32B MoE                                                      |

*Źródło: Tencent Cloud product dynamics; oficjalne repozytoria.*<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudDynamics-12)</sup>

## Podstawy teoretyczne i architektura

### Architektura Mixture-of-Experts

Kluczowe modele serii (Hunyuan-Large, A13B, HY 2.0) wykorzystują architekturę Mixture-of-Experts (MoE), w której część warstw transformera zawiera wiele „ekspertów" (podsieci), a router (gating network) wybiera podzbiór aktywnych ekspertów dla każdego tokenu. Ogólna formuła warstwy MoE:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

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

gdzie $G(x)$ — funkcja routingu (gating), $E_{i}$ — $i$-ty ekspert, $N$ — łączna liczba ekspertów. Przy takim podejściu łączna liczba parametrów modelu $P_{total}$ istotnie przekracza liczbę parametrów aktywnych podczas jednego przejścia $P_{active}$:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

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

co pozwala zwiększać pojemność modelu bez proporcjonalnego wzrostu kosztów obliczeniowych inferencji.

W Hunyuan-Large zaimplementowano schemat z 1 wspólnym (shared) ekspertem i 16 specjalistycznymi ekspertami przy aktywacji 1 specjalisty na token (top-1 routing). Dodatkowe innowacje obejmują routing mieszany z mechanizmem recycle (przetwarzanie odrzuconych tokenów) oraz ekspert-specyficzne learning rates w celu poprawy balansu wkładu ekspertów.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeHF-5)</sup>

### Hybrydowa architektura Transformer-Mamba

Hunyuan-TurboS i T1 wprowadzają architekturę hybrydową łączącą bloki Transformer (attention) i Mamba (state-space model). Mamba zapewnia liniową złożoność względem długości sekwencji:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)</sup>

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

gdzie $A$, $B$ — macierze uczące się, $h_{t}$ — stan ukryty w kroku $t$, $x_{t}$ — token wejściowy. Zapewnia to skalowanie pamięci $O(1)$ względem długości (w porównaniu z $O(N)$ w standardowym Transformer).<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)</sup>

TurboS zawiera 128 warstw zorganizowanych w bloki: 57 warstw Mamba2, 7 warstw Attention i 64 warstwy FFN-MoE z 32 ekspertami. Bloki AMF (Attention → Mamba2 → FFN) i MF (Mamba2 → FFN) są przeplatane w celu zapewnienia balansu kontekstu globalnego i lokalnego.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)</sup>

### Mechanizmy uwagi i KV-cache

Hunyuan-Large wykorzystuje Grouped Query Attention (GQA) — wariant uwagi, w którym kilka zapytań współdzieli wspólne klucze i wartości — oraz Cross-Layer Attention (CLA) w celu zmniejszenia objętości KV-cache. Standardowa objętość KV-cache dla warstwy self-attention z $H$ głowicami, długością sekwencji $L$ i rozmiarem głowicy $d_{h}$:<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeHF-5)</sup>

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

gdzie $S_{KV}$ — objętość KV-cache. Przy GQA z $H_{g} < H$ grupami objętość zmniejsza się do:

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

CLA dodatkowo zakłada ponowne wykorzystanie KV-cache między warstwami. Łącznie te optymalizacje zapewniają oszczędność pamięci do około 95%.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeGitHub-4)</sup>

### Kodowanie pozycyjne i długi kontekst

Modele wykorzystują Rotary Position Embedding (RoPE) ze skalowaniem w celu obsługi długich sekwencji. Uczenie kontekstu prowadzone jest etapowo (curriculum learning): od 32K do 256K tokenów. Funkcja aktywacji — SwiGLU. Słownik tokenizatora — 128K (tiktoken z rozszerzeniem dla języka chińskiego).<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

### Uczenie i skalowanie

Dla modeli MoE badane są prawa skalowania (scaling laws) w postaci empirycznych zależności potęgowych:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

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

gdzie $Q$ — metryka jakości, $P_{active}$ — liczba aktywnych parametrów, $N$ — objętość danych, $a,b,c,\alpha,\beta$ — parametry dobierane eksperymentalnie. Hunyuan-Large podkreśla wykorzystanie danych syntetycznych o objętości 1,5 bln tokenów — o rzędy wielkości więcej niż w poprzednich publikacjach dotyczących MoE.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

## Potok uczenia i wyrównanie

Proces uczenia modeli Hunyuan obejmuje kilka etapów charakterystycznych dla współczesnych LLM:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-T1Page-7)</sup>

### Wstępne uczenie (Pre-training)

Masowe uczenie na dużym wielojęzycznym korpusie (chiński, angielski i inne języki). Hunyuan-Large był wstępnie wytrenowany na 7 bln tokenów (w tym 1,5 bln syntetycznych). TurboS — na 16 bln tokenów. Dokładny skład zestawów danych nie został ujawniony.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)</sup>

### Nadzorowane dostrajanie (Supervised Fine-Tuning, SFT)

Dostrajanie na ponad 1 mln instrukcji (par „instrukcja — odpowiedź"), dostosowujące model do przestrzegania poleceń użytkownika.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

### Wyrównanie za pomocą uczenia ze wzmocnieniem

Do wyrównania zachowania modelu z preferencjami człowieka stosuje się:

**Direct Preference Optimization (DPO)** — metoda wyrównania bez jawnego modelu nagrody, stosowana w Hunyuan-Large.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

**Reinforcement Learning (RL)** — w Hunyuan-T1 stosowane jest masowe uczenie ze wzmocnieniem z curriculum learning; według deklaracji twórców 96,7% obliczeń po-treningowych przypada na RL.<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-T1Page-7)</sup>

**Adaptive Long-Short Chain-of-Thought** — w TurboS zaimplementowano mechanizm dynamicznego przełączania między szybkim a głębokim myśleniem, pozwalający modelowi dostosować głębokość rozumowania do złożoności zadania.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)</sup>

## Skład rodziny modeli

Rodzina podzielona jest na zamknięte modele API w chmurze i otwarte modele z wagami.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudOverview-3)</sup>

### Główne modele (przegląd)

| Model           | Data wydania  | Architektura                 | Parametry (łącznie / aktywne) | Kontekst                         | Dostępność                          |
|-----------------|---------------|------------------------------|-------------------------------|----------------------------------|-------------------------------------|
| Hunyuan (2023)  | Wrzesień 2023 | Dense Transformer            | \>100 mld / —                 | nieujawniony                     | Własnościowe API                    |
| Hunyuan-Large   | Listopad 2024 | Transformer-MoE              | 389 mld / 52 mld              | 256K (pretrain), 128K (instruct) | Otwarte wagi (GitHub, HF)           |
| Hunyuan-TurboS  | Luty 2025     | Hybrid Transformer-Mamba-MoE | 560 mld / 56 mld              | 256K (architekt.), 32K/16K (API) | Własnościowe API + otwarte warianty |
| Hunyuan-T1      | Marzec 2025   | Na bazie TurboS + masowy RL  | —                             | 32K/64K (API)                    | Własnościowe API                    |
| Hunyuan-A13B    | Czerwiec 2025 | Fine-grained MoE             | 80 mld / 13 mld               | 256K (otw.), 224K/32K (API)      | Otwarte wagi + API                  |
| Małe (0,5–7B)   | Lipiec 2025   | Dense                        | 0,5–7 mld                     | 256K                             | Otwarte wagi                        |
| HY 2.0 Think    | Listopad 2025 | MoE                          | 406 mld / 32 mld              | 128K wejście / 64K wyjście (API) | Własnościowe API                    |
| HY 2.0 Instruct | Listopad 2025 | MoE                          | 406 mld / 32 mld              | 128K wejście / 16K wyjście (API) | Własnościowe API                    |

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

**Uwaga.** Dla niektórych modeli różnią się architektoniczne limity kontekstu (z raportów technicznych) i serwisowe limity API (z dokumentacji produktowej). Nie jest to sprzeczność, lecz odzwierciedla różnice między konfiguracją badawczą a produkcyjną.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudOverview-3)</sup>

### Modele wyspecjalizowane

**Hunyuan-MT** (wrzesień 2025) — wyspecjalizowany model maszynowego tłumaczenia, który zajął 1. miejsce na WMT25 w 30 z 31 kategorii.<sup>[\[13\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanMTGitHub-13)</sup>

**HunyuanImage, HunyuanVideo, Hunyuan3D** — multimodalne modele rodziny służące odpowiednio do generowania obrazów, wideo i obiektów 3D.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-Hunyuan3DGitHub-14)</sup>

### Pozycjonowanie i powiązania ewolucyjne

W dokumentacji Tencent Cloud widoczne są następujące powiązania ewolucyjne:

- `hunyuan-a13b` wskazany jako aktualizacja `hunyuan-standard-256K`.
- `hunyuan-t1` zbudowany na bazie TurboS z wzmocnionym po-treningiem RL.
- HY 2.0 Think/Instruct — gałąź, w której baza została zaktualizowana z TurboS do Hunyuan 2.0.
- Otwarta gałąź (Hunyuan-Large, A13B, kompaktowe modele dense) rozwija się równolegle do zamkniętej gałęzi API, zapewniając dostęp badawczy.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudOverview-3)</sup>

## Co nowego w kluczowych pokoleniach

### Hunyuan-Large (2024)

W porównaniu z pierwszym pokoleniem i wcześniejszymi podejściami MoE, Hunyuan-Large wprowadza:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeGitHub-4)</sup>

- Skala 389 mld parametrów (52 mld aktywnych) — największy otwarty model Transformer-MoE w momencie publikacji.
- Obsługa kontekstu 256K (pretrain) i 128K (instruct) — istotne przekroczenie typowych wartości dla masowych LLM roku 2024.
- Kompresja KV-cache oparta na GQA + CLA (oszczędność pamięci ~95%).
- Wielkoskalowe dane syntetyczne (1,5 bln tokenów danych syntetycznych).
- Mieszany routing ekspertów i ekspert-specyficzne learning rates.

### Hunyuan-TurboS (2025)

Kluczowa zmiana architektoniczna:<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)</sup>

- Hybryda Mamba2 + Attention + MoE: 560B łącznie / 56B aktywnych, 128 warstw.
- Wstępne uczenie na 16 bln tokenów.
- Adaptive Long-Short Chain-of-Thought do dynamicznego zarządzania głębokością rozumowania.
- Deklarowane przyspieszenie dekodowania o 1,8–2 razy w porównaniu z poprzednią wersją Turbo.

### Hunyuan-T1 (2025)

Model reasoning na bazie TurboS:<sup>[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-T1Page-7)</sup>

- 96,7% obliczeniowego budżetu po-treningowego — reinforcement learning.
- Dwukrotne przyspieszenie dekodowania przy porównywalnych wymaganiach wdrożeniowych.
- Curriculum learning w celu poprawy strategii rozumowania.

### HY 2.0 (2025)

Aktualizacja komercyjnego flagowca:<sup>[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanXAnnounce-11)</sup>

- Architektura MoE: 406B łącznych / 32B aktywnych parametrów.
- Okno kontekstowe 256K tokenów.
- Znaczący wzrost wyników na wyspecjalizowanych benchmarkach: IMO-AnswerBench 73,4% (+20% względem poprzedniej wersji HY), SWE-bench Verified 53,0 (z 6,0), τ²-Bench 72,4 (z 17,1).
- Ulepszenia w RLHF i strategiach po-uczenia.

## Ocena i benchmarki

Ocena prowadzona była na standardowych benchmarkach z wykorzystaniem protokołów zero-shot i few-shot. Wyniki opierają się na oficjalnych raportach technicznych i repozytoriach; dla części modeli niezależne zewnętrzne weryfikacje są na razie ograniczone.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

### Benchmarki 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        |

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

Zgodnie z raportem technicznym, Hunyuan-Large (pretrain) prowadzi w 15 z 19 benchmarków przy porównaniu z Llama 3.1-405B, Mixtral-8x22B i DeepSeek-V2.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

### Benchmarki Hunyuan-Large-Instruct

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

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

Według deklaracji twórców, Hunyuan-Large-Instruct przewyższa LLaMA 3.1-405B na MMLU o 2,6 punktu procentowego.<sup>[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeGitHub-4)</sup>

### Benchmarki TurboS i T1

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

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

### Benchmarki 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        | —             | —           |

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

A13B przewyższa Hunyuan-Large w szeregu zadań wrażliwych na post-training (MMLU-Pro, MATH, MBPP), co jest zgodne z jego pozycjonowaniem jako nowszego i bardziej praktycznego wariantu.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-A13BGitHub-8)</sup>

### Benchmarki kompaktowej gałęzi dense

| Model        | MMLU  | MMLU-Pro | BBH   | GSM8K | MATH  |
|--------------|-------|----------|-------|-------|-------|
| Hunyuan-0,5B | 54,02 | 31,15    | 45,92 | 55,64 | 42,95 |
| Hunyuan-1,8B | 64,62 | 38,65    | 74,32 | 77,26 | 62,85 |
| Hunyuan-4B   | 74,01 | 51,91    | 75,17 | 87,49 | 72,25 |
| Hunyuan-7B   | 79,82 | 57,79    | 82,95 | 88,25 | 74,85 |

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

### Benchmarki HY 2.0

Wyniki deklarowane przez twórców (jedynym jawnym źródłem jest oficjalny profil Hunyuan):<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanXAnnounce-11)</sup>

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

**Uwaga.** Dane te klasyfikowane są jako „deklarowane przez twórców, oczekujące szerokiego zewnętrznego potwierdzenia".<sup>[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanXAnnounce-11)</sup>

## Szczegóły techniczne użytkowania

### Okno kontekstowe według gałęzi

| Model                   | Wejście (tokeny)                  | Wyjście (tokeny) |
|-------------------------|-----------------------------------|------------------|
| HY 2.0 Think            | 128K                              | 64K              |
| HY 2.0 Instruct         | 128K                              | 16K              |
| T1 (API)                | 32K                               | 64K              |
| A13B (API)              | 224K                              | 32K              |
| TurboS (API)            | 32K                               | 16K              |
| Lite (API)              | 250K                              | 6K               |
| Hunyuan-Large (otwarty) | 256K (pretrain) / 128K (instruct) | —                |
| Compact 0,5–7B          | 256K                              | —                |

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

### Obsługiwane narzędzia

W API Tencent Cloud udokumentowane są:<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudChat-15)</sup>

- **Function Calling** (`tools`, `tool_choice`).
- **AI Search Enhancement** — wbudowane wyszukiwanie w zewnętrznych źródłach (retrieval-augmented generation).
- **SearchInfo i Citation** — znaczniki cytowania w odpowiedziach.
- **EnableMultimedia** — podstawianie multimediów w danych wyjściowych.
- **EnableThinking** — przełącznik chain-of-thought dla A13B.
- **EnableRecommendedQuestions** — generowanie polecanych pytań.

### Zgodność API

Hunyuan API obsługuje format zgodny z OpenAI:<sup>[\[16\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#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>.
- Obsługiwane są `/v1/chat/completions` i `/v1/embeddings`.
- Model embedding: `hunyuan-embedding`, wymiarowość 1024.
- Streaming przez SSE.
- Domyślna współbieżność: 5 na konto.

Dla Hunyuan-Large (otwartego) standardowy format wejścia/wyjścia jest zgodny z frameworkami PyTorch/Transformers. Obsługiwana jest kwantyzacja: FP8, INT4 (GPTQ/AWQ).<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeHF-5)</sup>

## Zastosowanie i integracja

Modele Hunyuan są zintegrowane z ekosystemem Tencent i dostępne dla zewnętrznych deweloperów. Główne udokumentowane scenariusze użycia:<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentAnnounce-1)[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudTechpedia-17)</sup>

### Produkty Tencent

- **Yuanbao** — chatbot z obsługą Hunyuan i DeepSeek.
- **Tencent Meeting** — generowanie podsumowań spotkań.
- **Tencent Docs** — generowanie i analiza tekstu.
- **ima** — finansowy i multimedialny asystent AI.

### Zastosowania korporacyjne

- Generowanie tekstu: artykuły, teksty reklamowe, scenariusze, opisy produktów.
- Inteligentna obsługa klienta: chatboty, FAQ, automatyzacja odpowiedzi.
- Generowanie i analiza kodu (szczególnie HY 2.0 Think i T1).
- Rozumowanie matematyczne i logiczne, zadania analityczne.
- Wielojęzyczne tłumaczenie (30+ języków, Hunyuan-MT).

### Modele otwarte

Otwarte warianty są wykorzystywane do badań, fine-tuningu i wdrożenia na urządzeniach brzegowych (małe modele dense). Rozszerzenia multimodalne (HunyuanImage, HunyuanVideo, Hunyuan3D) stosowane są do modelowania 3D i generowania wideo.<sup>[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-Hunyuan3DGitHub-14)</sup>

## Ograniczenia i otwarte problemy

- **Zamkniętość modeli komercyjnych.** Dla HY 2.0 i T1 brakuje otwartych wag i szczegółowych specyfikacji architektonicznych; dostęp ograniczony jest do API, co utrudnia niezależną odtwarzalność.<sup>[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudOverview-3)</sup>
- **Nieprzejrzystość danych treningowych.** Choć podkreśla się wykorzystanie danych syntetycznych na dużą skalę, dokładny skład zestawów danych, udział poszczególnych języków i dziedzin nie zostały ujawnione.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>
- **Wymagania obliczeniowe.** Otwarte modele wymagają znacznych zasobów: minimum 32 GPU do pełnego fine-tuningu Hunyuan-Large; dziesiątki GB VRAM nawet przy FP8.<sup>[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargeHF-5)</sup>
- **Halucynacje.** Podobnie jak inne LLM, modele są podatne na generowanie wiarygodnych, lecz faktycznie niepoprawnych twierdzeń. Systematyczne badania tego aspektu dla Hunyuan w otwartych recenzowanych pracach są na razie ograniczone.<sup>[\[18\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-LangChainHunyuan-18)</sup>
- **Różnice między limitami architektonicznymi a serwisowymi.** Dla niektórych modeli (TurboS, A13B) serwisowe limity API są istotnie niższe niż możliwości architektoniczne.<sup>[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudOverview-3)</sup>
- **Dostępność regionalna.** Główny fokus na rynku chińskim; API dla użytkowników spoza Chin ma ograniczenia językowe i prawne.<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudTechpedia-17)</sup>
- **Brak szczegółowych raportów dotyczących bezpieczeństwa.** Dokumentacja wskazuje ogólne zasady bezpieczeństwa i filtrowania, jednak nie ma publicznych technical safety reports porównywalnych objętością z niektórymi międzynarodowymi modelami.<sup>[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudChat-15)</sup>
- **Zgodność gałęzi open-source.** Po wydaniach odnotowywano problemy z integracją z `transformers` / `vllm`, gdzie biblioteki nie rozpoznawały typu architektury `hunyuan_v1_dense`, wymagając `trust_remote_code` lub specjalnych gałęzi.<sup>[\[19\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-Hunyuan18BIssues-19)</sup>

## Incydenty i znane problemy

Na podstawie dostępnych materiałów (koniec 2025 — początek 2026 roku) nie odnotowano poważnych publicznych incydentów specyficznie związanych z Hunyuan (masowe wycieki danych, unikalne zagrożenia bezpieczeństwa).<sup>[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudTechpedia-17)</sup>

### Udokumentowane poprawki produktowe

W product dynamics Tencent Cloud odnotowane są drobne poprawki:<sup>[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudDynamics-12)</sup>

- **2024-11-20:** `hunyuan-turbo-latest` zaktualizowany w celu naprawy powtórzeń spowodowanych znakami specjalnymi, poprawy stabilności generowania Markdown i zmniejszenia liczby nieuzasadnionych odmów.
- **2025-04-03:** aktualizacja T1 z poprawkami mieszania chińskiego uproszczonego/tradycyjnego i mieszania chińskiego/angielskiego, plus ulepszenie generowania kodu na poziomie projektów.
- **2025-04-20:** Search Enhancement przełączony z domyślnie włączonego na domyślnie wyłączone — faktyczna zmiana zachowania API dla integracji.

### Badania nad bezpieczeństwem MoE

Na poziomie krytyki badawczej (poziom preprintów) Hunyuan-A13B pojawia się w pracach dotyczących ataków na lokalizację bezpieczeństwa w modelach MoE. W szczególności w pracach *Large Language Lobotomy* i *GateBreaker* donosi się o wysokim wskaźniku powodzenia ataku przy „uciszaniu" ekspertów odpowiedzialnych za bezpieczeństwo. Nie jest to potwierdzenie incydentu produkcyjnego, lecz wskazuje, że bezpieczeństwo routingu MoE jest traktowane jako podatny wektor badawczy.<sup>[\[20\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-LLLobotomy-20)[\[21\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-GateBreaker-21)</sup>

## Aspekty etyczne i regulacyjne

Hunyuan działa w chińskim kontekście prawnym i regulacyjnym, obejmującym krajowe przepisy dotyczące zarządzania generatywną AI (CAC) i filtrowania treści, a także wewnętrzne polityki Tencent dotyczące bezpieczeństwa danych. Dokumentacja Tencent Cloud podkreśla, że korzystanie z API Hunyuan musi być zgodne z obowiązującym prawem i polityką platformy.<sup>[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentAnnounce-1)</sup>

Konkretne środki obejmują:

- Wbudowana moderacja treści z przesyłaniem strumieniowym i możliwym `FinishReason=sensitive`.
- Wyrównanie przez RLHF/DPO w celu zmniejszenia halucynacji i niepożądanych zachowań.
- Filtrowanie danych treningowych w celu minimalizacji stronniczości.
- Otwarte licencje (Tencent Hunyuan Community License Agreement) dla otwartych modeli, z zastrzeżeniem, że umowa nie ma zastosowania w UE dla niektórych wariantów.<sup>[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-A13BGitHub-8)[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TencentCloudChat-15)</sup>

Wyspecjalizowanych niezależnych raportów dotyczących stronniczości (bias) i sprawiedliwości (fairness) dla Hunyuan jest na razie niewiele; badania są oczekiwane wraz z rozszerzaniem otwartych wag i niezależnych testów.<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)</sup>

## Reakcja społeczności

Najbardziej treściwy zewnętrzny sygnał dla zamkniętej gałęzi — wynik TurboS w LMSYS Chatbot Arena (1356, top-7 globalnie). Dla otwartej gałęzi pośrednim wskaźnikiem jest aktywność na GitHub: około 1,6 tys. gwiazdek dla Hunyuan-Large, 812 dla A13B, 683 dla Hunyuan-MT. Odzwierciedla to zauważalny, lecz nie dominujący w ekosystemie otwartych LLM poziom zaangażowania. Subiektywne oceny społeczności (Hugging Face, Reddit) odnotowują mocne strony w języku chińskim i zadaniach agentowych.<sup>[\[22\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSGitHub-22)</sup>

## Perspektywy i kierunki badań

Kierunki dalszego rozwoju wskazane w publicznych materiałach:<sup>[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-TurboSPaper-6)[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(PL)#cite_note-Hunyuan3DGitHub-14)</sup>

- Dalsza hybrydyzacja architektur (Mamba + Transformer + MoE) i badanie scaling laws dla MoE.
- Rozszerzenie możliwości multimodalnych: integracja Hunyuan3D, HunyuanVideo i HunyuanImage z modelami językowymi.
- Poprawa obsługi narzędzi (tool use) i możliwości agentowych.
- Obniżenie kosztów inferencji: kwantyzacja (2-bit dla urządzeń brzegowych), optymalizacje przez TRT-LLM/vLLM.
- Rozszerzenie otwartego portfolio modeli.
- Opracowanie i publikacja szczegółowych raportów dotyczących bezpieczeństwa i wyrównania.

## Zobacz też

- LLaMA (Meta)
- DeepSeek

## Literatura

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

## Linki zewnętrzne

- <a href="https://cloud.tencent.com/document/product/1729/104753" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/104753</a> — Oficjalna dokumentacja Tencent Cloud Hunyuan
- <a href="https://huggingface.co/tencent/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://huggingface.co/tencent/Tencent-Hunyuan-Large</a> — Hunyuan-Large na Hugging Face
- <a href="https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large" class="external free" rel="nofollow">https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large</a> — Hunyuan-Large na 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 na 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> — Hunyuan-T1 official page
- <a href="https://www.tencent.com/en-us/articles/2201685.html" class="external free" rel="nofollow">https://www.tencent.com/en-us/articles/2201685.html</a> — Ogłoszenie Hunyuan (wrzesień 2023)

## Przypisy

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