--- title: "Hunyuan (Tencent) (TH)" source: "https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)" wiki: "systems-analysis.info/int" article: "Hunyuan_(Tencent)_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Thai" revision_id: 3056 wiki_created_at: 2026-09-06T23:15:00Z wiki_modified_at: 2026-09-06T23:15:00Z downloaded_at: 2026-09-07T22:54:46Z --- # Hunyuan (Tencent) (TH) **Hunyuan** (จีน: 腾讯混元大模型, Tencent Hunyuan, Tencent HY) — กลุ่มของ Foundation Models และ Large Language Models (LLM) ที่พัฒนาโดยทีม Tencent Hunyuan Foundation Model Team และให้บริการผ่านบริการคลาวด์ Tencent Cloud รวมถึงในรูปแบบ open weights บนแพลตฟอร์ม Hugging Face และ GitHub กลุ่มโมเดลนี้ครอบคลุมโมเดลสำหรับการสร้างและทำความเข้าใจข้อความ การอนุมานเชิงตรรกะและคณิตศาสตร์ การเขียนโปรแกรม การประมวลผลบริบทยาว รวมถึงส่วนขยายแบบมัลติโมดัล (ภาพ วิดีโอ 3D) Hunyuan ได้รับการวางตำแหน่งให้เป็นสายผลิตภัณฑ์ generative AI หลักของ Tencent และได้รับการผสานรวมเข้ากับระบบนิเวศผลิตภัณฑ์ของบริษัท (Yuanbao, WeChat, Tencent Meeting, Tencent Cloud)[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentAnnounce-1)[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOverview-3) ## ประวัติและลำดับเวลาของการพัฒนา การพัฒนา Hunyuan ดำเนินไปในบริบทของการแข่งขัน LLM ระดับโลกและกลยุทธ์ความเป็นอิสระทางเทคโนโลยีด้านปัญญาประดิษฐ์ของจีน สายผลิตภัณฑ์นี้มีการพัฒนาจาก dense models แบบปิดสู่ Mixture-of-Experts (MoE) แบบเปิดและสถาปัตยกรรมไฮบริด Transformer-Mamba[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentAnnounce-1) ### รุ่นแรก (2023) การประกาศสาธารณะของซีรีส์ Hunyuan เกิดขึ้นในวันที่ 7 กันยายน 2023 ในงาน Tencent Global Digital Ecosystem Summit ที่เมืองเซินเจิ้น เวอร์ชันแรกเป็น dense model แบบปิดที่มีพารามิเตอร์มากกว่า 1 แสนล้านตัว ผ่านการฝึกล่วงหน้าด้วย token มากกว่า 2 ล้านล้านตัว โมเดลนี้มุ่งเน้นภาษาจีน การอนุมานเชิงตรรกะ และการสร้างเนื้อหา ได้รับการผสานรวมเข้ากับผลิตภัณฑ์ Tencent มากกว่า 50 รายการ และเข้าถึงได้ผ่าน Tencent Cloud API[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentAnnounce-1) ### Hunyuan-Large และการเปลี่ยนผ่านสู่ MoE (2024) ในเดือนพฤศจิกายน 2024 Tencent เปิดตัว Hunyuan-Large ซึ่งในขณะนั้นเป็น Transformer-MoE model แบบเปิดที่ใหญ่ที่สุด มีพารามิเตอร์รวม 389 พันล้านตัวและพารามิเตอร์ที่ใช้งานอยู่ 52 พันล้านตัว โมเดลนี้ได้รับการเผยแพร่พร้อม open weights บน Hugging Face และ GitHub พร้อมด้วย preprint บน arXiv การเปิดตัวนี้ถือเป็นการเปลี่ยนทิศทางเชิงกลยุทธ์ของ Tencent สู่การพัฒนาแบบเปิด[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeGitHub-4)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeHF-5) ### โมเดลไฮบริดและ reasoning (2025) ในปี 2025 สายผลิตภัณฑ์ได้รับการขยายด้วยการเปิดตัวสำคัญหลายรายการ: - **Hunyuan-TurboS** (กุมภาพันธ์ 2025) — โมเดลไฮบริด Transformer-Mamba-MoE ขนาดใหญ่ระดับอุตสาหกรรมรุ่นแรก มีพารามิเตอร์รวม 560 พันล้านตัวและพารามิเตอร์ที่ใช้งานอยู่ 56 พันล้านตัว ผ่านการฝึกล่วงหน้าด้วย 16 ล้านล้าน token มีการนำเสนอกลไก adaptive Chain-of-Thought (CoT) สำหรับการสลับแบบไดนามิกระหว่างการคิดเร็วและการคิดลึก[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6) - **Hunyuan-T1** (มีนาคม 2025) — reasoning model เฉพาะทาง สร้างบน TurboS พร้อมการฝึก reinforcement learning แบบขนาดใหญ่ (96.7% ของการคำนวณหลังการฝึกเป็น reinforcement learning)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-T1Page-7) - **Hunyuan-A13B** (มิถุนายน 2025) — MoE model ขนาดกะทัดรัด (พารามิเตอร์รวม 80 พันล้าน / ใช้งานอยู่ 13 พันล้านตัว) สำหรับสมดุลระหว่างประสิทธิภาพและต้นทุน รองรับการคิดเร็วและการคิดช้า[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-A13BGitHub-8) - **Dense models ขนาดเล็ก** (กรกฎาคม 2025) — รุ่น 0.5B, 1.8B, 4B, 7B สำหรับอุปกรณ์ edge และสถานการณ์การนำไปใช้งานที่มีการแข่งขันสูง รองรับบริบท 256K[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-Hunyuan7BGitHub-9) ### Hunyuan 2.0 (พฤศจิกายน–ธันวาคม 2025) ในเดือนธันวาคม 2025 มีการประกาศโมเดลเชิงพาณิชย์รุ่นที่สอง — Hunyuan 2.0 (HY 2.0) ที่ใช้สถาปัตยกรรม MoE (พารามิเตอร์รวม 406 พันล้าน / ใช้งานอยู่ 32 พันล้านตัว) และหน้าต่างบริบท 256K token สายผลิตภัณฑ์แบ่งออกเป็นสองรูปแบบ: HY 2.0 Think (การอนุมานเชิงลึก, โค้ด) และ HY 2.0 Instruct (การสนทนา, การสร้างสรรค์เนื้อหา) โมเดลเหล่านี้เข้าถึงได้ผ่าน Tencent Cloud API และได้รับการผสานรวมเข้ากับแอปพลิเคชัน Yuanbao และ ima[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanXAnnounce-11) ### ลำดับเวลาโดยสรุป | วันที่ | เหตุการณ์ | |----------------------|------------------------------------------------------------------------------------------| | กันยายน 2023 | การประกาศสาธารณะของ Hunyuan ในฐานะ LLM แบบปิด (\>100B พารามิเตอร์); เปิดตัว Tencent Cloud API | | กุมภาพันธ์ 2024 | MoE model ภายในสำหรับแชทบอต Yuanbao | | เมษายน 2024 | เปลี่ยนชื่อ: «advanced» → hunyuan-pro, «standard» → hunyuan-standard; เพิ่ม hunyuan-lite | | พฤษภาคม 2024 | hunyuan-lite เปลี่ยนมาใช้ MoE ขยายเป็นบริบท 256K | | กันยายน 2024 | เปิดตัว hunyuan-turbo ใหม่ (MoE รุ่นใหม่) | | พฤศจิกายน 2024 | เปิดตัว Hunyuan-Large แบบเปิด (389B/52B MoE), preprint arXiv:2411.02265 | | กุมภาพันธ์–มีนาคม 2025 | Hunyuan-TurboS (ไฮบริด Mamba-MoE); Hunyuan-T1 (reasoning) | | มิถุนายน 2025 | Hunyuan-A13B (80B/13B, fine-grained MoE) | | กรกฎาคม 2025 | Dense models ขนาดเล็ก 0.5B–7B | | กันยายน 2025 | Hunyuan-MT (โมเดลแปลภาษาเฉพาะทาง) | | พฤศจิกายน–ธันวาคม 2025 | Hunyuan 2.0 (HY 2.0 Think / Instruct), 406B/32B MoE | *แหล่งที่มา: Tencent Cloud product dynamics; ที่เก็บโค้ดทางการ*[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudDynamics-12) ## รากฐานทางทฤษฎีและสถาปัตยกรรม ### สถาปัตยกรรม Mixture-of-Experts โมเดลหลักของซีรีส์ (Hunyuan-Large, A13B, HY 2.0) ใช้สถาปัตยกรรม Mixture-of-Experts (MoE) ซึ่งบางชั้นของ transformer ประกอบด้วย «ผู้เชี่ยวชาญ» (subnetworks) หลายตัว และ router (gating network) จะเลือกชุดผู้เชี่ยวชาญที่ใช้งานอยู่สำหรับแต่ละ token สูตรทั่วไปของชั้น MoE:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) ${Output} = \sum\limits_{i = 1}^{N}G(x)_{i} \cdot E_{i}(x)$ โดยที่ $G(x)$ คือฟังก์ชัน routing (gating), $E_{i}$ คือผู้เชี่ยวชาญคนที่ $i$, $N$ คือจำนวนผู้เชี่ยวชาญทั้งหมด ด้วยแนวทางนี้ จำนวนพารามิเตอร์รวมของโมเดล $P_{total}$ มีค่ามากกว่าจำนวนพารามิเตอร์ที่ใช้งานอยู่ในการผ่านรอบเดียว $P_{active}$ อย่างมีนัยสำคัญ:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) $P_{active} \ll P_{total}$ ซึ่งทำให้สามารถเพิ่มความจุของโมเดลได้โดยไม่ต้องเพิ่มต้นทุนการคำนวณสำหรับ inference อย่างสัดส่วน ใน Hunyuan-Large มีการนำโครงร่างที่มีผู้เชี่ยวชาญ shared 1 ตัวและผู้เชี่ยวชาญเฉพาะทาง 16 ตัวมาใช้ โดยเปิดใช้งานผู้เชี่ยวชาญ 1 ตัวต่อ token (top-1 routing) นวัตกรรมเพิ่มเติมได้แก่ การ routing แบบผสมพร้อมกลไก recycle (การนำ token ที่ถูกปฏิเสธมาใช้ใหม่) และ learning rates เฉพาะผู้เชี่ยวชาญเพื่อปรับปรุงความสมดุลของการมีส่วนร่วมของผู้เชี่ยวชาญ[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeHF-5) ### สถาปัตยกรรมไฮบริด Transformer-Mamba Hunyuan-TurboS และ T1 นำเสนอสถาปัตยกรรมไฮบริดที่รวมบล็อก Transformer (attention) และ Mamba (state-space model) เข้าด้วยกัน Mamba มีความซับซ้อนเชิงเส้นตามความยาวของลำดับ:[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6) $h_{t} = A\, h_{t - 1} + B\, x_{t}$ โดยที่ $A$, $B$ คือเมทริกซ์ที่ฝึกได้, $h_{t}$ คือสถานะซ่อนเร้นที่ขั้นตอน $t$, $x_{t}$ คือ token ขาเข้า ซึ่งทำให้มีการขยาย memory แบบ $O(1)$ ตามความยาว (เทียบกับ $O(N)$ ใน Transformer มาตรฐาน)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6) TurboS มี 128 ชั้น จัดเป็นบล็อก: ชั้น Mamba2 จำนวน 57 ชั้น, ชั้น Attention จำนวน 7 ชั้น และชั้น FFN-MoE จำนวน 64 ชั้นที่มีผู้เชี่ยวชาญ 32 ตัว บล็อก AMF (Attention → Mamba2 → FFN) และ MF (Mamba2 → FFN) สลับกันเพื่อสร้างสมดุลระหว่างบริบทส่วนกลางและส่วนท้องถิ่น[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6) ### กลไก attention และ KV-cache Hunyuan-Large ใช้ Grouped Query Attention (GQA) — รูปแบบ attention ที่ query หลายตัวแชร์ key และ value ร่วมกัน — และ Cross-Layer Attention (CLA) เพื่อลดขนาด KV-cache ขนาด KV-cache มาตรฐานสำหรับชั้น self-attention ที่มี $H$ heads, ความยาวลำดับ $L$ และขนาด head $d_{h}$:[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeHF-5) $S_{KV} \propto 2 \cdot H \cdot L \cdot d_{h}$ โดยที่ $S_{KV}$ คือขนาด KV-cache ด้วย GQA ที่มี $H_{g} < H$ กลุ่ม ขนาดจะลดลงเป็น: $S_{KV}^{GQA} \propto 2 \cdot H_{g} \cdot L \cdot d_{h}$ CLA เพิ่มเติมด้วยการนำ KV-cache กลับมาใช้ซ้ำระหว่างชั้นต่างๆ รวมกันแล้วการปรับปรุงเหล่านี้ช่วยประหยัดหน่วยความจำได้ประมาณ 95%[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeGitHub-4) ### การเข้ารหัสตำแหน่งและบริบทยาว โมเดลใช้ Rotary Position Embedding (RoPE) พร้อมการปรับขนาดเพื่อรองรับลำดับยาว การฝึกบริบทดำเนินการแบบเป็นขั้นตอน (curriculum learning): จาก 32K ถึง 256K token ฟังก์ชัน activation คือ SwiGLU พจนานุกรม tokenizer มีขนาด 128K (tiktoken พร้อมส่วนขยายสำหรับภาษาจีน)[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) ### การฝึกและการขยายขนาด สำหรับ MoE models มีการศึกษา scaling laws ในรูปแบบของความสัมพันธ์กำลังเชิงประจักษ์:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) $Q \approx a - b \cdot P_{active}^{- \alpha} - c \cdot N^{- \beta}$ โดยที่ $Q$ คือเมตริกคุณภาพ, $P_{active}$ คือจำนวนพารามิเตอร์ที่ใช้งานอยู่, $N$ คือปริมาณข้อมูล, $a,b,c,\alpha,\beta$ คือพารามิเตอร์ที่ได้จากการทดลอง Hunyuan-Large เน้นย้ำการใช้ข้อมูลสังเคราะห์ในปริมาณ 1.5 ล้านล้าน token — มากกว่างานวิจัย MoE ก่อนหน้านี้หลายระดับ[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) ## กระบวนการฝึกและการปรับพฤติกรรม กระบวนการฝึกโมเดล Hunyuan ประกอบด้วยหลายขั้นตอนที่เป็นลักษณะเฉพาะของ LLM สมัยใหม่:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-T1Page-7) ### การฝึกล่วงหน้า (Pre-training) การฝึกขนาดใหญ่บนคลังข้อมูลหลายภาษาขนาดใหญ่ (ภาษาจีน อังกฤษ และภาษาอื่นๆ) Hunyuan-Large ผ่านการฝึกล่วงหน้าด้วย 7 ล้านล้าน token (รวมถึง 1.5 ล้านล้าน token สังเคราะห์) TurboS ผ่านการฝึกล่วงหน้าด้วย 16 ล้านล้าน token ส่วนประกอบที่ชัดเจนของ dataset ไม่ได้รับการเปิดเผย[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6) ### การ fine-tuning แบบมีผู้ควบคุม (Supervised Fine-Tuning, SFT) การ fine-tuning บนคำสั่งมากกว่า 1 ล้านรายการ (คู่ «คำสั่ง — คำตอบ») เพื่อให้โมเดลปฏิบัติตามคำสั่งของผู้ใช้[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) ### การปรับพฤติกรรมด้วย reinforcement learning สำหรับการปรับพฤติกรรมของโมเดลให้สอดคล้องกับความชอบของมนุษย์ มีการใช้: **Direct Preference Optimization (DPO)** — วิธีการปรับพฤติกรรมโดยไม่มีโมเดลรางวัลที่ชัดเจน ใช้ใน Hunyuan-Large[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) **Reinforcement Learning (RL)** — ใน Hunyuan-T1 มีการใช้ reinforcement learning ขนาดใหญ่พร้อม curriculum learning; ตามคำกล่าวอ้างของผู้พัฒนา 96.7% ของการคำนวณหลังการฝึกเป็น RL[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-T1Page-7) **Adaptive Long-Short Chain-of-Thought** — ใน TurboS มีการนำกลไกการสลับแบบไดนามิกระหว่างการคิดเร็วและการคิดลึกมาใช้ ช่วยให้โมเดลสามารถปรับความลึกของการอนุมานตามความซับซ้อนของงาน[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6) ## ประเภทของโมเดลในกลุ่มผลิตภัณฑ์ กลุ่มผลิตภัณฑ์แบ่งออกเป็นโมเดล API บนคลาวด์แบบปิดและโมเดลแบบเปิดพร้อม weights[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOverview-3) ### โมเดลหลัก (ภาพรวม) | โมเดล | วันที่เปิดตัว | สถาปัตยกรรม | พารามิเตอร์ (รวม / ใช้งานอยู่) | บริบท | ความพร้อมใช้งาน | |------------------|---------------|------------------------------|---------------------------|----------------------------------|---------------------------| | Hunyuan (2023) | กันยายน 2023 | Dense Transformer | \>100 พันล้าน / — | ไม่เปิดเผย | API แบบปิด | | Hunyuan-Large | พฤศจิกายน 2024 | Transformer-MoE | 389 พันล้าน / 52 พันล้าน | 256K (pretrain), 128K (instruct) | Open weights (GitHub, HF) | | Hunyuan-TurboS | กุมภาพันธ์ 2025 | Hybrid Transformer-Mamba-MoE | 560 พันล้าน / 56 พันล้าน | 256K (สถาปัตยกรรม), 32K/16K (API) | API แบบปิด + รุ่นเปิด | | Hunyuan-T1 | มีนาคม 2025 | บน TurboS + RL ขนาดใหญ่ | — | 32K/64K (API) | API แบบปิด | | Hunyuan-A13B | มิถุนายน 2025 | Fine-grained MoE | 80 พันล้าน / 13 พันล้าน | 256K (เปิด), 224K/32K (API) | Open weights + API | | ขนาดเล็ก (0.5–7B) | กรกฎาคม 2025 | Dense | 0.5–7 พันล้าน | 256K | Open weights | | HY 2.0 Think | พฤศจิกายน 2025 | MoE | 406 พันล้าน / 32 พันล้าน | 128K ขาเข้า / 64K ขาออก (API) | API แบบปิด | | HY 2.0 Instruct | พฤศจิกายน 2025 | MoE | 406 พันล้าน / 32 พันล้าน | 128K ขาเข้า / 16K ขาออก (API) | API แบบปิด | *แหล่งที่มา: arXiv:2411.02265; arXiv:2505.15431; Tencent Cloud docs; GitHub*[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOverview-3)[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TechNodeHY2-10) **หมายเหตุ.** สำหรับบางโมเดล ขีดจำกัดบริบทตามสถาปัตยกรรม (จากรายงานทางเทคนิค) และขีดจำกัดบริการ API (จากเอกสารผลิตภัณฑ์) แตกต่างกัน ซึ่งไม่ใช่ความขัดแย้ง แต่สะท้อนความแตกต่างระหว่างการกำหนดค่าการวิจัยและผลิตภัณฑ์[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOverview-3) ### โมเดลเฉพาะทาง **Hunyuan-MT** (กันยายน 2025) — โมเดลแปลภาษาด้วยเครื่องเฉพาะทาง ได้อันดับ 1 ใน WMT25 ใน 30 จาก 31 หมวดหมู่[\[13\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanMTGitHub-13) **HunyuanImage, HunyuanVideo, Hunyuan3D** — โมเดลมัลติโมดัลของกลุ่มผลิตภัณฑ์สำหรับการสร้างภาพ วิดีโอ และวัตถุ 3D ตามลำดับ[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-Hunyuan3DGitHub-14) ### การวางตำแหน่งและความสัมพันธ์เชิงวิวัฒนาการ ในเอกสาร Tencent Cloud มีความสัมพันธ์เชิงวิวัฒนาการดังต่อไปนี้: - `hunyuan-a13b` ระบุว่าเป็นการอัพเกรดจาก `hunyuan-standard-256K` - `hunyuan-t1` สร้างบน TurboS พร้อมการ post-training แบบ RL ที่เข้มข้นยิ่งขึ้น - HY 2.0 Think/Instruct — สาขาที่มีการอัพเดตฐานจาก TurboS เป็น Hunyuan 2.0 - สาขาแบบเปิด (Hunyuan-Large, A13B, compact dense) พัฒนาขนานกับสาขา API แบบปิด เพื่อให้มีการเข้าถึงสำหรับการวิจัย[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOverview-3) ## สิ่งใหม่ในรุ่นสำคัญ ### Hunyuan-Large (2024) เมื่อเปรียบเทียบกับรุ่นแรกและแนวทาง MoE ก่อนหน้า Hunyuan-Large นำเสนอ:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeGitHub-4) - ขนาด 389 พันล้านพารามิเตอร์ (52 พันล้านตัวที่ใช้งานอยู่) — Transformer-MoE model แบบเปิดที่ใหญ่ที่สุดในขณะที่เผยแพร่ - รองรับบริบท 256K (pretrain) และ 128K (instruct) — เกินกว่าค่าทั่วไปของ LLM ในปี 2024 อย่างมีนัยสำคัญ - การบีบอัด KV-cache โดยใช้ GQA + CLA (ประหยัดหน่วยความจำ ~95%) - ข้อมูลสังเคราะห์ขนาดใหญ่ (1.5 ล้านล้าน token ของข้อมูลสังเคราะห์) - การ routing ผู้เชี่ยวชาญแบบผสมและ learning rates เฉพาะผู้เชี่ยวชาญ ### Hunyuan-TurboS (2025) การเปลี่ยนแปลงสถาปัตยกรรมหลัก:[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6) - ไฮบริด Mamba2 + Attention + MoE: รวม 560B / ใช้งานอยู่ 56B, 128 ชั้น - ฝึกล่วงหน้าด้วย 16 ล้านล้าน token - Adaptive Long-Short Chain-of-Thought สำหรับการจัดการความลึกของการอนุมานแบบไดนามิก - ความเร็วในการถอดรหัสที่อ้างว่าเร็วขึ้น 1.8–2 เท่า เมื่อเทียบกับเวอร์ชัน Turbo ก่อนหน้า ### Hunyuan-T1 (2025) Reasoning model บน TurboS:[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-T1Page-7) - 96.7% ของการคำนวณหลังการฝึก — reinforcement learning - ความเร็วในการถอดรหัสเร็วขึ้นสองเท่าโดยมี deployment envelope ที่เทียบเคียงได้ - Curriculum learning เพื่อปรับปรุงกลยุทธ์การอนุมาน ### HY 2.0 (2025) การอัพเดตผลิตภัณฑ์เชิงพาณิชย์หลัก:[\[10\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanXAnnounce-11) - สถาปัตยกรรม MoE: 406B รวม / 32B ที่ใช้งานอยู่ - หน้าต่างบริบท 256K token - การเติบโตอย่างมีนัยสำคัญบน benchmark เฉพาะทาง: IMO-AnswerBench 73.4% (+20% จากเวอร์ชัน HY ก่อนหน้า), SWE-bench Verified 53.0 (จาก 6.0), τ²-Bench 72.4 (จาก 17.1) - การปรับปรุง RLHF และกลยุทธ์การ post-training ## การประเมินและ benchmark การประเมินดำเนินการบน benchmark มาตรฐานโดยใช้โปรโตคอล zero-shot และ few-shot ผลลัพธ์อ้างอิงจากรายงานทางเทคนิคและที่เก็บโค้ดทางการ สำหรับบางโมเดล การตรวจสอบอิสระจากภายนอกยังมีจำกัด[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) ### Benchmark ของ 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 | *แหล่งที่มา: arXiv:2411.02265*[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) ตามรายงานทางเทคนิค Hunyuan-Large (pretrain) นำใน 15 จาก 19 benchmark เมื่อเปรียบเทียบกับ Llama 3.1-405B, Mixtral-8x22B และ DeepSeek-V2[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) ### Benchmark ของ Hunyuan-Large-Instruct | Benchmark | Hunyuan-Large-Instruct | |------------|------------------------| | MMLU | 89.9 | | MATH | 77.4 | | HumanEval | 90.0 | | Arena-Hard | 81.8 | *แหล่งที่มา: arXiv:2411.02265; Hugging Face model card*[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeHF-5) ตามคำกล่าวอ้างของผู้พัฒนา Hunyuan-Large-Instruct มีประสิทธิภาพเหนือกว่า LLaMA 3.1-405B บน MMLU 2.6 เปอร์เซ็นต์[\[4\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeGitHub-4) ### Benchmark ของ TurboS และ T1 | Benchmark | TurboS | T1 | |------------------------|---------------|------| | LMSYS Chatbot Arena | 1356 (อันดับ 7) | — | | ค่าเฉลี่ยจาก 23 benchmark | 77.9% | — | | MMLU-Pro | — | 87.2 | | GPQA-Diamond | — | 69.3 | | MATH-500 | — | 96.2 | | LiveCodeBench | — | 64.9 | | Arena-Hard | — | 91.9 | *แหล่งที่มา: arXiv:2505.15431; หน้าทางการของ T1*[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6)[\[7\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-T1Page-7) ### Benchmark ของ 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 | — | — | *แหล่งที่มา: GitHub Hunyuan-A13B README*[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-A13BGitHub-8) A13B มีประสิทธิภาพเหนือกว่า Hunyuan-Large ในงานที่ไวต่อ post-training บางรายการ (MMLU-Pro, MATH, MBPP) ซึ่งสอดคล้องกับการวางตำแหน่งให้เป็นรุ่นที่ใหม่กว่าและใช้งานได้จริงมากกว่า[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-A13BGitHub-8) ### Benchmark ของสาขา dense ขนาดกะทัดรัด | โมเดล | 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 | *แหล่งที่มา: GitHub Hunyuan-7B README*[\[9\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-Hunyuan7BGitHub-9) ### Benchmark ของ HY 2.0 ตัวเลขที่อ้างโดยผู้พัฒนา (แหล่งที่มาที่ชัดเจนเพียงแหล่งเดียว — บัญชีทางการของ Hunyuan):[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanXAnnounce-11) | Benchmark | HY 2.0 | เวอร์ชัน HY ก่อนหน้า | |--------------------|--------|-----------------------| | IMO-AnswerBench | 73.4 | ~53 (ประมาณการ, +20%) | | SWE-bench Verified | 53.0 | 6.0 | | τ²-Bench | 72.4 | 17.1 | **หมายเหตุ.** ข้อมูลเหล่านี้จัดอยู่ในประเภท «อ้างโดยผู้พัฒนา รอการยืนยันจากภายนอกในวงกว้าง»[\[11\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanXAnnounce-11) ## รายละเอียดทางเทคนิคสำหรับการใช้งาน ### หน้าต่างบริบทตามสาขา | โมเดล | ขาเข้า (token) | ขาออก (token) | |------------------------|-----------------------------------|---------------| | HY 2.0 Think | 128K | 64K | | HY 2.0 Instruct | 128K | 16K | | T1 (API) | 32K | 64K | | A13B (API) | 224K | 32K | | TurboS (API) | 32K | 16K | | Lite (API) | 250K | 6K | | Hunyuan-Large (แบบเปิด) | 256K (pretrain) / 128K (instruct) | — | | Compact 0.5–7B | 256K | — | *แหล่งที่มา: Tencent Cloud product overview*[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOverview-3) ### เครื่องมือที่รองรับ ใน Tencent Cloud API มีการบันทึกไว้:[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudChat-15) - **Function Calling** (`tools`, `tool_choice`) - **AI Search Enhancement** — การค้นหาจากแหล่งภายนอกในตัว (retrieval-augmented generation) - **SearchInfo และ Citation** — เครื่องหมายอ้างอิงในคำตอบ - **EnableMultimedia** — การแทรกมัลติมีเดียในผลลัพธ์ - **EnableThinking** — ตัวสลับ chain-of-thought สำหรับ A13B - **EnableRecommendedQuestions** — การสร้างคำถามแนะนำ ### ความเข้ากันได้ของ API Hunyuan API รองรับรูปแบบที่เข้ากันได้กับ OpenAI:[\[16\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOpenAI-16) - Base URL: https://api.hunyuan.cloud.tencent.com/v1 - รองรับ `/v1/chat/completions` และ `/v1/embeddings` - Embedding model: `hunyuan-embedding`, มิติ 1024 - Streaming ผ่าน SSE - Concurrency เริ่มต้น: 5 ต่อบัญชี สำหรับ Hunyuan-Large (แบบเปิด) รูปแบบ input/output มาตรฐานเข้ากันได้กับ framework PyTorch/Transformers รองรับการควอนไทซ์: FP8, INT4 (GPTQ/AWQ)[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeHF-5) ## การประยุกต์ใช้และการผสานรวม โมเดล Hunyuan ได้รับการผสานรวมเข้ากับระบบนิเวศของ Tencent และพร้อมใช้งานสำหรับนักพัฒนาภายนอก สถานการณ์การใช้งานหลักที่มีการบันทึกไว้:[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentAnnounce-1)[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudTechpedia-17) ### ผลิตภัณฑ์ Tencent - **Yuanbao** — แชทบอทพร้อมรองรับ Hunyuan และ DeepSeek - **Tencent Meeting** — การสร้างสรุปการประชุม - **Tencent Docs** — การสร้างและวิเคราะห์ข้อความ - **ima** — ผู้ช่วย AI ด้านการเงินและมัลติมีเดีย ### การประยุกต์ใช้ระดับองค์กร - การสร้างข้อความ: บทความ ข้อความโฆษณา บทภาพยนตร์ คำอธิบายผลิตภัณฑ์ - การสนับสนุนลูกค้าอัจฉริยะ: แชทบอท FAQ การตอบกลับอัตโนมัติ - การสร้างและวิเคราะห์โค้ด (โดยเฉพาะ HY 2.0 Think และ T1) - การอนุมานทางคณิตศาสตร์และตรรกศาสตร์ งานวิเคราะห์ - การแปลหลายภาษา (มากกว่า 30 ภาษา, Hunyuan-MT) ### โมเดลแบบเปิด รูปแบบแบบเปิดใช้สำหรับการวิจัย การ fine-tuning และการนำไปใช้งานบนอุปกรณ์ edge (dense models ขนาดเล็ก) ส่วนขยายมัลติโมดัล (HunyuanImage, HunyuanVideo, Hunyuan3D) ใช้สำหรับการสร้างโมเดล 3D และวิดีโอ[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-Hunyuan3DGitHub-14) ## ข้อจำกัดและปัญหาที่ยังเปิดอยู่ - **ความเป็นปิดของโมเดลเชิงพาณิชย์.** สำหรับ HY 2.0 และ T1 ไม่มี open weights และข้อกำหนดสถาปัตยกรรมโดยละเอียด การเข้าถึงจำกัดเฉพาะ API ซึ่งทำให้การทำซ้ำอิสระเป็นเรื่องยาก[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOverview-3) - **ความไม่โปร่งใสของข้อมูลการฝึก.** แม้จะเน้นการใช้ข้อมูลสังเคราะห์ขนาดใหญ่ แต่ส่วนประกอบที่ชัดเจนของ dataset สัดส่วนของภาษาและโดเมน ไม่ได้รับการเปิดเผย[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) - **ความต้องการการคำนวณ.** โมเดลแบบเปิดต้องการทรัพยากรมาก: GPU อย่างน้อย 32 ตัวสำหรับการ fine-tuning แบบเต็มของ Hunyuan-Large; หน่วยความจำ VRAM หลายสิบ GB แม้จะใช้ FP8[\[5\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargeHF-5) - **การสร้างข้อมูลที่ไม่ถูกต้อง.** เช่นเดียวกับ LLM อื่นๆ โมเดลมีความเสี่ยงต่อการสร้างข้อความที่ฟังดูน่าเชื่อถือแต่ผิดข้อเท็จจริง การวิจัยเชิงระบบในด้านนี้สำหรับ Hunyuan ในงานที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญแบบเปิดยังมีจำกัด[\[18\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-LangChainHunyuan-18) - **ความแตกต่างระหว่างขีดจำกัดสถาปัตยกรรมและบริการ.** สำหรับบางโมเดล (TurboS, A13B) ขีดจำกัดบริการ API ต่ำกว่าความสามารถของสถาปัตยกรรมอย่างมีนัยสำคัญ[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudOverview-3) - **การเข้าถึงตามภูมิภาค.** มุ่งเน้นตลาดจีนเป็นหลัก; API สำหรับผู้ใช้นอกประเทศจีนมีข้อจำกัดด้านภาษาและกฎหมาย[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudTechpedia-17) - **ขาดรายงาน safety โดยละเอียด.** เอกสารระบุหลักการความปลอดภัยและการกรองทั่วไป แต่ไม่มีรายงานความปลอดภัยทางเทคนิคสาธารณะที่เทียบเคียงกับบางโมเดลระดับนานาชาติ[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudChat-15) - **ความเข้ากันได้ของสาขา open-source.** หลังจากการเปิดตัว มีการบันทึกปัญหาการผสานรวมกับ `transformers` / `vllm` ซึ่งไลบรารีไม่รู้จักประเภทสถาปัตยกรรม `hunyuan_v1_dense` ต้องการ `trust_remote_code` หรือสาขาพิเศษ[\[19\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-Hunyuan18BIssues-19) ## เหตุการณ์และปัญหาที่รู้จัก ตามข้อมูลที่มี (ปลายปี 2025 — ต้นปี 2026) ไม่มีการบันทึกเหตุการณ์สาธารณะขนาดใหญ่ที่เกี่ยวข้องโดยเฉพาะกับ Hunyuan (การรั่วไหลของข้อมูลขนาดใหญ่ ภัยคุกคามความปลอดภัยเฉพาะ)[\[17\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudTechpedia-17) ### การแก้ไขผลิตภัณฑ์ที่มีการบันทึก ใน product dynamics ของ Tencent Cloud มีการบันทึกการแก้ไขย่อย:[\[12\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudDynamics-12) - **2024-11-20:** `hunyuan-turbo-latest` ได้รับการอัพเดตเพื่อแก้ไขการซ้ำกันเนื่องจาก special characters ปรับปรุงความเสถียรของผลลัพธ์ Markdown และลดการปฏิเสธที่ไม่มีเหตุผล - **2025-04-03:** การอัพเดต T1 พร้อมการแก้ไขการผสมระหว่างภาษาจีนตัวย่อ/ตัวเต็มและการผสมระหว่างภาษาจีน/อังกฤษ บวกกับการปรับปรุงการสร้างโค้ดระดับโปรเจกต์ - **2025-04-20:** Search Enhancement เปลี่ยนจาก default-on เป็น default-off — ซึ่งเป็นการเปลี่ยนแปลงพฤติกรรม API สำหรับการผสานรวม ### การวิจัยความปลอดภัย MoE ในระดับการวิจารณ์การวิจัย (ระดับ preprint) Hunyuan-A13B ปรากฏในงานวิจัยเกี่ยวกับการโจมตีการระบุตำแหน่งความปลอดภัยใน MoE models โดยเฉพาะในงาน *Large Language Lobotomy* และ *GateBreaker* รายงาน attack success rate สูงในการ «ปิดเสียง» ผู้เชี่ยวชาญด้านความปลอดภัย ซึ่งไม่ใช่การยืนยันเหตุการณ์ในระดับ production แต่แสดงให้เห็นว่าความปลอดภัยของ MoE routing ได้รับการมองว่าเป็นทิศทางการวิจัยที่มีความเสี่ยง[\[20\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-LLLobotomy-20)[\[21\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-GateBreaker-21) ## ด้านจริยธรรมและกฎระเบียบ Hunyuan ดำเนินงานภายในบริบทกฎหมายและกฎระเบียบของจีน รวมถึงกฎระเบียบระดับชาติเกี่ยวกับการจัดการ AI เชิงสร้างสรรค์ (CAC) และการกรองเนื้อหา ตลอดจนนโยบายความปลอดภัยข้อมูลภายในของ Tencent เอกสาร Tencent Cloud เน้นย้ำว่าการใช้ Hunyuan API ต้องเป็นไปตามกฎหมายที่บังคับใช้และนโยบายแพลตฟอร์ม[\[1\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentAnnounce-1) มาตรการเฉพาะได้แก่: - การกลั่นกรองเนื้อหาในตัวพร้อมการส่งออกแบบ streaming และ `FinishReason=sensitive` ที่เป็นไปได้ - การปรับพฤติกรรมผ่าน RLHF/DPO เพื่อลดการสร้างข้อมูลที่ไม่ถูกต้องและพฤติกรรมที่ไม่พึงประสงค์ - การกรองข้อมูลการฝึกเพื่อลด bias - ใบอนุญาตแบบเปิด (Tencent Hunyuan Community License Agreement) สำหรับโมเดลแบบเปิด โดยมีข้อสงวนว่าข้อตกลงนี้ไม่บังคับใช้ในสหภาพยุโรปสำหรับบางรุ่น[\[8\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-A13BGitHub-8)[\[15\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TencentCloudChat-15) รายงานอิสระเฉพาะทางเกี่ยวกับ bias (อคติ) และ fairness (ความเป็นธรรม) สำหรับ Hunyuan ยังมีน้อย การวิจัยคาดว่าจะเพิ่มขึ้นตามการขยาย open weights และการทดสอบอิสระ[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2) ## การตอบสนองของชุมชน สัญญาณภายนอกที่มีความหมายที่สุดสำหรับสาขาแบบปิดคือผลลัพธ์ของ TurboS บน LMSYS Chatbot Arena (1356, อันดับ 7 ระดับโลก) สำหรับสาขาแบบเปิด ตัวชี้วัดทางอ้อมคือกิจกรรมบน GitHub: ประมาณ 1,600 stars สำหรับ Hunyuan-Large, 812 สำหรับ A13B, 683 สำหรับ Hunyuan-MT ซึ่งสะท้อนถึงระดับการมีส่วนร่วมที่เห็นได้ชัด แต่ไม่ถึงขั้นโดดเด่นในระบบนิเวศ open LLM ความคิดเห็นเชิงอัตนัยของชุมชน (Hugging Face, Reddit) สังเกตเห็นจุดแข็งในภาษาจีนและงาน agent[\[22\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSGitHub-22) ## แนวโน้มและทิศทางการวิจัย ทิศทางการพัฒนาต่อไปที่ระบุในเอกสารสาธารณะ:[\[2\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-TurboSPaper-6)[\[14\]](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_note-Hunyuan3DGitHub-14) - การผสมสถาปัตยกรรมเพิ่มเติม (Mamba + Transformer + MoE) และการศึกษา scaling laws สำหรับ MoE - การขยายความสามารถมัลติโมดัล: การผสานรวม Hunyuan3D, HunyuanVideo และ HunyuanImage กับโมเดลภาษา - การปรับปรุงการใช้เครื่องมือ (tool use) และความสามารถของ agent - การลดต้นทุน inference: การควอนไทซ์ (2-bit สำหรับ edge) การปรับปรุงผ่าน TRT-LLM/vLLM - การขยายพอร์ตโฟลิโอโมเดลแบบเปิด - การพัฒนาและเผยแพร่รายงาน safety และ alignment โดยละเอียด ## ดูเพิ่มเติม - LLaMA (Meta) - DeepSeek ## วรรณกรรม - Sun, X. et al. *Hunyuan-Large: An Open-Source MoE Model with 52 Billion Activated Parameters by Tencent*. arXiv:2411.02265, 2024. https://arxiv.org/abs/2411.02265 - Tencent Hunyuan Team. *Hunyuan-TurboS: Advancing Large Language Models through Mamba-Transformer Synergy and Adaptive Chain-of-Thought*. arXiv:2505.15431, 2025. https://arxiv.org/abs/2505.15431 - Tencent Hunyuan Team. *Hunyuan-MT Technical Report*. arXiv:2509.05209, 2025. https://arxiv.org/abs/2509.05209 - Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. https://arxiv.org/abs/1706.03762 - Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. NeurIPS. https://arxiv.org/abs/2305.18290 ## ลิงก์ - https://cloud.tencent.com/document/product/1729/104753 — เอกสารทางการ Tencent Cloud Hunyuan - https://huggingface.co/tencent/Tencent-Hunyuan-Large — Hunyuan-Large บน Hugging Face - https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large — Hunyuan-Large บน GitHub - https://github.com/Tencent-Hunyuan/Hunyuan-A13B — Hunyuan-A13B บน GitHub - https://tencent.github.io/llm.hunyuan.T1/README_EN.html — หน้าทางการของ Hunyuan-T1 - https://www.tencent.com/en-us/articles/2201685.html — การประกาศ Hunyuan (กันยายน 2023) ## หมายเหตุ 1. ↑ [1.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentAnnounce_1-0) [1.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentAnnounce_1-1) [1.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentAnnounce_1-2) [1.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentAnnounce_1-3) [1.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentAnnounce_1-4) Tencent. *Tencent Unveils Hunyuan, its Proprietary Large Foundation Model on Tencent Cloud*. tencent.com, 7 сентября 2023. https://www.tencent.com/en-us/articles/2201685.html 2. ↑ [2.00](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-0) [2.01](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-1) [2.02](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-2) [2.03](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-3) [2.04](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-4) [2.05](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-5) [2.06](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-6) [2.07](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-7) [2.08](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-8) [2.09](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-9) [2.10](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-10) [2.11](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-11) [2.12](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-12) [2.13](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-13) [2.14](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-14) [2.15](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-15) [2.16](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-16) [2.17](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-17) [2.18](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-18) [2.19](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-19) [2.20](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargePaper_2-20) Sun, X. et al. *Hunyuan-Large: An Open-Source MoE Model with 52 Billion Activated Parameters by Tencent*. arXiv:2411.02265, 2024. https://arxiv.org/abs/2411.02265 3. ↑ [3.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOverview_3-0) [3.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOverview_3-1) [3.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOverview_3-2) [3.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOverview_3-3) [3.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOverview_3-4) [3.5](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOverview_3-5) [3.6](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOverview_3-6) [3.7](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOverview_3-7) Tencent Cloud. «腾讯混元大模型 产品概述». Tencent Cloud Documentation. https://cloud.tencent.com/document/product/1729/104753 4. ↑ [4.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeGitHub_4-0) [4.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeGitHub_4-1) [4.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeGitHub_4-2) [4.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeGitHub_4-3) Tencent-Hunyuan. *Tencent-Hunyuan-Large*. GitHub, 2024. https://github.com/Tencent-Hunyuan/Tencent-Hunyuan-Large 5. ↑ [5.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeHF_5-0) [5.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeHF_5-1) [5.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeHF_5-2) [5.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeHF_5-3) [5.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeHF_5-4) [5.5](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanLargeHF_5-5) Tencent. *tencent/Tencent-Hunyuan-Large*. Hugging Face. https://huggingface.co/tencent/Tencent-Hunyuan-Large 6. ↑ [6.00](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-0) [6.01](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-1) [6.02](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-2) [6.03](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-3) [6.04](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-4) [6.05](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-5) [6.06](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-6) [6.07](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-7) [6.08](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-8) [6.09](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-9) [6.10](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-10) [6.11](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSPaper_6-11) Tencent Hunyuan Team. *Hunyuan-TurboS: Advancing Large Language Models through Mamba-Transformer Synergy and Adaptive Chain-of-Thought*. arXiv:2505.15431, 2025. https://arxiv.org/abs/2505.15431 7. ↑ [7.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-T1Page_7-0) [7.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-T1Page_7-1) [7.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-T1Page_7-2) [7.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-T1Page_7-3) [7.4](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-T1Page_7-4) Tencent. *llm.hunyuan.T1*. Tencent GitHub Pages, 2025. https://tencent.github.io/llm.hunyuan.T1/README_EN.html 8. ↑ [8.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-A13BGitHub_8-0) [8.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-A13BGitHub_8-1) [8.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-A13BGitHub_8-2) [8.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-A13BGitHub_8-3) Tencent-Hunyuan. *Hunyuan-A13B*. GitHub, 2025. https://github.com/Tencent-Hunyuan/Hunyuan-A13B 9. ↑ [9.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-Hunyuan7BGitHub_9-0) [9.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-Hunyuan7BGitHub_9-1) Tencent-Hunyuan. *Hunyuan-7B*. GitHub, 2025. https://github.com/Tencent-Hunyuan/Hunyuan-7B 10. ↑ [10.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TechNodeHY2_10-0) [10.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TechNodeHY2_10-1) [10.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TechNodeHY2_10-2) TechNode. *Tencent releases Hunyuan 2.0, its next-generation AI model*. technode.com, 8 декабря 2025. https://technode.com/2025/12/08/tencent-releases-hunyuan-2-0-its-next-generation-ai-model/ 11. ↑ [11.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanXAnnounce_11-0) [11.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanXAnnounce_11-1) [11.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanXAnnounce_11-2) [11.3](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanXAnnounce_11-3) Hunyuan Official Account. *Tencent HY 2.0 is officially released*. X (бывш. Twitter), 4 декабря 2025. https://x.com/TencentHunyuan/status/1996948083377332614 12. ↑ [12.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudDynamics_12-0) [12.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudDynamics_12-1) Tencent Cloud. «腾讯混元大模型 产品动态». Tencent Cloud Documentation. https://cloud.tencent.com/document/product/1729/97765 13. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-HunyuanMTGitHub_13-0) Tencent-Hunyuan. *Hunyuan-MT*. GitHub, 2025. https://github.com/Tencent-Hunyuan/Hunyuan-MT 14. ↑ [14.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-Hunyuan3DGitHub_14-0) [14.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-Hunyuan3DGitHub_14-1) [14.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-Hunyuan3DGitHub_14-2) Tencent-Hunyuan. *Hunyuan3D-2*. GitHub, 2025. https://github.com/Tencent-Hunyuan/Hunyuan3D-2 15. ↑ [15.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudChat_15-0) [15.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudChat_15-1) [15.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudChat_15-2) Tencent Cloud. «对话» (Chat). Tencent Cloud API Documentation. https://cloud.tencent.com/document/product/1729/105701 16. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudOpenAI_16-0) Tencent Cloud. «混元 OpenAI 兼容接口相关调用示例». Tencent Cloud Documentation. https://cloud.tencent.com/document/product/1729/111007 17. ↑ [17.0](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudTechpedia_17-0) [17.1](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudTechpedia_17-1) [17.2](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TencentCloudTechpedia_17-2) Tencent Cloud. *How to use Tencent Hunyuan large model for natural language processing*. Tencent Cloud Techpedia. https://www.tencentcloud.com/techpedia/109099 18. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-LangChainHunyuan_18-0) LangChain. *Tencent Hunyuan integration*. Docs by LangChain, 2026. https://docs.langchain.com/oss/python/integrations/chat/tencent_hunyuan 19. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-Hunyuan18BIssues_19-0) GitHub Issues. *Hunyuan-1.8B issues*. https://github.com/Tencent-Hunyuan/Hunyuan-1.8B/issues 20. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-LLLobotomy_20-0) Lintelo, J. et al. *Large Language Lobotomy: Jailbreaking Mixture-of-Experts LLMs*. arXiv:2602.08741, 2026. https://arxiv.org/abs/2602.08741 21. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-GateBreaker_21-0) Wu, L. et al. *GateBreaker: Gate-Guided Attacks on Mixture-of-Expert LLMs*. arXiv:2512.21008, 2025. https://arxiv.org/abs/2512.21008 22. [↑](https://systems-analysis.info/int/Hunyuan_(Tencent)_(TH)#cite_ref-TurboSGitHub_22-0) Tencent-Hunyuan. *Hunyuan-TurboS*. GitHub. https://github.com/Tencent-Hunyuan/Hunyuan-TurboS