---
title: "Hunyuan (Tencent)"
source: "https://systems-analysis.info/wiki/Hunyuan_(Tencent)"
wiki: "systems-analysis.info/wiki"
article: "Hunyuan_(Tencent)"
language: "ru"
categories:
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
revision_id: 124
wiki_created_at: 2026-09-06T21:55:24Z
wiki_modified_at: 2026-09-06T21:55:24Z
downloaded_at: 2026-09-07T22:17:37Z
---

# Hunyuan (Tencent)

**Hunyuan** (кит. 腾讯混元大模型, Tencent Hunyuan, Tencent HY) — семейство фундаментальных моделей (Foundation Models) и [больших языковых моделей](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") (Large Language Model, LLM), разработанных подразделением Tencent Hunyuan Foundation Model Team и доступных через облачный сервис Tencent Cloud, а также в виде открытых весов на платформах Hugging Face и GitHub. Семейство охватывает модели для генерации и понимания текста, логического и математического вывода, программирования, обработки длинных контекстов, а также мультимодальные расширения (изображения, видео, 3D). Hunyuan позиционируется как флагманская линейка генеративного ИИ Tencent и интегрирована в экосистему продуктов компании (Yuanbao, WeChat, Tencent Meeting, Tencent Cloud).<sup>[\[1\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentAnnounce-1)[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)[\[3\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudOverview-3)</sup>

## История и хронология развития

Разработка Hunyuan велась в контексте глобальной гонки LLM и китайской стратегии технологической независимости в области искусственного интеллекта. Линейка эволюционировала от проприетарных dense-моделей к открытым Mixture-of-Experts (MoE) и гибридным Transformer-Mamba архитектурам.<sup>[\[1\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentAnnounce-1)</sup>

### Первое поколение (2023)

Публичный анонс серии Hunyuan состоялся 7 сентября 2023 года на Tencent Global Digital Ecosystem Summit в Шэньчжэне. Первая версия представляла собой проприетарную dense-модель с более чем 100 млрд параметров, предобученную на более чем 2 трлн токенов. Модель ориентировалась на китайский язык, логический вывод и генерацию контента, была интегрирована в более чем 50 продуктов Tencent и доступна через API Tencent Cloud.<sup>[\[1\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentAnnounce-1)</sup>

### Hunyuan-Large и переход к MoE (2024)

В ноябре 2024 года Tencent выпустила Hunyuan-Large — крупнейшую на тот момент открытую Transformer-MoE-модель с 389 млрд общих и 52 млрд активных параметров. Модель опубликована с открытыми весами на Hugging Face и GitHub, сопровождена препринтом на arXiv. Релиз обозначил стратегический поворот Tencent к открытой разработке.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeGitHub-4)[\[5\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeHF-5)</sup>

### Гибридные и reasoning-модели (2025)

В 2025 году линейка расширилась несколькими ключевыми релизами:

- **Hunyuan-TurboS** (февраль 2025) — первая промышленная крупномасштабная гибридная модель Transformer-Mamba-MoE с 560 млрд общих и 56 млрд активных параметров, предобученная на 16 трлн [токенов](https://systems-analysis.info/wiki/%D0%A2%D0%BE%D0%BA%D0%B5%D0%BD "Токен"). Введён механизм адаптивного Chain-of-Thought (CoT) для динамического переключения между быстрым и глубоким мышлением.<sup>[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)</sup>
- **Hunyuan-T1** (март 2025) — специализированная reasoning-модель, построенная поверх TurboS с масштабным обучением с подкреплением (96,7 % пост-тренировочных вычислений — reinforcement learning).<sup>[\[7\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-T1Page-7)</sup>
- **Hunyuan-A13B** (июнь 2025) — компактная MoE-модель (80 млрд общих / 13 млрд активных параметров) для баланса производительности и стоимости, с поддержкой быстрого и медленного мышления.<sup>[\[8\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-A13BGitHub-8)</sup>
- **Малые dense-модели** (июль 2025) — варианты 0,5B, 1,8B, 4B, 7B для edge-устройств и высококонкурентных сценариев развёртывания, с поддержкой 256K контекста.<sup>[\[9\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-Hunyuan7BGitHub-9)</sup>

### Hunyuan 2.0 (ноябрь–декабрь 2025)

В декабре 2025 года анонсировано второе поколение коммерческой модели — Hunyuan 2.0 (HY 2.0) с архитектурой MoE (406 млрд общих / 32 млрд активных параметров) и [контекстным окном](https://systems-analysis.info/wiki/%D0%9A%D0%BE%D0%BD%D1%82%D0%B5%D0%BA%D1%81%D1%82%D0%BD%D0%BE%D0%B5_%D0%BE%D0%BA%D0%BD%D0%BE "Контекстное окно") 256K токенов. Линейка разделена на два варианта: HY 2.0 Think (глубокое рассуждение, код) и HY 2.0 Instruct (диалоги, креативная генерация). Модели доступны через Tencent Cloud API и интегрированы в приложения Yuanbao и ima.<sup>[\[10\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanXAnnounce-11)</sup>

### Сводная хронология

| Дата                | Событие                                                                                     |
|---------------------|---------------------------------------------------------------------------------------------|
| Сентябрь 2023       | Публичный анонс Hunyuan как проприетарной LLM (\>100B параметров); запуск API Tencent Cloud |
| Февраль 2024        | Внутренняя MoE-модель для чатбота Yuanbao                                                   |
| Апрель 2024         | Ребрендинг: «advanced» → hunyuan-pro, «standard» → hunyuan-standard; добавлен hunyuan-lite  |
| Май 2024            | hunyuan-lite переведён на MoE, расширен до 256K контекста                                   |
| Сентябрь 2024       | Запуск нового hunyuan-turbo (MoE нового поколения)                                          |
| Ноябрь 2024         | Открытый релиз Hunyuan-Large (389B/52B MoE), препринт arXiv:2411.02265                      |
| Февраль–март 2025   | Hunyuan-TurboS (гибридный Mamba-MoE); Hunyuan-T1 (reasoning)                                |
| Июнь 2025           | Hunyuan-A13B (80B/13B, fine-grained MoE)                                                    |
| Июль 2025           | Малые dense-модели 0,5B–7B                                                                  |
| Сентябрь 2025       | Hunyuan-MT (специализированная модель перевода)                                             |
| Ноябрь–декабрь 2025 | Hunyuan 2.0 (HY 2.0 Think / Instruct), 406B/32B MoE                                         |

*Источник: Tencent Cloud product dynamics; официальные репозитории.*<sup>[\[12\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudDynamics-12)</sup>

## Теоретические основы и архитектура

### Архитектура Mixture-of-Experts

Ключевые модели серии (Hunyuan-Large, A13B, HY 2.0) используют архитектуру Mixture-of-Experts (MoE), в которой часть слоёв трансформера содержит множество «экспертов» (подсетей), а маршрутизатор (gating network) выбирает подмножество активных экспертов для каждого токена. Общая формула MoE-слоя:<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

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

где $G(x)$ — функция маршрутизации (gating), $E_{i}$ — $i$-й эксперт, $N$ — общее число экспертов. При таком подходе общее число параметров модели $P_{total}$ существенно превышает число активных при одном проходе параметров $P_{active}$:<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

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

что позволяет увеличивать ёмкость модели без пропорционального роста вычислительных затрат на инференс.

В Hunyuan-Large реализована схема с 1 общим (shared) экспертом и 16 специализированными экспертами при активации 1 специалиста на токен (top-1 routing). Дополнительные инновации включают смешанный роутинг с recycle-механизмом (переработка отвергнутых токенов) и эксперт-специфичные learning rates для улучшения баланса вклада экспертов.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)[\[5\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeHF-5)</sup>

### Гибридная архитектура Transformer-Mamba

Hunyuan-TurboS и T1 вводят гибридную архитектуру, объединяющую блоки Transformer (attention) и Mamba (state-space model). Mamba обеспечивает линейную сложность по длине последовательности:<sup>[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)</sup>

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

где $A$, $B$ — обучаемые матрицы, $h_{t}$ — скрытое состояние на шаге $t$, $x_{t}$ — входной токен. Это обеспечивает $O(1)$ memory scaling по длине (против $O(N)$ в стандартном Transformer).<sup>[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)</sup>

TurboS содержит 128 слоёв, организованных в блоки: 57 слоёв Mamba2, 7 слоёв Attention и 64 слоя FFN-MoE с 32 экспертами. Блоки AMF (Attention → Mamba2 → FFN) и MF (Mamba2 → FFN) чередуются для обеспечения баланса глобального и локального контекста.<sup>[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)</sup>

### Механизмы внимания и KV-кэш

Hunyuan-Large использует Grouped Query Attention (GQA) — вариант внимания, в котором несколько запросов делят общие ключи и значения, — и Cross-Layer Attention (CLA) для уменьшения объёма KV-кэша. Стандартный объём KV-кэша для self-attention слоя с $H$ головами, длиной последовательности $L$ и размером головы $d_{h}$:<sup>[\[5\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeHF-5)</sup>

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

где $S_{KV}$ — объём KV-кэша. При GQA с $H_{g} < H$ группами объём снижается до:

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

CLA дополнительно предполагает повторное использование KV-кэша между слоями. В совокупности эти оптимизации обеспечивают экономию памяти до примерно 95 %.<sup>[\[4\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeGitHub-4)</sup>

### Позиционное кодирование и длинный контекст

Модели используют Rotary Position Embedding (RoPE) с масштабированием для поддержки длинных последовательностей. Обучение контексту проводится поэтапно (curriculum learning): от 32K до 256K токенов. Активация — SwiGLU. Словарь токенизатора — 128K (tiktoken с расширением для китайского языка).<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

### Обучение и масштабирование

Для MoE-моделей исследуются scaling laws в форме эмпирических степенных зависимостей:<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

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

где $Q$ — метрика качества, $P_{active}$ — число активных параметров, $N$ — объём данных, $a,b,c,\alpha,\beta$ — параметры, подбираемые экспериментально. Hunyuan-Large подчёркивает использование синтетических данных объёмом 1,5 трлн токенов — на порядки больше, чем в предыдущих публикациях по MoE.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

## Пайплайн обучения и выравнивание

Процесс обучения моделей Hunyuan включает несколько этапов, характерных для современных LLM:<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)[\[7\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-T1Page-7)</sup>

### Предварительное обучение (Pre-training)

Масштабное обучение на крупном мультиязычном корпусе (китайский, английский и другие языки). Hunyuan-Large предобучена на 7 трлн токенов (включая 1,5 трлн синтетических). TurboS — на 16 трлн токенов. Точный состав датасетов не раскрыт.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)</sup>

### Контролируемое дообучение (Supervised Fine-Tuning, SFT)

Дообучение на более чем 1 млн инструкций (пар «инструкция — ответ»), приводящее модель к следованию инструкциям пользователя.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

### Выравнивание с помощью обучения с подкреплением

Для выравнивания поведения модели с предпочтениями человека применяются:

**Direct Preference Optimization (DPO)** — метод выравнивания без явной модели вознаграждения, используемый в Hunyuan-Large.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

**Reinforcement Learning (RL)** — в Hunyuan-T1 применяется масштабное обучение с подкреплением с curriculum learning; по заявлению разработчика, 96,7 % пост-тренировочных вычислений приходится на RL.<sup>[\[7\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-T1Page-7)</sup>

**Adaptive Long-Short Chain-of-Thought** — в TurboS реализован механизм динамического переключения между быстрым и глубоким мышлением, позволяющий модели адаптировать глубину рассуждения к сложности задачи.<sup>[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)</sup>

## Состав семейства моделей

Семейство разделено на закрытые облачные API-модели и открытые модели с весами.<sup>[\[3\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudOverview-3)</sup>

### Основные модели (обзор)

| Модель          | Дата релиза   | Архитектура                    | Параметры (всего / активные) | Контекст                         | Доступность                        |
|-----------------|---------------|--------------------------------|------------------------------|----------------------------------|------------------------------------|
| Hunyuan (2023)  | Сентябрь 2023 | Dense Transformer              | \>100 млрд / —               | не раскрыт                       | Проприетарный API                  |
| Hunyuan-Large   | Ноябрь 2024   | Transformer-MoE                | 389 млрд / 52 млрд           | 256K (pretrain), 128K (instruct) | Открытые веса (GitHub, HF)         |
| Hunyuan-TurboS  | Февраль 2025  | Hybrid Transformer-Mamba-MoE   | 560 млрд / 56 млрд           | 256K (архит.), 32K/16K (API)     | Проприетарный API + откр. варианты |
| Hunyuan-T1      | Март 2025     | На базе TurboS + масштабный RL | —                            | 32K/64K (API)                    | Проприетарный API                  |
| Hunyuan-A13B    | Июнь 2025     | Fine-grained MoE               | 80 млрд / 13 млрд            | 256K (откр.), 224K/32K (API)     | Открытые веса + API                |
| Малые (0,5–7B)  | Июль 2025     | Dense                          | 0,5–7 млрд                   | 256K                             | Открытые веса                      |
| HY 2.0 Think    | Ноябрь 2025   | MoE                            | 406 млрд / 32 млрд           | 128K вход / 64K выход (API)      | Проприетарный API                  |
| HY 2.0 Instruct | Ноябрь 2025   | MoE                            | 406 млрд / 32 млрд           | 128K вход / 16K выход (API)      | Проприетарный API                  |

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

**Примечание.** Для ряда моделей различаются архитектурные лимиты контекста (из техотчётов) и сервисные лимиты API (из product docs). Это не является противоречием, а отражает различия между исследовательской и продуктовой конфигурациями.<sup>[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudOverview-3)</sup>

### Специализированные модели

**Hunyuan-MT** (сентябрь 2025) — специализированная модель машинного перевода, занявшая 1-е место на WMT25 в 30 из 31 категории.<sup>[\[13\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanMTGitHub-13)</sup>

**HunyuanImage, HunyuanVideo, Hunyuan3D** — мультимодальные модели семейства для генерации изображений, видео и 3D-объектов соответственно.<sup>[\[14\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-Hunyuan3DGitHub-14)</sup>

### Позиционирование и эволюционные связи

В документации Tencent Cloud прослеживаются следующие эволюционные связи:

- `hunyuan-a13b` указан как апгрейд `hunyuan-standard-256K`.
- `hunyuan-t1` построен поверх TurboS с усиленным RL-пост-тренингом.
- HY 2.0 Think/Instruct — ветка, в которой база обновлена с TurboS до Hunyuan 2.0.
- Открытая ветка (Hunyuan-Large, A13B, compact dense) развивается параллельно закрытой API-ветке, обеспечивая исследовательский доступ.<sup>[\[3\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudOverview-3)</sup>

## Что нового в ключевых поколениях

### Hunyuan-Large (2024)

По сравнению с первым поколением и предыдущими MoE-подходами, Hunyuan-Large вводит:<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)[\[4\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeGitHub-4)</sup>

- Масштаб 389 млрд параметров (52 млрд активных) — крупнейшая открытая Transformer-MoE-модель на момент публикации.
- Поддержка 256K контекста (pretrain) и 128K (instruct) — существенное превышение типичных значений массовых LLM 2024 года.
- KV-cache compression на основе GQA + CLA (экономия памяти ~95 %).
- Large-scale synthetic data (1,5 трлн токенов синтетических данных).
- Смешанный роутинг экспертов и эксперт-специфичные learning rates.

### Hunyuan-TurboS (2025)

Ключевой архитектурный сдвиг:<sup>[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)</sup>

- Гибрид Mamba2 + Attention + MoE: 560B total / 56B active, 128 слоёв.
- Предобучение на 16 трлн токенов.
- Adaptive Long-Short Chain-of-Thought для динамического управления глубиной рассуждения.
- Заявленное ускорение декодирования в 1,8–2 раза по сравнению с предыдущей Turbo-версией.

### Hunyuan-T1 (2025)

Reasoning-модель на базе TurboS:<sup>[\[7\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-T1Page-7)</sup>

- 96,7 % пост-тренировочного compute — reinforcement learning.
- Двукратное ускорение декодирования при сопоставимом deployment envelope.
- Curriculum learning для улучшения стратегий рассуждения.

### HY 2.0 (2025)

Обновление коммерческого флагмана:<sup>[\[10\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TechNodeHY2-10)[\[11\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanXAnnounce-11)</sup>

- Архитектура MoE: 406B общих / 32B активных параметров.
- Контекстное окно 256K токенов.
- Значительный рост на специализированных бенчмарках: IMO-AnswerBench 73,4 % (+20 % к предыдущей версии HY), SWE-bench Verified 53,0 (с 6,0), τ²-Bench 72,4 (с 17,1).
- Улучшения в RLHF и стратегиях пост-обучения.

## Оценка и бенчмарки

Оценка проводилась на стандартных бенчмарках с использованием zero-shot и few-shot протоколов. Результаты основаны на официальных техотчётах и репозиториях; для ряда моделей независимые внешние верификации пока ограничены.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

### Бенчмарки Hunyuan-Large (pretrain)

| Бенчмарк  | 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        |

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

По данным техотчёта, Hunyuan-Large (pretrain) лидирует в 15 из 19 бенчмарков при сравнении с Llama 3.1-405B, Mixtral-8x22B и DeepSeek-V2.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

### Бенчмарки Hunyuan-Large-Instruct

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

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

По заявлению разработчиков, Hunyuan-Large-Instruct превосходит LLaMA 3.1-405B на MMLU на 2,6 процентных пункта.<sup>[\[4\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeGitHub-4)</sup>

### Бенчмарки TurboS и T1

| Бенчмарк                 | TurboS       | T1   |
|--------------------------|--------------|------|
| LMSYS Chatbot Arena      | 1356 (топ-7) | —    |
| Среднее по 23 бенчмаркам | 77,9 %       | —    |
| MMLU-Pro                 | —            | 87,2 |
| GPQA-Diamond             | —            | 69,3 |
| MATH-500                 | —            | 96,2 |
| LiveCodeBench            | —            | 64,9 |
| Arena-Hard               | —            | 91,9 |

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

### Бенчмарки Hunyuan-A13B

| Бенчмарк | 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        | —             | —           |

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

A13B превосходит Hunyuan-Large на ряде post-training-чувствительных задач (MMLU-Pro, MATH, MBPP), что согласуется с его позиционированием как более свежего и прикладного варианта.<sup>[\[8\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-A13BGitHub-8)</sup>

### Бенчмарки компактной dense-ветки

| Модель       | 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 |

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

### Бенчмарки HY 2.0

Показатели заявлены разработчиком (единственный явный источник — официальный аккаунт Hunyuan):<sup>[\[11\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanXAnnounce-11)</sup>

| Бенчмарк           | HY 2.0 | Предыдущая версия HY |
|--------------------|--------|----------------------|
| IMO-AnswerBench    | 73,4   | ~53 (оценка, +20 %)  |
| SWE-bench Verified | 53,0   | 6,0                  |
| τ²-Bench           | 72,4   | 17,1                 |

**Примечание.** Эти данные классифицируются как «заявленные разработчиком, ожидающие широкого внешнего подтверждения».<sup>[\[11\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanXAnnounce-11)</sup>

## Технические детали использования

### Контекстное окно по веткам

| Модель                   | Вход (токены)                     | Выход (токены) |
|--------------------------|-----------------------------------|----------------|
| 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 (открытый) | 256K (pretrain) / 128K (instruct) | —              |
| Compact 0,5–7B           | 256K                              | —              |

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

### Поддерживаемые инструменты

В Tencent Cloud API документированы:<sup>[\[15\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudChat-15)</sup>

- **[Function Calling](https://systems-analysis.info/wiki/Function_Calling "Function Calling")** (`tools`, `tool_choice`).
- **AI Search Enhancement** — встроенный поиск по внешним источникам (retrieval-augmented generation).
- **SearchInfo и Citation** — маркеры цитирования в ответах.
- **EnableMultimedia** — мультимедийные подстановки в выводе.
- **EnableThinking** — переключатель chain-of-thought для A13B.
- **EnableRecommendedQuestions** — генерация рекомендованных вопросов.

### Совместимость API

Hunyuan API поддерживает OpenAI-совместимый формат:<sup>[\[16\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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>.
- Поддерживаются `/v1/chat/completions` и `/v1/embeddings`.
- [Embedding](https://systems-analysis.info/wiki/Embedding "Embedding") model: `hunyuan-embedding`, размерность 1024.
- Streaming через SSE.
- Concurrency по умолчанию: 5 на аккаунт.

Для Hunyuan-Large (открытый) стандартный формат ввода/вывода соответствует фреймворкам PyTorch/Transformers. Поддерживается квантизация: FP8, INT4 (GPTQ/AWQ).<sup>[\[5\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeHF-5)</sup>

## Применение и интеграция

Модели Hunyuan интегрированы в экосистему Tencent и доступны для внешних разработчиков. Основные задокументированные сценарии:<sup>[\[1\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentAnnounce-1)[\[17\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudTechpedia-17)</sup>

### Продукты Tencent

- **Yuanbao** — чатбот с поддержкой Hunyuan и [DeepSeek](https://systems-analysis.info/wiki/DeepSeek "DeepSeek").
- **Tencent Meeting** — генерация саммари совещаний.
- **Tencent Docs** — генерация и анализ текста.
- **ima** — финансовый и мультимедийный ИИ-ассистент.

### Enterprise-применения

- Текстовая генерация: статьи, рекламные тексты, сценарии, описания продуктов.
- Интеллектуальная поддержка клиентов: чат-боты, FAQ, автоматизация ответов.
- Генерация и анализ кода (особенно HY 2.0 Think и T1).
- Математическое и логическое рассуждение, аналитические задачи.
- Многоязычный перевод (30+ языков, Hunyuan-MT).

### Открытые модели

Открытые варианты используются для исследований, тонкой настройки и развёртывания на edge-устройствах (малые dense-модели). Мультимодальные расширения (HunyuanImage, HunyuanVideo, Hunyuan3D) применяются для 3D-моделирования и генерации видео.<sup>[\[14\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-Hunyuan3DGitHub-14)</sup>

## Ограничения и открытые проблемы

- **Закрытость коммерческих моделей.** Для HY 2.0 и T1 отсутствуют открытые веса и подробные архитектурные спецификации; доступ ограничен API, что затрудняет независимую воспроизводимость.<sup>[\[3\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudOverview-3)</sup>
- **Непрозрачность данных обучения.** Хотя подчёркивается использование масштабных синтетических данных, точный состав датасетов, доля языков и доменных областей не раскрыты.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>
- **Вычислительные требования.** Открытые модели требуют значительных ресурсов: минимум 32 GPU для полного fine-tuning Hunyuan-Large; десятки ГБ VRAM даже с FP8.<sup>[\[5\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargeHF-5)</sup>
- **Галлюцинации.** Как и другие LLM, модели подвержены генерации правдоподобных, но фактически неверных утверждений. Систематические исследования этого аспекта для Hunyuan в открытых рецензируемых работах пока ограничены.<sup>[\[18\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-LangChainHunyuan-18)</sup>
- **Различия архитектурных и сервисных лимитов.** Для ряда моделей (TurboS, A13B) сервисные лимиты API существенно ниже архитектурных возможностей.<sup>[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)[\[3\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudOverview-3)</sup>
- **Региональная доступность.** Основной фокус на китайском рынке; API для пользователей за пределами Китая имеет языковые и юридические ограничения.<sup>[\[17\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudTechpedia-17)</sup>
- **Отсутствие детальных safety-отчётов.** В документации обозначены общие принципы безопасности и фильтрации, но нет публичных technical safety reports, сопоставимых по объёму с некоторыми международными моделями.<sup>[\[15\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudChat-15)</sup>
- **Совместимость open-source ветки.** После релизов фиксировались проблемы интеграции с `transformers` / `vllm`, где библиотеки не распознавали тип архитектуры `hunyuan_v1_dense`, требуя `trust_remote_code` или специальных веток.<sup>[\[19\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-Hunyuan18BIssues-19)</sup>

## Инциденты и известные проблемы

На момент доступных материалов (конец 2025 — начало 2026 года) крупных публичных инцидентов, специфически связанных с Hunyuan (масштабные утечки данных, уникальные угрозы безопасности), не зафиксировано.<sup>[\[17\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudTechpedia-17)</sup>

### Документированные продуктовые исправления

В product dynamics Tencent Cloud отражены микроисправления:<sup>[\[12\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudDynamics-12)</sup>

- **2024-11-20:** `hunyuan-turbo-latest` обновлён для исправления повторений из-за special characters, повышения стабильности Markdown-вывода и снижения необоснованных отказов.
- **2025-04-03:** обновление T1 с исправлениями смешения упрощённого/традиционного китайского и смешения китайского/английского, плюс улучшение генерации кода на уровне проектов.
- **2025-04-20:** Search Enhancement переведён с default-on на default-off — фактически API-поведенческое изменение для интеграций.

### Исследования безопасности MoE

На уровне исследовательской критики (preprint-уровень) Hunyuan-A13B фигурирует в работах по атакам на safety-локализацию в MoE-моделях. В частности, в работах *Large Language Lobotomy* и *GateBreaker* сообщается о высоком attack success rate при «silencing» safety-экспертов. Это не является подтверждением продакшн-инцидента, но показывает, что безопасность MoE-роутинга рассматривается как уязвимый исследовательский вектор.<sup>[\[20\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-LLLobotomy-20)[\[21\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-GateBreaker-21)</sup>

## Этические и регуляторные аспекты

Hunyuan действует в правовом и регуляторном контексте Китая, включая национальные правила по управлению генеративным ИИ (CAC) и фильтрации контента, а также внутренние политики Tencent по безопасности данных. Документация Tencent Cloud подчёркивает, что использование Hunyuan API должно соответствовать применимым законам и политике платформы.<sup>[\[1\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentAnnounce-1)</sup>

Конкретные меры включают:

- Встроенная модерация контента с потоковой выдачей и возможным `FinishReason=sensitive`.
- Alignment через RLHF/DPO для снижения галлюцинаций и нежелательного поведения.
- Фильтрация данных обучения для минимизации bias.
- Открытые лицензии (Tencent Hunyuan Community License Agreement) для открытых моделей, с оговоркой, что соглашение не применяется в ЕС для ряда вариантов.<sup>[\[8\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-A13BGitHub-8)[\[15\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TencentCloudChat-15)</sup>

Специализированных независимых отчётов по bias (предвзятости) и fairness (справедливости) для Hunyuan пока немного; исследования ожидаются по мере расширения открытых весов и независимых тестов.<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)</sup>

## Реакция сообщества

Наиболее содержательный внешний сигнал для закрытой ветки — результат TurboS на LMSYS Chatbot Arena (1356, топ-7 глобально). Для открытой ветки косвенный индикатор — GitHub-активность: порядка 1,6 тыс. stars у Hunyuan-Large, 812 у A13B, 683 у Hunyuan-MT. Это отражает заметный, но не доминирующий по меркам open LLM экосистемы уровень вовлечения. Субъективные оценки сообщества (Hugging Face, Reddit) отмечают сильные стороны в китайском языке и agent-задачах.<sup>[\[22\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSGitHub-22)</sup>

## Перспективы и направления исследований

Направления дальнейшего развития, обозначенные в публичных материалах:<sup>[\[2\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-HunyuanLargePaper-2)[\[6\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-TurboSPaper-6)[\[14\]](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_note-Hunyuan3DGitHub-14)</sup>

- Дальнейшая гибридизация архитектур (Mamba + Transformer + MoE) и исследование scaling laws для MoE.
- Расширение мультимодальных возможностей: интеграция Hunyuan3D, HunyuanVideo и HunyuanImage с языковыми моделями.
- Улучшение инструментального использования (tool use) и агентных возможностей.
- Снижение затрат на инференс: квантизация (2-bit для edge), оптимизации через TRT-LLM/vLLM.
- Расширение открытого портфеля моделей.
- Разработка и публикация детальных safety- и alignment-отчётов.

## См. также

- [LLaMA (Meta)](https://systems-analysis.info/wiki/LLaMA "LLaMA")
- [DeepSeek](https://systems-analysis.info/wiki/DeepSeek "DeepSeek")

## Ссылки

- <a href="https://cloud.tencent.com/document/product/1729/104753" class="external free" rel="nofollow">https://cloud.tencent.com/document/product/1729/104753</a> — Официальная документация 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 на 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 на 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 на 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> — Анонс Hunyuan (сентябрь 2023)

## Литература

- 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>

## Примечания

1.  <span id="cite_note-TencentAnnounce-1">↑ <sup>[1,0](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentAnnounce_1-0)</sup> <sup>[1,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentAnnounce_1-1)</sup> <sup>[1,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentAnnounce_1-2)</sup> <sup>[1,3](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentAnnounce_1-3)</sup> <sup>[1,4](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-0)</sup> <sup>[2,01](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-1)</sup> <sup>[2,02](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-2)</sup> <sup>[2,03](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-3)</sup> <sup>[2,04](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-4)</sup> <sup>[2,05](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-5)</sup> <sup>[2,06](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-6)</sup> <sup>[2,07](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-7)</sup> <sup>[2,08](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-8)</sup> <sup>[2,09](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-9)</sup> <sup>[2,10](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-10)</sup> <sup>[2,11](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-11)</sup> <sup>[2,12](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-12)</sup> <sup>[2,13](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-13)</sup> <sup>[2,14](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-14)</sup> <sup>[2,15](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-15)</sup> <sup>[2,16](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-16)</sup> <sup>[2,17](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-17)</sup> <sup>[2,18](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-18)</sup> <sup>[2,19](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargePaper_2-19)</sup> <sup>[2,20](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudOverview_3-0)</sup> <sup>[3,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudOverview_3-1)</sup> <sup>[3,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudOverview_3-2)</sup> <sup>[3,3](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudOverview_3-3)</sup> <sup>[3,4](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudOverview_3-4)</sup> <sup>[3,5](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudOverview_3-5)</sup> <sup>[3,6](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudOverview_3-6)</sup> <sup>[3,7](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargeGitHub_4-0)</sup> <sup>[4,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargeGitHub_4-1)</sup> <sup>[4,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargeGitHub_4-2)</sup> <sup>[4,3](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargeHF_5-0)</sup> <sup>[5,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargeHF_5-1)</sup> <sup>[5,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargeHF_5-2)</sup> <sup>[5,3](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargeHF_5-3)</sup> <sup>[5,4](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanLargeHF_5-4)</sup> <sup>[5,5](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-0)</sup> <sup>[6,01](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-1)</sup> <sup>[6,02](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-2)</sup> <sup>[6,03](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-3)</sup> <sup>[6,04](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-4)</sup> <sup>[6,05](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-5)</sup> <sup>[6,06](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-6)</sup> <sup>[6,07](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-7)</sup> <sup>[6,08](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-8)</sup> <sup>[6,09](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-9)</sup> <sup>[6,10](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TurboSPaper_6-10)</sup> <sup>[6,11](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-T1Page_7-0)</sup> <sup>[7,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-T1Page_7-1)</sup> <sup>[7,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-T1Page_7-2)</sup> <sup>[7,3](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-T1Page_7-3)</sup> <sup>[7,4](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-A13BGitHub_8-0)</sup> <sup>[8,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-A13BGitHub_8-1)</sup> <sup>[8,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-A13BGitHub_8-2)</sup> <sup>[8,3](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-Hunyuan7BGitHub_9-0)</sup> <sup>[9,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-TechNodeHY2_10-0)</sup> <sup>[10,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TechNodeHY2_10-1)</sup> <sup>[10,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanXAnnounce_11-0)</sup> <sup>[11,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanXAnnounce_11-1)</sup> <sup>[11,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-HunyuanXAnnounce_11-2)</sup> <sup>[11,3](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudDynamics_12-0)</sup> <sup>[12,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-Hunyuan3DGitHub_14-0)</sup> <sup>[14,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-Hunyuan3DGitHub_14-1)</sup> <sup>[14,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudChat_15-0)</sup> <sup>[15,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudChat_15-1)</sup> <sup>[15,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudTechpedia_17-0)</sup> <sup>[17,1](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#cite_ref-TencentCloudTechpedia_17-1)</sup> <sup>[17,2](https://systems-analysis.info/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#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/wiki/Hunyuan_(Tencent)#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>