Hunyuan 4 تنسنت: حالا تصویر هم می‌بینه
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
Hunyuan 4 جدیدترین مدل open-weight تنسنته و نسخهٔ رسمی بعد از پیش‌نمایش Hunyuan 4 حساب میشه. مهم‌ترین تغییرش اینه که برای اولین بار توی این خانواده، مدل تصویر هم می‌بینه، نه فقط متن. تنسنت می‌گه دستورها رو بهتر دنبال می‌کنه، context یک میلیون توکنی داره و می‌تونه کارهای طولانی چندمرحله‌ای رو بدون گم کردن مراحل قبلی جلو ببره. وزن‌های مدل هنوز منتشر نشده و قراره همراه یه system card کامل بیاد.
این مدل برای کار با کامپیوتر ساخته شده، یعنی خودش ابزارهای خط فرمان و برنامه‌های گرافیکی مثل Blender و نرم‌افزارهای CAD رو اجرا می‌کنه. تنسنت اونو برای ساخت فرانت‌اند و بازی (با موتورهایی مثل Unreal، Unity و Godot)، تحقیق عمیق، کارهای مالی و ویرایش فایل‌های Word، Excel و PowerPoint معرفی کرده.
توی تست اول مقاله، به مدل فقط یه نقاشی دستی از دستگاه کباب ترکی (دونر) دادن و گفتن صحنهٔ سه‌بعدی انیمیشنی‌شو توی Blender بسازه. مدل خودش کد Blender نوشت، رندر گرفت، خروجی رو با طرح مقایسه کرد و چیزهایی مثل شکل شعله‌ها، چاقو و توری بخاری رو خودش درست کرد. بعد از حدود یه ساعت، فایل پروژه، یه انیمیشن MP4 سه‌ثانیه‌ای و یه تصویر ثابت تحویل داد. به گفتهٔ نویسنده، جای چاقو دقیق نبود و گوشت بیشتر شبیه حلقه‌های روی هم شده بود، ولی کلیت کار خیلی به طرح نزدیک بود.
تست دوم یه بررسی مالی برای عرضهٔ اولیهٔ سهام (IPO) یه شرکت خیالی دیتاسنتر بود، با یه فایل Excel، یه CSV و یه یادداشت Word. توی این فایل‌ها عمداً یه عدد ناهماهنگ گذاشته بودن. مدل کار خوندن رو بین سه sub-agent موازی (یعنی چند عامل کمکی که هم‌زمان کار می‌کنن) پخش کرد و حدود ده دقیقه‌ای یه گزارش Word کامل نوشت. همهٔ اعدادش با محاسبهٔ دستی می‌خوند، اون ناهماهنگی رو پیدا کرد و نتیجه گرفت که «هنوز نه»، با هفت شرط مشخص برای عرضه.
تست سوم ترکیب چت، ایمیل و تقویم توی یه سند و ترجمه‌اش به ۸۲ زبان بود. نسخهٔ انگلیسی همهٔ تاریخ‌ها و مبلغ‌ها رو درست نگه داشت، ورودی‌های تکراری رو ادغام کرد و تداخل یه وقت دندون‌پزشکی با یه تماس کاری رو هم گرفت. توی بیشتر زبان‌ها خروجی خوب بود و فقط اردو مشکل نمایش فونت و چند خطای کوچیک داشت.
روی بنچمارک‌های خود تنسنت، Hunyuan 4 معمولاً از GLM و DeepSeek جلوتره ولی از Kimi، GPT و Claude عقب‌تره. توی computer use و وب‌گردی به مدل‌های بزرگ نزدیکه و بیشترین فاصله‌ش توی کدنویسی سخت و long-context هست. نویسنده یادآوری می‌کنه که این‌ها اعداد داخلی خود تنسنته، نه ارزیابی مستقل.
نکات کلیدی:
- Hunyuan 4 اولین نسخهٔ این خانواده‌ست که ورودی تصویر رو پشتیبانی می‌کنه.
- context window مدل یک میلیون توکنه.
- وزن‌ها و system card هنوز منتشر نشدن.
- ساخت صحنهٔ Blender از یه طرح دستی حدود یه ساعت طول کشید.
- گزارش IPO حدود ده دقیقه‌ای آماده شد و ناهماهنگی عمدی رو پیدا کرد.
- ترجمه به ۸۲ زبان انجام شد و فقط اردو مشکل محسوس داشت.
- طبق بنچمارک تنسنت، جلوتر از GLM و DeepSeek ولی عقب‌تر از Claude و GPT.
