텐센트 혼위안이 Hy4를 발표하다: 오픈소스 최강에 진입, 실측 네 가지 실용적인 장면

글｜샤오징

편집｜쉬칭양

11월 4일, 텐센트 혼위안이 차세대 대형 언어 모델 Hy4를 공식 발표했다. 이전의 Hy4 미리보기와 비교하여, 새로운 모델은 사전 훈련 및 후 훈련 규모를 더욱 확대하고, 시각 이해 능력을 처음으로 도입하며, 지시 준수, 긴 텍스트 이해, 장기 에이전트 및 실제 생산성 작업 성능을 강화하는 데 중점을 두었다.

Hy4의 총 매개변수 규모는 770B이며, 혼합 전문가 아키텍처를 채택하고, 컴퓨터 사용을 처음으로 지원하여 명령줄과 그래픽 인터페이스를 결합하여 복잡한 작업을 수행할 수 있다.

평가 결과에 따르면, Hy4는 세계 1위 오픈 소스 모델 대열에 합류했으며, 모델 가중치는 가까운 시일 내에 오픈 소스화될 예정이다. 혼위안 팀은 Hy4가 현재 가장 강력한 오픈 소스 모델 중 하나이지만, 최고 폐쇄형 모델과는 여전히 큰 격차가 있다고 밝혔다. 혼위안은 사전 훈련 및 후 훈련 규모를 지속적으로 안정적으로 확장하며, 최고 폐쇄형 모델과의 격차를 줄이기 위해 노력할 것이다.

모델이 네트워크 및 생물학적 측면에서 잠재적인 보안 위험에 대해, 혼위안은 보다 책임감 있는 방식으로 훈련, 오픈 소스 및 발표를 진행하고 있다.

01 가장 강력한 오픈 소스 모델에 합류하다

시각 이해 측면에서, Hy4는 이미지의 세부 사항을 인식하고 복잡한 차트를 분석하며 추론 능력을 결합하여 시각 수학 작업을 수행할 수 있다. 처음 도입된 컴퓨터 사용 능력 덕분에 모델은 그래픽 인터페이스와 명령줄을 조작할 수 있다. Blender, CAD 등 전문 소프트웨어와 애플리케이션 간 협력이 필요한 장기 작업에 대해, 텐센트 혼위안은 특별 훈련을 진행했다.

동시에, 텐센트는 모델과 제품의 깊은 협동 설계(Co-Design)를 통해 모델의 실제 작업 성능을 향상시키고 있다.

WorkBuddy 사무 환경 평가에서, Hy4는 평균 효과 점수 83.18점을 기록했으며, 작업 통과율은 96.15%에 달하고, 12개 장면 중 9개에서 국내 1위를 차지했다. 기업 위챗 패키지를 통해 모델은 채팅 기록, 이메일, 문서, 일정 및 회의 등의 정보를 연관시켜 여러 프로젝트의 진행 상황을 정리하고, 할 일 목록을 식별하며 우선 순위를 조정하는 데 도움을 줄 수 있다.

전문 금융 분석은 또 다른 주요 업그레이드이다. 텐센트는 펀드 연구, 증권 분석 및 정량 전략 등 장면을 위해 수천 개의 작업 공간과 수만 개의 고품질 훈련 작업을 구축했다.

213명의 금융 전문가가 참여하고 579개의 실제 작업을 포함한 공개 테스트에서, Hy4는 3.04점을 기록하여 같은 분야의 Kimi K3.1 Pro(2.68점), GLM-5.3(2.68점) 및 DeepSeek-V4.1-Flash-1017(2.97점)보다 높았다.

금융 등 장면에서 정보 정확성에 대한 요구에 대응하여, 혼위안은 시효 검색, 다원 정보 통합 및 사실 일관성 검증의 특별 최적화를 진행했다. 자체 테스트 결과에 따르면, Hy4의 환각률은 미리보기 버전의 12.95%에서 7.2%로 감소했으며, 추측으로 인한 오류율은 23.1%에서 5.6%로 줄어들었다.

프론트엔드 및 게임 개발에서, Hy4는 복잡한 상호작용, 비즈니스 논리 및 상태 관리 능력을 더욱 향상시켰으며, UE, Unity, Godot 등 주요 게임 엔진에 대한 적응력을 강화했다. 미리보기 버전과 비교하여, GameDev 및 GameLogic 평가 성적은 각각 19.1% 및 9.8% 향상되었다.

과학 연구 분야에서, Hy4는 복잡한 추론, 과학 프로그래밍 및 장기 작업 수행 능력을 더욱 결합했다. 7개 학문, 123개의 실행 가능한 연구 작업을 포함한 TenureTrail 내부 평가에서, 모델은 수학 구성, 물리 모델링, 지구 환경 및 시스템 공학 등 방향에서 강력한 작업 처리 능력을 보여주었다.

더욱 주목할 만한 것은, Hy4가 AI 모델 자체의 연구 개발에 참여하기 시작했다는 점이다. 텐센트 혼위안은 재귀적 자기 개선(Recursive Self-Improvement, RSI)을 준비하고 있으며, Hy4와 Hyra 2.0 연구 프레임워크를 활용하여 소형 모델의 사전 훈련 기반 시설을 협동 최적화하고 모델 훈련을 자동으로 완료하고 있다. 혼위안은 또한 이 시스템의 지원을 받아 개발된 단세포 표현 기본 모델 HyCell과 물리장 기본 모델 HyPDE를 오픈 소스화하여 AI 지원 연구 능력을 재사용 가능한 도구로 전환하려고 시도하고 있다.

네트워크 보안 측면에서, Hy4는 훈련 중 PoC 생성 및 취약점 수정과 관련된 방어적 네트워크 보안 데이터만 포함하고, 취약점 이용, 역공학, 침투 등 공격적 훈련 내용을 제외하여 잠재적인 공격 능력의 향상을 피하고자 했다. 혼위안은 텐센트 현무 및 코엔 연구소의 보안 전문가를 조직하여 암호 분석, 역공학, 취약점 이용 등 방향에서 감사를 진행했으며, 결과는 Hy4가 암호 알고리즘의 역해석, 이진 혼란에 대한 저항, 취약점 이용 등 공격적 능력에서 두드러진 위험을 보이지 않았음을 나타냈다.

생물 안전 측면에서, Hy4의 개방형 실험 설계 능력은 최전선 모델과 명백한 격차가 있다(Hy-BioExperimentBench: 30.4/100). 혼위안은 내부 전문가를 조직하여 궤적을 감사했으며, 모델의 기초 생물 지식 습득 능력이 강하지만, 지식을 실행 가능한 실험 계획으로 전환하는 능력은 여전히 제한적이며, 생화학적 해로운 행동을 수행하는 문턱을 현저히 낮출 수 있는 능력은 발견되지 않았다.

이러한 업그레이드는 텐센트 혼위안이 2026년 이후의 연구 개발 리듬을 이어가고 있음을 보여준다. 2월 인프라를 재구축한 이후, 혼위안은 평균 두 달마다 하나의 대버전을 출시하고 있으며, 먼저 미리보기를 공개한 후 사용자 피드백을 반영하여 정식 버전을 반복하고 있다. 매개변수 규모가 300B에 미치지 않는 Hy3 시리즈에서 770B의 Hy4 시리즈로, 모델 규모와 훈련 투입이 지속적으로 확대되고 있다. 다음 세대 Hy5의 규모는 더욱 확대될 예정이다.

텐센트 혼위안은 "모델 실용성"을 핵심 원칙으로 삼아, 지속적으로 지능의 한계를 추구하는 동시에 사용자에게 높은 가성비 서비스를 제공하고 있다. Hy4는 모델 성능이 Hy4 미리보기를 크게 초월하는 동시에 가격은 변하지 않는다: 입력 6위안/백만 토큰, 출력 18위안/백만 토큰, 캐시 히트 0.3위안/백만 토큰.

Hy4 플래시도 곧 출시될 예정이다. Hy4 플래시는 Hy4의 능력을 계승하면서 작업 비용을 대폭 줄여 사용자에게 극대화된 가성비 모델을 제공한다.

현재 Hy4는 텐센트 클라우드 Tokenhub, WorkBuddy/CodeBuddy, 원보, 기업 위챗 스마트 어시스턴트 대원, ima 등 제품에 온라인 되었으며, API는 OpenRouter, Hermes, OpenCode 등 플랫폼에 동기화 접속되고 있다. QQ, 왕자 영웅, 평화 정예, 위챗 독서, 텐센트 뉴스 등 텐센트 계열 제품도 지속적으로 접속되고 있다.

더 많은 사용자 피드백을 수집하고 모델 능력을 지속적으로 향상시키기 위해, WorkBuddy/CodeBuddy는 11월 4일부터 11월 15일 사이에 사용자에게 일정 금액의 무료 사용을 제공할 예정이다. 또한, 즉시부터 2026년 12월 31일까지, Hy4는 텐센트 클라우드 TokenHub에서 정가의 50%로 청구된다.

이러한 기술 업그레이드와 평가 데이터를 통해, Hy4는 더 복잡한 실제 작업으로 확장하고 있다. 우리는 또한 첫 번째 시간에 네 가지 다른 장면을 선택하여 실제 경험을 진행했다.

02 한 문장으로 태양계를 만들다

우리는 먼저 Hy4에게 "소원형" 작업을 배정했다: 9세 어린이를 위해 태양계 인터랙티브 웹페이지를 제작하여, 어린이가 행성을 클릭하고 운동을 관찰하며 공전 속도를 조정하고, 왜 서로 다른 행성의 1년 길이가 다른지를 이해할 수 있도록 하였다. 힌트는 이렇게 짧은 한 문장이었다.

모델은 최종적으로 인터랙티브 웹페이지를 전달했다.

페이지는 깊은 파란색의 별빛 배경을 사용하고, 중앙에는 빛나는 태양이 있으며, 여덟 개의 행성이 각자의 궤도에 분포해 있다. 전체 비주얼 스타일은 과학 박물관의 디지털 인터랙티브 전시와 유사하다.

"왜 아이가 1년이 왜 다르게 긴지를 이해하게 하려면" 모델은 직관적인 비교를 설계했다: 시간이 흐르면서, 지구가 태양 주위를 한 바퀴 돌 때, 수성은 이미 네 바퀴를 돌았고, 해왕성은 궤도의 일부분만 지나갔다는 것이다.

또한 지구의 연도를 빠르게 진행시키고, 행성 파일, 시간 흐름 조정, 시점 전환 등의 인터랙션 기능을 추가했다. 서로 다른 행성을 클릭하면 직경, 태양과의 거리, 자전 및 공전 주기를 확인할 수 있다.

이러한 세부 사항은 원래 지침에 항목별로 작성되지 않았다.

예를 들어, 아이가 공전 주기를 이해하도록 하기 위해 모델은 스스로 진행률 표시줄을 보충했다; 과학적 오해를 피하기 위해, 행성의 크기와 궤도 간격이 압축되었으며, 공전 주기는 실제 천문 데이터에 따라 설정되었다.

완성된 페이지를 보면, 모델은 상대적으로 모호한 교육 요구를 시각적 효과, 지식 표현 및 인터랙션 작업을 모두 고려한 구체적인 작품으로 전환할 수 있게 되었다.

실행 기록은 또한 그것이 Chrome을 사용하여 15개의 인터랙션 검사를 수행했으며, 클릭, 드래그, 테마 전환 및 시간 빠르게 진행하는 등의 작업을 포함하고 있음을 보여준다.

사용자가 제시한 것은 교육 목표이며, AI는 9세 어린이가 이 지식 포인트를 진정으로 이해하도록 하기 위해 스스로 생각해야 한다. 이것이 바로 "소원형 프로그래밍"이 일반 사용자에게 가장 매력적인 이유이다: 사람은 일상적인 대화 방식으로 요구를 제시할 수 있으며, 모델은 더 많은 제품 설계 및 기술 구현 작업을 맡게 된다.

03 어지러운 냉장고, Hy4가 직접 미래 메뉴를 계획하다

"태양계 시뮬레이션 웹페이지 제작"과 같은 작업의 출발점은 여전히 텍스트이다. 사용자가 더 이상 명확한 언어 설명을 제공하지 않고, 현실 세계의 문제를 AI에게 직접 사진으로 보내면, AI는 얼마나 이해할 수 있을까?

우리는 Hy4에게 가득 찬 냉장고 사진을 보내고, 세 사람을 위해 향후 3일 동안의 9끼 식사를 계획하도록 하였다. 추가 구매 예산은 100위안을 넘지 않으며, 각 끼니의 요리 시간은 40분을 초과하지 않는다.

이 테스트는 먼저 시각 이해를 시험한다. 냉장고에는 많은 겹쳐진, 가려진 및 포장이 불투명한 물품이 있으며, 조명 반사도 인식 난이도를 증가시킨다. 모델은 먼저 영역별로 사진을 확대하고, 층별로 재료를 점검하여 토마토, 오이, 호박, 냉동 혼합 채소, 빵, 조미료 등을 인식하고, 재고 수량에 대한 초기 추정을 수행했다.

흥미로운 것은, 그것이 모든 것을 명확히 보았다고 가장하지 않았다는 점이다.

왼쪽 중간의 분홍색 진공 포장에 대해, 모델은 그것이 닭고기, 돼지고기, 햄 또는 생선일 가능성이 있다고 판단했다; 오른쪽 문에 있는 흰색 큰 통이 요거트, 크림 또는 치즈 소스인지도 확인할 수 없었다. 모델은 메뉴 계획에 영향을 미치는 시각적 의심을 네 군데 나열하고, 이러한 재료를 확인 대기 중으로 표시하며 후속 계획에서 보수적으로 처리하였다.

그 후, 모델은 인식 결과를 바탕으로 구매 목록과 3일 메뉴를 계속 작성했다.

이 작업은 모델이 시각 인식에서 실제 계획으로의 능력을 시험한다. 모델은 사진이 제공하는 정보가 불완전한 상황에서 어떤 재료를 사용할 수 있는지, 어떤 재료가 추가 확인이 필요한지를 판단해야 하며, 예산, 맛, 시간 및 재료 소비를 모두 고려해야 한다.

진정으로 유용한 시각 이해는 무엇을 보는 것뿐만 아니라, 무엇이 명확하지 않은지를 아는 것과 이러한 불확실성이 다음 결정을 어떻게 영향을 미칠지를 포함한다.

더 복잡한 것은, 우리는 추가적인 요구 사항을 제시했다: 다음 날 저녁에 갑자기 두 명의 손님이 추가되었고, 그 중 한 명은 채식주의자이며, 다른 한 명은 땅콩 알레르기가 있다. 예산은 늘릴 수 없고, 셋째 날의 식사도 영향을 받지 않아야 한다.

이러한 작업은 모델이 지속적으로 변화하는 재고와 예산 상태를 유지해야 한다는 것을 요구한다. 그것은 이전에 소비된 것을 기억하고, 다음 재료 분배를 재조정하며, 식이 제한을 고려해야 한다. Hy4는 심지어 낭비 방지를 위한 바닥 전략도 제시했다.

현실 세계의 많은 요구 사항이 바로 이렇다. 사용자는 종종 목표만 설명하고, 나머지 제한 사항과 세부 사항은 모델이 능동적으로 발견하고 합리적으로 추론하거나 추가로 확인해야 한다.

04 Hy4가 편집자로서, 사용자가 제시한 숫자에 의문을 제기하다

창의성과 계획 능력 외에도, 현실에서는 모델이 독립적인 판단의 참고 자료를 제공해야 할 때가 많다.

우리는 Hy4에게 가상의 AI 회사의 성과 홍보 이미지를 주고, 다음과 같은 힌트를 제공했다: 내가 업로드한 이 가상의 AI 회사의 성과 홍보 이미지를 분석해 주세요. 당신은 엄격한 금융 편집자처럼 이미지의 홍보 결론이 진실인지 판단해야 합니다.

다음 작업을 완료해 주세요:

1. 이미지에서 모든 주요 재무 숫자와 텍스트를 완전하게 추출합니다.

2. 영업 수익 성장률, 영업 이익 및 이익 변화 비율을 독립적으로 계산합니다.

3. 이미지에서 모든 명백한 오류, 과장된 홍보 또는 독자를 오도할 수 있는 시각적 디자인을 식별합니다.

4. 왜 막대 그래프의 수직 축 설정이 독자의 성장 폭에 대한 직관적인 감각을 변화시킬 수 있는지 설명합니다.

5. 더 규범적인 그래프는 어떻게 수정해야 하는지에 대한 구체적인 계획을 제시합니다.

6. 150자 이내의 금융 뉴스 검증 결론을 작성합니다.

모델은 홍보 이미지의 세 가지 결론 중 두 가지에 명백한 문제가 있음을 빠르게 발견했다.

첫 번째는 "수익 증가 80%"이다. 실제 데이터는 1.2억 위안에서 1.5억 위안으로 증가했으며, 모델이 재계산한 결과, 실제 증가폭은 25%에 불과해 홍보의 80%보다 훨씬 낮았다.

두 번째는 "이익이 두 배로 증가"이다. 그러나 이미지에 나열된 금액은 3000만 위안에서 1800만 위안으로 감소했으며, 실제로는 40% 감소하여 방향이 완전히 반대였다. 여기에는 직접적인 정보가 없으며, 추론 계산을 통해 얻어야 한다.

세 번째 "유료 사용자 증가 50%"는 올바르다. 그러나 모델은 이 숫자 뒤에 있는 의미를 계속 질문했다: 고객 수가 50% 증가했지만 수익은 25%만 증가했다면, 평균 유료 사용자가 가져오는 수익은 실제로 약 16.7% 감소했다.

또한, 모델은 그래프의 수직 축이 110에서 시작하고 0에서 시작하지 않아 막대 그래프의 수익 증가가 특히 과장되게 보인다는 것을 발견했다.

그 후, 모델은 두 개의 대조 그래프와 하나의 규범화된 재작성 그래프를 제공하여 수직 축을 0으로 되돌리고, 데이터 기준을 보완하며, 문제의 본질을 간결한 150자의 텍스트로 설명했다.

이 사례의 흥미로운 점은 모델이 홍보 이미지의 논리를 따라 데이터를 계속 포장하는 대신, 입력 자료 자체에 의문을 제기했다는 것이다.

사실, 사용자가 AI에게 "이 이미지를 분석해 주세요"라고 요청하는 것은 일반적으로 기대를 내포하고 있다: 그것은 문제를 인식하는 데 도움을 주어야 하며, 단순히 이미지의 텍스트를 재구성하는 것만으로는 충분하지 않다.

하지만 이는 모델에 더 높은 요구를 제기한다. 모델은 어떤 데이터가 직접 계산될 수 있는지, 어떤 결론이 추가 증거를 필요로 하는지를 알아야 한다.

예를 들어, 홍보 이미지는 전체 비용을 명시하지 않았고, 데이터가 감사되었는지 여부도 명시하지 않았다. 모델은 이에 따라 계산할 수 있는 것은 주어진 숫자 간의 관계뿐이며, 이 이미지를 통해 기업의 실제 순이익을 확인할 수는 없다고 지적했다.

이러한 경계 인식은 AI가 금융, 법률, 의료 및 기타 전문 분야에 진입하는 데 특히 중요하다.

모델은 설명을 생성하는 데 매우 능숙할 수 있으며, 계산을 신속하게 완료할 수 있다. 그러나 불완전한 정보에 대해 과도하게 확정적인 판단을 내린다면, 원래 효율성을 높이려는 도구가 새로운 위험을 초래할 수 있다.

진정으로 가치 있는 분석 도우미는 입력에 의문을 제기해야 할 때와 정보가 부족하다는 것을 인정해야 할 때를 알아야 한다.

05 세 명의 사장이 동시에 일을 맡기고, Hy4는 가장 좋은 방안이 사장에게 연기를 요청하는 것임을 발견하다

마지막 작업에서 우리는 의도적으로 완료할 수 없는 요구를 설정했다.

가상의 AI 회사에 운영 직원이 한 명만 있다고 가정하고, 동시에 세 명의 사장을 위해 일해야 한다. CEO는 이사회 자료를 준비하고, 투자자 요약을 보내라고 요구하며; 제품 책임자는 사용자 피드백을 분석하고 개선안을 제시하라고 요구하며; 마케팅 책임자는 보도 자료를 작성하고, 디자인을 하고, 협력 이메일에 답변하라고 요구한다.

모든 작업은 순차적으로 완료해야 하며, 동시에 실행할 수 없다. 근무 시간은 오전 9시부터 오후 5시까지이며, 총 480분이다. 그러나 모든 작업의 소요 시간을 합치면 555분이 필요하다.

즉, 어떤 식으로든 최소 75분의 작업은 당일 완료할 수 없다.

우리는 모델에게 가장 합리적인 실행 계획을 제시하도록 요청한 후, 두 개의 임시 변경 사항을 추가했다: CEO는 이사회 자료의 마감 시간을 앞당겼고, 마케팅 책임자는 보도 자료의 시작을 연기하라고 요구했다.

모델은 결국 모든 작업이 제시간에 완료될 수 있는 완벽한 시간표를 제시하지 않았다. 대신, 그것은 작업 자체에 존재하는 충돌을 인식하고, 서로 다른 사장이 연기 결과를 부담하도록 세 가지 분배 방안을 제안했다.

그 중 하나의 방안의 총 초과 시간은 300분이며, 나머지 두 개는 각각 360분과 450분이다.

모델은 총 초과 시간이 적은 방안을 선택하는 경향이 있으며, 작업 요구를 더 충족시키려면 관련 책임자가 자발적으로 연기를 승인해야 한다고 지적했다.

그것은 심지어 매우 흥미로운 제안을 했다: "정렬에서 균형을 찾지 말고, 불가능한 마감 시간을 가능한 것으로 변경하라."

이 결과는 복잡한 제약 하에서 모델의 판단 능력을 보여준다.

사용자가 제시한 작업이 동시에 완료될 수 없을 때, AI는 충돌을 인식하고, 비용을 설명하며, 선택 가능한 해결책을 제시해야 한다.

하지만 여기에는 더 깊은 문제가 있다. 모델이 말하는 "최적"은 도대체 누구의 최적인가?

회사의 전체적인 관점에서 볼 때, 총 초과 시간이 가장 적은 방안이 더 효율적일 수 있다. 그러나 CEO에게는 이사회 전에 반드시 완료해야 하는 자료가 있을 수 있으며, 어떤 경우에도 연기할 수 없을지도 모른다.

모델은 설정된 목표에 따라 최적의 해를 찾을 수 있지만, 각 작업 뒤에 있는 실제 비즈니스 결과를 반드시 알지는 못한다. 또한, 연기가 사장의 승인을 필요로 한다면, 모델이 합리적인 제안을 하더라도 "계획 연기 신청"을 "이미 승인된 것"으로 간주할 수 없다.

이는 AI가 점점 더 많은 작업 배치에 참여하게 될 때, 단순히 작업 간의 논리적 관계뿐만 아니라 목표 우선순위, 실제 권한 및 각자가 감당할 의향이 있는 비용을 이해해야 함을 의미한다.

사용자의 요구를 항상 수용하는 에이전트는 오히려 가장 신뢰할 수 없는 존재가 될 수 있다.

때때로 AI는 사용자에게 이렇게 말해야 한다: 현재 이 요구는 수행할 수 없다. 더 나아가, 왜 수행할 수 없는지 설명하고, 어떤 조건을 변경해야 완료할 수 있는지를 알려야 한다.

06 욕망을 이해하되, 거절도 알아야 한다

태양계 웹페이지 생성, 냉장고 재료 인식, 재무 데이터 검증, 작업 배치 등 네 가지 사례는 Hy4가 다양한 상황에서 발휘하는 능력을 보여준다.

이러한 작업은 공통점이 있다: 사용자는 종종 목표만 제시하고, 모든 요구 사항을 명확히 설명하지 않는다.

태양계 웹페이지를 제작할 때, 모델은 아이의 이해 능력과 상호작용 경험을 고려해야 하며; 삼일 메뉴를 배치할 때는 재료, 예산 및 맛, 심지어 손님의 알레르기 원인을 고려해야 하며; 재무 데이터를 검증할 때는 오류를 능동적으로 식별해야 하며; 세 명의 사장이 서로 충돌하는 요구를 제시할 때는 어떤 작업이 제시간에 완료될 수 없는지를 판단해야 한다.

사용자는 자연어로 요구를 제시할 수 있지만, 모델이 사용자의 의도를 진정으로 이해하려면 두 가지 능력이 필요하다: 능동성과 판단력.

사용자가 명확히 설명하지 않았을 때 한 걸음 더 생각할 수 있어야 하며, 정보가 부족하거나 요구가 충돌할 때 질문을 제기하고, 필요할 경우 "아니오"라고 말할 수 있어야 한다. 특히 AI가 사람 대신 작업을 배치하고 선택을 할 때, 어떤 결정은 자율적으로 완료할 수 있고, 어떤 결정은 사용자에게 다시 넘겨야 하는지를 알아야 한다.

Hy4는 시각적 이해, 장기 작업 및 에이전트 능력을 강화하며, 이러한 더 복잡한 인간-기계 협력 방식을 탐구하고 있다.

AI가 점점 더 문장을 구체적인 결과로 변환하는 데 능숙해질수록, 가장 주목해야 할 점은 그것이 말로 표현되지 않은 요구를 이해하고, 언제 능동적으로 행동해야 하며, 언제 사용자에게 마음을 바꾸도록 상기시켜야 하는지를 판단할 수 있는지 여부일 것이다.

이것이 아마도 사람 간의 소통의 정수를 이해하는 것이며, 말로 표현되지 않은 것이 가장 중요할 수 있다.