AI 뉴스 SVIL 텐센트 Hy4 훈위안 오픈웨이트 Tencent 딥시크

텐센트가 7,700억 파라미터 모델을 통째로 풀었습니다 — Hy4 프리뷰와 100만 토큰

SVIL - Singularity Visual Intelligence Lab 2026. 08. 30 17 min read

8월 28일, 텐센트가 7,700억 파라미터짜리 AI 모델을 통째로 공개했습니다.

논문만 낸 것이 아니라 모델 파일 자체를 아파치 2.0 라이선스로 풀었어요. 누구나 내려받아 쓰고, 고치고, 사업에 써도 됩니다.

이름은 Hy4 프리뷰. 한 번에 100만 토큰이 넘는 글을 읽을 수 있고, 가격은 입력 100만 토큰에 0.834달러입니다.

모든 이음새와 모서리가 강렬한 청록빛으로 가득 찬 거대한 어두운 정사면체 — 대형 모델을 표현한 개념 이미지

8월 28일, 텐센트가 모델 가중치를 통째로 풀었습니다

텐센트의 AI 조직 훈위안(Hunyuan) 팀이 Hy4 프리뷰를 공개했습니다. 발표와 동시에 모델 파일을 내려받을 수 있게 열었어요.

허깅페이스, 모델스코프, 깃코드, CNB 네 곳에 동시에 올라갔습니다. 중국 안팎 어디서든 받을 수 있게 한 배치예요.

이름 끝의 프리뷰라는 말이 붙어 있듯 아직 완성본은 아닙니다. 다만 성능 수치와 가격이 함께 공개돼 실제로 쓸 수 있는 상태로 나왔어요.

Hy4 프리뷰가 무엇인가

한 문장으로 줄이면 코딩과 도구 사용에 초점을 맞춘 대형 언어 모델입니다.

텐센트는 이 모델을 코딩 에이전트, 복잡한 도구 연동 작업, 여러 단계를 이어 가는 업무에 맞춰 만들었다고 설명합니다.

질문에 한 번 답하고 끝나는 용도보다, 여러 단계를 스스로 이어 가며 일하는 쓰임을 겨냥한 모델이라는 뜻이에요.

빽빽하게 뭉친 작은 어두운 정사면체들 가운데 소수만 밝게 빛나는 모습 — 일부만 활성화되는 구조를 표현한 개념 이미지

7,700억이라는 숫자 — 그런데 한 번에 490억만 씁니다

전체 파라미터는 7,700억 개입니다. 파라미터는 모델이 학습으로 얻은 값들의 개수라고 보시면 돼요. 많을수록 담긴 지식이 크다고 거칠게 이해하셔도 됩니다.

그런데 실제로 한 번 답을 만들 때 쓰이는 것은 그중 490억 개뿐입니다. 나머지는 그 순간에는 쉬고 있어요.

이 구조 덕분에 7,700억짜리 지식을 갖고도 490억짜리에 가까운 계산 비용으로 돌아갑니다. 가격이 저렴한 이유가 여기에 있어요.

전문가 혼합(MoE)이 하는 일

이런 방식을 전문가 혼합, 영어로 MoE라고 부릅니다. 모델 안에 여러 명의 전문가를 두고, 질문마다 알맞은 몇 명만 부르는 구조예요.

큰 병원에 비유하면 이해가 쉽습니다. 병원 전체에 의사가 수백 명 있어도, 환자 한 사람을 보는 것은 그중 몇 명이잖아요.

모든 의사를 한 번에 부르지 않으니 빠르고 저렴합니다. 대신 병원 전체를 유지하는 비용, 즉 모델 전체를 메모리에 올리는 부담은 그대로 남아요.

밝은 청록 정사면체 하나를 여덟 개의 어두운 정사면체가 둘러싼 모습 — 전문가 혼합 구조를 표현한 개념 이미지

78개 층, 256명의 전문가

구조를 조금 더 들여다보면, 모델은 78개 층으로 이뤄져 있습니다. 첫 번째 층만 일반적인 방식이고 나머지 77개 층이 전문가 혼합 구조예요.

각 층마다 전문가가 256명 있고, 여기에 모든 질문에 항상 참여하는 공용 전문가가 1명 더 붙습니다.

질문이 들어오면 256명 중 가장 알맞은 8명이 뽑히고, 공용 전문가 1명이 항상 합류합니다. 그래서 매번 9명이 일하는 셈이에요.

게이트드 DSA와 인덱스캐시

텐센트는 여기에 두 가지 기법을 더 얹었습니다. 이름은 게이트드 DSA와 인덱스캐시예요.

간단히 말하면 긴 글을 읽을 때 모든 단어를 매번 다시 살펴보지 않고, 중요한 자리만 골라 보는 방식입니다. 앞 층에서 찾아 둔 자리를 뒤 층이 다시 쓰는 것이 인덱스캐시의 역할이고요.

이 부분이 100만 토큰이라는 긴 입력을 현실적인 속도로 처리하게 해 주는 핵심입니다.

크기가 점점 달라지는 청록 육각형 여덟 개가 하나의 사선을 따라 늘어선 모습 — 층 구조를 표현한 개념 이미지

100만 토큰 컨텍스트가 실제로 바꾸는 것

컨텍스트는 모델이 한 번에 눈앞에 놓고 볼 수 있는 분량입니다. 100만 토큰은 책 여러 권 분량이에요.

코드로 치면 중간 규모 프로젝트 전체를 한 번에 넣고 물어볼 수 있다는 뜻입니다. 파일을 잘라서 나눠 넣고 다시 이어 붙이는 수고가 줄어들어요.

긴 문서를 다루는 작업에서 체감이 가장 큽니다. 앞부분 내용을 모델이 잊어버려 같은 설명을 반복하는 일이 줄거든요.

아파치 2.0 — 이 라이선스의 의미

공개 조건은 아파치 2.0입니다. 오픈소스 라이선스 중에서도 제약이 아주 느슨한 편에 속해요.

내려받아 쓰는 것은 물론이고, 고쳐서 쓰는 것도, 그 결과를 상업적으로 파는 것도 허용됩니다. 결과물을 다시 공개해야 할 의무도 없어요.

기업이 실제 제품에 넣기에 부담이 가장 적은 조건입니다. 이 라이선스를 고른 것 자체가 널리 퍼뜨리겠다는 의사 표시예요.

여러 갈래의 평행한 청록 빛줄기가 하나의 좁고 눈부신 틈으로 모여드는 모습 — 긴 입력의 압축을 표현한 개념 이미지

어디서 받을 수 있나

모델 파일은 허깅페이스의 텐센트 계정에서 받을 수 있습니다. 코드와 실행 방법은 깃허브에 함께 공개돼 있어요.

직접 돌리기 어려우시면 텐센트 클라우드의 토큰허브나 오픈라우터를 통해 API로 쓰실 수도 있습니다.

내려받는 쪽과 빌려 쓰는 쪽 모두 열려 있는 셈이에요. 두 경로의 비용 구조가 완전히 다르니 목적에 맞게 고르시면 됩니다.

성능 지표 하나 — 터미널 벤치 2.1의 85.4

텐센트가 내세운 첫 번째 수치는 터미널 벤치 2.1에서의 85.4점입니다.

이 평가는 모델이 명령줄 환경에서 실제 작업을 얼마나 잘 해내는지를 봅니다. 파일을 찾고, 고치고, 실행해 보는 일련의 과정이에요.

텐센트는 이 점수가 딥시크 V4 프로를 앞선 것이라고 밝혔습니다.

평평하게 펼쳐진 어두운 사면체의 네 삼각 면이 각각 청록 테두리로 빛나는 모습 — 개방형 라이선스를 표현한 개념 이미지

성능 지표 둘 — 딥SWE 28.0에서 64.3으로

두 번째는 딥SWE라는 평가입니다. 이전 세대에서 28.0이던 점수가 64.3으로 올랐어요.

두 배가 넘는 상승 폭입니다. 같은 회사의 앞 모델과 비교한 값이라 발전 폭을 보기에는 적절한 수치예요.

다만 다른 회사 모델과의 직접 비교가 아니라는 점은 함께 기억해 두시는 게 좋습니다.

성능 지표 셋 — GPQA 다이아몬드와 SWE-bench Pro

공개된 수치에는 GPQA 다이아몬드 92.3점, SWE-bench Pro 65.7점도 포함돼 있습니다.

GPQA 다이아몬드는 박사급 난도의 과학 문제를 푸는 능력을, SWE-bench Pro는 실제 소프트웨어 저장소의 문제를 고치는 능력을 봅니다.

두 평가 모두 최근 모델들이 경쟁적으로 인용하는 지표라 다른 모델과 견주어 보기에 유용해요.

좁은 어두운 개구부 바로 앞에 멈춰 선 밝은 청록 팔면체 — 내려받기 경로를 표현한 개념 이미지

163명이 참여한 블라인드 평가의 2.99점

텐센트는 내부 블라인드 평가 결과도 함께 공개했습니다. 전문가 163명이 203개 엔지니어링 과제를 놓고 점수를 매겼어요.

블라인드 평가란 어느 모델의 답인지 모른 채 점수를 매기는 방식입니다. 이름값에 휘둘리지 않게 하려는 장치예요.

결과는 4점 만점에 평균 2.99점이었습니다. 비교 대상이던 GLM-5.3은 2.92점, 킴이 K3는 2.94점이었고요.

0.05점 차이를 어떻게 읽어야 하나

여기서 잠깐 멈춰 볼 필요가 있습니다. 2.99와 2.94의 차이는 0.05점이에요.

4점 만점에서 0.05점 차이는 사실상 구분이 어려운 수준입니다. 채점자가 달라지거나 과제가 몇 개 바뀌면 순서가 뒤집힐 수 있는 폭이에요.

그래서 이 결과는 Hy4가 앞선다기보다 세 모델이 이 작업에서 비슷하다고 읽는 편이 정확합니다.

흐릿한 육각형 세 개보다 훨씬 크게 자리한 밝은 청록 육각형 — 앞선 성능 수치를 표현한 개념 이미지

자기가 고른 문제, 자기 직원이 매긴 점수

한 가지 더 짚을 것이 있습니다. 이 블라인드 평가는 텐센트가 내부에서 진행한 것이에요.

과제를 고른 것도, 채점자를 모은 것도 텐센트입니다. 블라인드 방식을 썼다는 점은 좋지만, 설계 자체가 자사에 유리하게 기울 여지는 남아요.

제조사가 발표하는 수치는 항상 이 점을 감안하고 보셔야 합니다. 나쁜 뜻이 아니라, 원래 그런 성격의 숫자라는 뜻이에요.

가격 — 입력 100만 토큰에 0.834달러

API로 쓸 때의 가격은 입력 100만 토큰당 0.834달러, 출력 100만 토큰당 2.501달러입니다.

입력은 우리가 모델에게 넣는 글이고, 출력은 모델이 만들어 내는 글이에요. 보통 출력이 더 비쌉니다.

우리 돈으로 환산하면 입력 100만 토큰이 대략 천 원 남짓입니다. 100만 토큰은 상당히 긴 분량이라 체감상 저렴한 편이에요.

평평하게 맞물린 어두운 육각형 열두 개 가운데 하나만 강렬한 청록으로 빛나는 모습 — 평가 결과를 표현한 개념 이미지

캐시 읽기 0.042달러가 뜻하는 것

눈여겨볼 항목이 하나 더 있습니다. 캐시 읽기가 100만 토큰당 0.042달러예요. 일반 입력의 약 20분의 1입니다.

캐시는 앞서 넣었던 내용을 모델이 기억해 두고 다시 쓰는 기능입니다. 같은 문서를 놓고 여러 번 질문할 때 두 번째부터는 이 값이 적용돼요.

긴 코드를 올려놓고 계속 물어보는 방식으로 쓰신다면 실제 비용은 표시 가격보다 훨씬 낮아집니다.

GLM-5.3, 킴이 K3, 딥시크 V4와 나란히 놓으면

올해 중국 쪽에서 나온 대형 오픈웨이트 모델은 한둘이 아닙니다. GLM-5.3, 킴이 K3, 딥시크 V4가 모두 비슷한 시기에 나왔어요.

성능은 앞서 본 것처럼 서로 촘촘하게 붙어 있습니다. 한 모델이 크게 앞서는 구도가 아니에요.

그래서 선택 기준은 점수보다 다른 데 있습니다. 가격, 라이선스 조건, 내 작업에서의 실제 궁합 같은 것들이요.

거의 같은 크기의 청록 정사면체 네 개가 똑같은 밝기로 나란히 선 모습 — 모델 간 성능 차이가 작음을 표현한 개념 이미지

중국 오픈웨이트 모델이 몰려나온 8월

8월 한 달만 놓고 보면 중국 기업들의 공개 속도가 눈에 띕니다. 알리바바가 큰 모델을 내놓고, 딥시크가 저가 모델로 받아치고, 이제 텐센트까지 합류했어요.

공통점은 모두 모델 파일을 열어 두었다는 것입니다. 성능으로 경쟁하는 동시에 공개 범위로도 경쟁하고 있어요.

쓰는 사람 입장에서는 선택지가 늘어나는 흐름이라 반가운 일입니다.

오픈웨이트와 오픈소스는 다릅니다

자주 섞여 쓰이는 두 말을 구분해 둘게요. 오픈웨이트는 완성된 모델 파일을 공개한 것입니다.

오픈소스라고 하면 보통 만드는 과정까지 공개된 것을 뜻해요. 어떤 데이터로 어떻게 학습했는지 같은 것들이요.

Hy4 프리뷰는 모델 파일과 실행 코드를 열었지만 학습 데이터까지 공개하지는 않았습니다. 대부분의 대형 공개 모델이 그래요. 라이선스는 넉넉하지만 완전한 오픈소스와는 결이 다릅니다.

같은 크기의 어두운 육각형이 밝은 청록 육각형 앞을 일부 가린 모습 — 오픈웨이트와 오픈소스의 차이를 표현한 개념 이미지

내 PC에서 돌릴 수 있나 — 현실적인 계산

솔직히 말씀드리면 개인용 컴퓨터로는 어렵습니다. 전체 7,700억 파라미터를 메모리에 올려야 하기 때문이에요.

한 번에 490억만 계산한다는 것은 연산량이 줄어든다는 뜻이지, 메모리에 올릴 양이 줄어든다는 뜻이 아닙니다. 이 구분이 중요해요.

고사양 그래픽카드 한 장으로는 감당이 안 되고, 여러 장을 묶은 서버급 장비가 필요합니다. 개인이 집에서 돌릴 수 있는 규모는 아니에요.

로컬로 못 돌린다면 무엇이 남나

그렇다고 공개의 의미가 사라지는 것은 아닙니다. 회사나 연구실 단위에서는 충분히 자체 서버에 올릴 수 있어요.

자체 서버에 올린다는 것은 데이터가 밖으로 나가지 않는다는 뜻입니다. 민감한 자료를 다루는 곳에서는 이 점이 성능보다 중요할 때가 많아요.

개인 사용자에게는 API가 현실적인 경로입니다. 다행히 가격이 낮은 편이라 부담이 크지 않아요.

커다란 어두운 정사면체의 표면 전체를 작은 청록 육각형들이 덮은 모습 — 대규모 메모리 요구를 표현한 개념 이미지

개발자가 지금 해 볼 수 있는 것

바로 써 보고 싶으시다면 오픈라우터를 통해 접속하는 것이 가장 간단합니다. 계정 하나로 여러 모델을 같은 방식으로 부를 수 있어요.

평가해 보실 때는 긴 입력을 넣는 작업을 골라 보세요. 100만 토큰 컨텍스트가 이 모델의 특징이니 그 강점이 드러나는 일을 시켜 보는 게 좋습니다.

짧은 대화만으로 판단하면 다른 모델과의 차이가 잘 안 보입니다. 이 모델은 긴 작업을 위해 만들어졌으니까요.

저시력 사용자 관점에서 본 긴 컨텍스트

긴 컨텍스트는 저시력 사용자에게 생각보다 큰 이점입니다. 자료를 잘라서 나눠 넣을 필요가 줄어들기 때문이에요.

화면을 크게 확대해 쓰시는 분일수록 파일을 여러 개 오가며 복사하고 붙이는 일이 부담입니다. 한 번에 다 넣고 물어볼 수 있으면 그 왕복이 통째로 사라져요.

모델이 앞부분을 기억하고 있으니 같은 설명을 반복할 일도 줄어듭니다. 성능 점수에는 안 잡히지만 실제로 쓸 때는 확실히 체감되는 부분이에요.

화면 끝에서 끝까지 뻗은 긴 청록 빛줄기 끝에 놓인 어두운 정사면체 — 긴 컨텍스트를 표현한 개념 이미지

핵심 정리

텐센트가 8월 28일 Hy4 프리뷰를 아파치 2.0으로 공개했습니다. 전체 7,700억 파라미터, 한 번에 쓰는 것은 490억, 컨텍스트는 100만 토큰이 넘어요.

성능은 터미널 벤치 2.1에서 85.4점, GPQA 다이아몬드 92.3점, SWE-bench Pro 65.7점입니다. 다만 자체 블라인드 평가의 경쟁 모델 대비 차이는 0.05점 수준이라 사실상 비슷하다고 보는 편이 정확해요.

가격은 입력 100만 토큰에 0.834달러, 캐시 읽기는 그 20분의 1 수준입니다. 긴 문서를 반복해 다루는 작업에 유리해요.

개인 PC로는 돌리기 어렵고, API로 쓰거나 조직 단위 서버에 올리는 것이 현실적인 경로입니다.

참고하실 만한 것

모델을 직접 보시려면 허깅페이스의 텐센트 계정 페이지가 출발점입니다. 실행 방법은 깃허브 저장소에 정리돼 있어요.

성능 수치를 비교하실 때는 제조사 발표 자료 하나만 보지 마시고, 독립된 평가 사이트의 값을 함께 보시길 권합니다.

SVIL 블로그에서는 새로 나온 AI 모델을 큰 글씨와 쉬운 말로 계속 정리하고 있어요. 궁금한 점은 아래 메일로 편하게 남겨 주세요.

출처

협업문의 : kuroicode@gmail.com
블로그 : https://blog.svil.dev/
홈페이지 : https://svil.dev/