Tencent sort Hy4 Preview : 770B paramètres totaux, 49B actifs, fenêtre 1M tokens

TL;DR

• Tencent sort Hy4 Preview : 770B paramètres totaux, 49B actifs, fenêtre 1M tokens [6]
• Étude empirique des marketplaces de plugins Claude Code : maintenance et co-évolution non explorées jusqu’ici [3]
• CritICL améliore le raisonnement LLM à l’inférence sans génération répétée ni vérification externe [2]

Les 3 signaux

🚀 Hy4 Preview de Tencent : montée en puissance massive

Tencent publie Hy4 Preview, un LLM open weight texte seul : 770B paramètres totaux, 49B actifs, 1M tokens de contexte, 1.56TB sur Hugging Face [6]. C’est une augmentation nette par rapport à Hy3 de juillet : 295B totaux, 21B actifs, 256k contexte, 598GB [6].

Pourquoi ça compte : 4× le contexte de Hy3 — les workloads d’analyse de codebase entière ou de très longs documents tiennent dans une seule fenêtre, sans pipeline de chunking.

🔌 Les plugins d’agents de code : un écosystème non maîtrisé

Une étude arXiv analyse les marketplaces de plugins Claude Code : structure, maintenance et co-évolution restent empiriquement inexplorées [3]. Contrairement aux paquets logiciels traditionnels, ces dépôts émergents n’ont pas de modèle de maintenance établi [3].

Pourquoi ça compte : si vous construisez des agents de code en production, la chaîne de dépendances plugins n’a pas de garantie de maintenance — un risque direct pour la stabilité de vos pipelines.

🛡️ Garde-fous au niveau des étapes, pas des trajectoires

StepGuard apprend des garde-fous par étape avec supervision scalable et équilibrage sécurité-utilité [8]. Les garde-fous existants évaluent les trajectoires complétées, laissant les actions individuelles non surveillées avant exécution — StepGuard cible ce trou [8].

Pourquoi ça compte : pour les agents avec accès outils (modification de fichiers, actions non autorisées), la détection pré-exécution réduit la surface d’incidents avant qu’ils ne se produisent.

À retenir

1. 770B paramètres totaux pour Hy4 Preview, 49B actifs, 1M tokens de contexte [6]
2. 1.56TB poids du modèle Hy4 Preview sur Hugging Face [6]
3. Pré-exécution — StepGuard surveille les actions par étape, là où les garde-fous actuels n’interviennent qu’après coup [8]

🛠 Tuto du jour

Tuto / Outil : Aucun tuto d’installation locale identifié aujourd’hui.

💻 Matos & Infra local

Sujet Matos/Infra : Hy4 Preview, LLM open weight de Tencent [6] Constat technique : 770B paramètres totaux, 49B actifs, contexte 1M tokens, 1,56TB sur Hugging Face. Augmentation nette vs Hy3 (295B, 21B actifs, 598GB) [6]. Recommandation dev : Évaluer les besoins VRAM/stockage avant toute inférence locale de ce modèle.

🎯 Fine-Tuning & Quantiz

Technique / Outil : Aucun outil dédié au fine-tuning (LoRA, QLoRA, Axolotl, Unsloth) ou à la quantification (GGUF, EXL2, AWQ) n’est présent dans les éléments fournis. Apport : Non applicable. Impact pratique : Non applicable. Pas de nouveauté fine-tuning ou quantification aujourd’hui.

🧠 RAG & Agents Locaux

Architecture / Outil : Logos, agent harness sur bus inter-processus [18] Cas d’usage : Assemblage dynamique de capacités logicielles en local, via plugins, sans dépendance cloud [18] Clé de voûte : Bus inter-processus unique transportant des plugins formellement composables, avec inverse suivi pour chaque composant [18]

📊 Track Record

Ce qu’on disait le 2026-08-17 : « Maglev introduit une architecture Transformer récurrente à mémoire fixe, parallélisable en entraînement » [2] Verdict aujourd’hui : en attente. Aucune publication ultérieure sur Maglev dans les éléments du jour. Le contexte agentique évolue en parallèle (plugins, garde-fous, gestion de contexte) [3][8][11], mais rien ne confirme ni n’infirme la viabilité de l’architecture à mémoire fixe.

🔗 Sources (18) — vérifiées le 31/08/2026 05:00 UTC

1. Code as Worlds: Agentic Discovery of Executable World Representations for Physical Reasoning — HF Papers
2. CritICL: Inference-Time Weak-to-Strong Generalization from Small Language Model Failure Modes — HF Papers
3. On the Maintenance and Co-evolution of Agent Plugins: An Empirical Study of Claude Code Plugin Marketplaces — arXiv · 2026-08-28
4. The Rise and Fall of Agent Civilizations — Hacker News · 2026-08-29
5. Understanding ChatGPT Work — Simon Willison · 2026-08-30
6. Introducing Hy4 Preview — Simon Willison · 2026-08-29
7. Revisiting Local Context for Long-Horizon Streaming 3D Reconstruction — HF Papers
8. StepGuard: Learning Step-Level Guardrails with Scalable Supervision and Safety-Utility Balancing — HF Papers
9. Rubric-to-Code Credit Assignment for Reinforcement Learning — HF Papers
10. Training, learning and inference: unified dynamics of neural systems — HF Papers
11. ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL — HF Papers
12. PILOT in the Loop: Live Self-Improvement for Long-Horizon Agents — HF Papers
13. Agentic Game Development as a Verifiable Trajectory Data Engine for Scaling World Models — HF Papers
14. Procedura: Agentic 3D Modeling with Procedural Control — HF Papers
15. QGPINNs: A Physics-Informed Neural Network Framework for Nonlocal Differential Equations on Quantum Graphs — arXiv · 2026-08-28
16. Learning a Size-Weight Frontier for Synthetic-Augmented Inference — arXiv · 2026-08-28
17. On two proofs of $d^2$ mixing of weighted Dikin walks — arXiv · 2026-08-28
18. Logos: An Agent Harness on a Cross-Process Bus — arXiv · 2026-08-28

V3ille — Sources : arXiv, GitHub Trending, Hugging Face Daily Papers, OpenAI, DeepMind, Google AI, IEEE Spectrum, The Robot Report.