
- Tencentの旗艦モデルHy4がTogether AIのサーバーレス推論で利用可能になった
- 100万トークンのコンテキストと画像入力を備え、Hyファミリーで初の画像対応モデル
- 入力100万トークン0.83ドル、出力2.50ドル、キャッシュ入力0.042ドル
Together AIが試した2つの検証
Together AIは、Tencentの旗艦モデル「Hy4」をサーバーレス推論で提供開始したと発表しました。モデル文字列はtencent/Hy4で、Togetherのチャット補完APIから呼び出せます。コンテキストウィンドウは100万トークンで、テキストと画像の両方を入力できます。
料金は入力100万トークンあたり0.83ドル、出力100万トークンあたり2.50ドル、キャッシュ済み入力は100万トークンあたり0.042ドルです。機能面では画像入力に加え、ツール呼び出しとJSON出力に対応します。
Together AIは、コードを書く前に試せるプレイグラウンドも用意していると案内しています。Python SDKを使ったチャート読み取りのサンプルコードもブログ内で公開されています。
Hy4の位置づけ
1つ目は画像入力の検証です。Together AIが過去に公開した記事のチャートをスクリーンショットで渡し、内容をJSONで返すよう指示しました。Hy4はタイトルと3つの値(3.18、0.16、0.14)を、チャート上の表示どおりに返しました。
続いて同じ画像から、チャートを単一のHTMLファイルとして再現させました。レイアウト、ラベル、値、色、破線の上限線、脚注まで再現したとのことです。汎用フォントを使うよう指示したため、書体だけは元と異なります。
2つ目はテキストのみの指示でブラウザゲームを書かせる検証です。ライブラリも外部アセットも使わず、キーボード操作、スコア、負ける条件、リスタートを備え、2分遊べるものを1つのHTMLファイルで出力するよう求めました。
返ってきたのは「Polarity」というゲームでした。ブロックが落ちてくるので自分の色と合うものを取り、スペースキーで色を切り替えます。黄色の障害物に到達されると終了です。指示していないタイトル画面とベストスコアも追加されていました。Together AIは1ラウンド遊び、ゲームオーバーとリスタートが動作したと報告しています。
現時点で分かっていないこと
Hy4は、先行するHy4 Previewの後継に位置づけられます。Hy4で画像入力とコンピュータ操作の機能が加わったと説明されており、Hyファミリーで初めて画像を扱うモデルです。
Tencentは、BlenderやCADツールといった専門ソフトを操作できるよう訓練したと述べています。加えて自社のプロダクトチームと協力し、事務作業、金融リサーチ、Unreal Engine・Unity・Godotでのゲーム開発を題材に訓練と評価を行ったとしています。詳細はTencentの発表に記載があるとされています。
まとめ
公開された内容は事例を中心としたもので、ベンチマークスコアやレイテンシ、スループットといった定量的な指標は示されていません。100万トークンのコンテキストが実際にどこまで有効かも、この記事からは判断できません。
日本語での性能や、日本語の図表を読み取る精度についても言及がありません。コンピュータ操作がどのようなインターフェースで提供されるのかも、原文では触れられていません。
データの保存場所や取り扱いに関する記載もありません。業務利用を検討する場合は、これらの点を別途確認する必要があります。
| 項目 | Hy4 Preview | Hy4 |
|---|---|---|
| 画像入力 | Hy4で追加された機能 | あり(テキストと画像) |
| コンピュータ操作 | Hy4で追加された機能 | あり(BlenderやCAD等の操作を訓練) |
| 位置づけ | Hy4の前世代 | Tencentの旗艦モデル |
Hy4 is Tencent's flagship model and the first in the Hy family to accept images alongside text.
Hy4はTencentの旗艦モデルであり、Hyファミリーで初めてテキストと並べて画像を受け取れるモデルです。
今後の見通し
次に判断材料になるのは、Tencentや第三者が公開するベンチマーク結果と、Together AI上での実際のレイテンシ・スループットです。100万トークンのコンテキストが実務でどこまで使えるかは、長文タスクでの精度を測らないと分かりません。コンピュータ操作の提供形態がAPI経由で使えるのか、それとも別の製品形態なのかも明らかになっていないため、今後の発表を待つ必要があります。日本語タスクでの評価が公開されれば、国内業務への適用可否をより具体的に判断できるとみられます。
日本の開発者・IT企業にとっての意味
日本のIT企業にとってのポイントは、画像入力と100万トークンの文脈、JSON出力とツール呼び出しを、GPUを自前で用意せず従量課金で試せる点です。図表のスクリーンショットをJSONに変換する用途は、帳票やレポート、ダッシュボード画像の構造化といった国内の實務に直結します。長い仕様書や社内文書をまとめて渡す処理も、コンテキストが大きければ分割の設計を簡略化できる可能性があります。一方で、公開されているのはベンダー側の小規模な事例であり、精度の上限を示すものではありません。まずは自社の実データで、抽出精度とトークン単価あたりのコストを測るのが現実的です。中国企業製モデルの調達にあたっては、社内のデータガバナンスや調達ルールの確認が前提になるとみられます。
気になる点
- Together AIではいくらかかるのか?
- 入力100万トークンあたり0.83ドル、出力100万トークンあたり2.50ドル、キャッシュ済み入力は100万トークンあたり0.042ドルです。長い文書を繰り返し入力する用途では、キャッシュ入力の料金が大きく影響します。
- 画像はどうやって送るのか?
- メッセージのcontentにimage_urlブロックを追加し、base64のデータURLとして画像を渡します。原文にはTogether Python SDK(pip install together)とTOGETHER_API_KEYを使ったコード例が掲載されています。JSON出力はresponse_formatにjson_objectを指定します。
- 既存のSDKからそのまま移行できるのか?
- 原文に示されているのはTogether Python SDKのチャット補完APIの例のみで、他のSDKやOpenAI互換エンドポイントでの動作は公表されていません。ツール呼び出しは標準のtoolsパラメータで有効化できるとされています。移行可否は公式ドキュメントでの確認が必要です。
用語解説
- サーバーレス推論
- 自前でGPUを用意せず、API経由で必要な分だけモデルを実行し従量課金で利用する形態。
- コンテキストウィンドウ
- モデルが1回の推論で同時に扱えるトークン数の上限。Hy4は100万トークン。
- ツール呼び出し
- モデルが外部関数の実行を指示できる機能。function callingとも呼ばれる。
- JSON出力
- 応答をJSON形式に限定する機能。プログラムで受け取って処理する用途に向く。
- キャッシュ入力
- 同じ入力部分を再利用した際に適用される割安な入力料金。
- コンピュータ操作
- モデルがソフトウェアの画面操作を行う機能。computer useとも呼ばれる。
出典
Tencent Hy4 is live on Together AI
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する