Tencent Hy4 llega a OpenClaw: contexto de 1M, comprensión de imágenes y mejoras en agentes de horizonte largo

OpenClaw ya es compatible con Tencent Hy4, según una publicación en r/openclaw. La integración incluye comprensión de imágenes, una ventana de contexto de 1M de tokens y lo que la fuente describe como mejoras en codificación y en tareas de agente de largo horizonte.

Qué incluye la integración

• Comprensión de imágenes: Hy4 acepta entrada de imágenes a través de OpenClaw, por lo que los flujos de agente que combinan capturas de pantalla, diagramas o capturas de interfaz con texto ya no necesitan un salto separado a un modelo de visión.
• Ventana de contexto de 1M de tokens: la cifra destacada. Para los usuarios de OpenClaw que ejecutan bucles de agente sobre repositorios grandes, volcados de registros o refactorizaciones de varios archivos, una ventana de 1M significa menos trucos de truncamiento y menos reinicios de contexto a mitad de tarea.
• Mejoras en codificación y en tareas de agente de largo horizonte: la fuente menciona explícitamente mejoras en codificación y en tareas de agente de largo horizonte. Aquí lo relevante es el largo horizonte: los agentes de varios pasos que encadenan llamadas a herramientas durante muchos turnos son donde la degradación del contexto suele aparecer primero, y Tencent posiciona Hy4 como mejor en eso que las iteraciones anteriores.

Dónde obtenerlo

La fuente enumera tres opciones de enrutamiento: Tencent TokenHub, TokenPlan y OpenRouter. Si ya ejecutas OpenClaw contra un endpoint de OpenRouter, esa es la vía de menor fricción: cambia la cadena del modelo y mantén el resto de tu configuración. TokenHub y TokenPlan son las rutas de acceso propias de Tencent; úsalas si quieres el modelo directamente del proveedor en lugar de a través de un enrutador de terceros.

Nota práctica sobre el contexto de 1M: las ventanas más grandes no hacen que la atención sea gratuita. El costo escala con los tokens enviados, y la calidad en tareas de recuperación puede degradarse en medio de contextos muy largos. Evalúa Hy4 con tus propias trazas de agente de largo horizonte antes de migrar cargas de trabajo a producción, especialmente en los bucles de codificación, donde un modelo que mantiene el contexto pero se desvía en la sintaxis de llamadas a herramientas consume más tiempo del que ahorra.

La publicación de origen no incluye cifras de benchmark frente a modelos competidores, así que trata las afirmaciones sobre codificación y agentes como declaraciones del proveedor hasta que hayas ejecutado tu propia evaluación. Si ya usas OpenClaw, la actualización es un cambio en la configuración del modelo; si estás decidiendo si cambiar, la ventana de 1M y la entrada de imágenes son las diferencias concretas que vale la pena probar.