Tencent Hy4 chega ao OpenClaw: contexto de 1M, compreensão de imagens e ganhos em agentes de longo horizonte

O OpenClaw agora suporta o Tencent Hy4, segundo um post no r/openclaw. A integração vem com compreensão de imagens, uma janela de contexto de 1 milhão de tokens e o que a fonte descreve como melhorias em codificação e tarefas de agente de longo horizonte.

O que vem com a integração

• Compreensão de imagens — o Hy4 aceita entrada de imagens através do OpenClaw, então fluxos de agente que misturam capturas de tela, diagramas ou capturas de UI com texto não precisam mais de uma etapa separada com modelo de visão.
• Janela de contexto de 1M de tokens — o número de destaque. Para usuários do OpenClaw executando loops de agente sobre grandes repositórios, despejos de log ou refatorações multiarquivo, uma janela de 1M significa menos gambiarras de truncamento e menos reinicializações de contexto no meio da tarefa.
• Melhorias em codificação e tarefas de agente de longo horizonte — a fonte destaca explicitamente ganhos em codificação e tarefas de agente de longo horizonte. Longo horizonte aqui é a parte relevante: agentes de múltiplas etapas que encadeiam chamadas de ferramentas ao longo de muitos turnos são onde a degradação de contexto costuma aparecer primeiro, e a Tencent está posicionando o Hy4 como melhor nisso do que iterações anteriores.

Onde obter

A fonte lista três opções de roteamento: Tencent TokenHub, TokenPlan e OpenRouter. Se você já executa o OpenClaw contra um endpoint do OpenRouter, esse é o caminho de menor atrito — troque a string do modelo e mantenha o resto da sua configuração. TokenHub e TokenPlan são as rotas de acesso próprias da Tencent; use-as se quiser o modelo diretamente do provedor em vez de através de um roteador terceirizado.

Nota prática sobre o contexto de 1M: janelas maiores não tornam a atenção gratuita. O custo escala com os tokens enviados, e a qualidade em tarefas de recuperação pode degradar no meio de contextos muito longos. Faça benchmark do Hy4 nos seus próprios traces de agente de longo horizonte antes de migrar cargas de produção — especialmente os loops de codificação, onde um modelo que mantém o contexto mas desvia na sintaxe de chamadas de ferramentas consome mais tempo do que economiza.

O post da fonte não inclui números de benchmark contra modelos concorrentes, então trate as alegações de codificação e agente como declaradas pelo fornecedor até executar sua própria avaliação. Se você já usa o OpenClaw, a atualização é uma mudança na configuração do modelo; se você está decidindo se troca, a janela de 1M e a entrada de imagens são os deltas concretos que valem a pena testar.