Tencent: Hunyuan A13B Instruct

Tencent: Hunyuan A13B Instruct est un LLM publié par Tencent le 8 juillet 2025, avec des connaissances arrêtées au 31 mars 2025. Son profil se distingue surtout par une fenêtre de contexte très étendue, à 131 072 tokens, et par un positionnement tarifaire très économique.

Le modèle vise un équilibre entre coût bas et performances généralistes correctes, avec deux sources de données concordantes. Sa tarification se situe 93% sous la moyenne des LLM similaires et environ 34,5 fois sous celle des modèles frontière, ce qui en fait une option orientée volume et maîtrise des coûts.

Caractéristiques

Performances (benchmarks)

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 93 % en dessous de la moyenne des LLM similaires, et 34,5 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).

Coût & vitesse agentiques

Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.

Notre analyse

Forces. Tencent: Hunyuan A13B Instruct affiche ses meilleurs signaux sur le raisonnement, où son classement Benchable le place dans le haut du tableau. Le General Knowledge (Baseline), qui mesure les connaissances générales, ressort également comme un point solide, même si le rang associé montre une concurrence dense sur cette catégorie. Le Coding (Baseline) reste exploitable mais plus central dans le classement, ce qui indique un niveau utile sans position dominante. La grande fenêtre de contexte constitue un atout concret pour traiter des entrées longues. Le principal avantage opérationnel reste le coût, avec un prix très inférieur aux LLM similaires et aux modèles haut de gamme.

Limites et points d'attention. Les résultats sont nettement moins convaincants en Mathematics (Baseline), où le modèle tombe dans une zone plus faible du classement. Le signal le plus critique concerne Instruction Following (Baseline), avec un résultat nul et un rang en bas de tableau, un point particulièrement sensible pour un modèle portant le label Instruct. Email Classification (Baseline) affiche aussi un rang faible malgré un score élevé, signe que d'autres modèles font mieux sur cette tâche. Le modèle convient surtout aux usages généralistes à coût contraint, avec validation renforcée lorsque la consigne doit être suivie précisément.

Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).