Tencent limita el entrenamiento de su nueva IA Hy4 para evitar conocimientos ofensivos de ciberseguridad
Tencent ha presentado Hy4, la nueva generación de su familia de modelos de inteligencia artificial, con mejoras en el seguimiento de instrucciones, el uso de herramientas y la resolución de tareas complejas. Sin embargo, la decisión más relevante de la compañía no está únicamente en las capacidades que ha añadido, sino también en la información que ha decidido excluir durante el entrenamiento.
El modelo ha sido desarrollado con conocimientos de ciberseguridad defensiva, pero Tencent asegura haber retirado los materiales centrados en la explotación ofensiva de vulnerabilidades. El objetivo es que Hy4 pueda analizar sistemas, detectar fallos y ayudar a corregirlos sin recibir una formación específica para aprovechar esas debilidades con fines maliciosos.
Una IA capaz de interactuar con programas y entornos gráficos
Hy4 representa un salto importante respecto a la versión preliminar presentada el pasado agosto. Tencent afirma que ha ampliado el entrenamiento del modelo y ha introducido mejoras para trabajar con contextos extensos, seguir instrucciones con mayor precisión y completar procesos que requieren varios pasos consecutivos.
Una de sus principales novedades es la incorporación de capacidades de visión artificial. Esta tecnología permite a un sistema de IA interpretar imágenes, gráficos, documentos y otros elementos visuales. En el caso de Hy4, también puede utilizar interfaces gráficas, además de ejecutar comandos en una terminal, el entorno de texto empleado para interactuar con un ordenador.
La compañía asegura que el modelo puede trabajar con programas especializados como Blender, utilizado para modelado y animación 3D, y herramientas CAD, destinadas al diseño asistido por ordenador. También está preparado para tareas de programación y desarrollo de videojuegos, combinando distintas aplicaciones dentro de un mismo proceso de trabajo.
La diferencia entre proteger un sistema y atacarlo
La ciberseguridad es uno de los ámbitos en los que resulta más difícil separar un uso beneficioso de otro potencialmente peligroso. El mismo conocimiento puede servir para encontrar un fallo y solucionarlo, o para entrar en un sistema sin autorización.
Por este motivo, Tencent afirma haber priorizado materiales relacionados con la identificación de vulnerabilidades y su corrección. En cambio, ha excluido información orientada a explotar esas vulnerabilidades. No se trata solo de bloquear determinadas respuestas cuando el modelo ya está terminado, sino de limitar los datos que utiliza durante su desarrollo.
Hy4 sí incluye conocimientos de ingeniería inversa, una disciplina que permite examinar cómo funciona un programa o dispositivo a partir de su resultado o de su código. También incorpora técnicas de pruebas de penetración, conocidas como pentesting, que consisten en evaluar las defensas de un sistema mediante ataques controlados y autorizados.
La distinción de Tencent está en el uso de esas herramientas. El modelo puede analizar un software, estudiar su comportamiento o comprobar la resistencia de una infraestructura, pero la empresa asegura haber evitado el entrenamiento con materiales específicamente concebidos para convertir esos conocimientos en instrucciones ofensivas.
Un rendimiento competitivo, aunque lejos de liderar todas las pruebas
Los resultados publicados por Tencent muestran que Hy4 ofrece un rendimiento desigual según el tipo de tarea. En Terminal-Bench 4.0, una evaluación que mide la capacidad de los modelos para completar trabajos desde la línea de comandos, obtuvo 44,4 puntos. GPT-6.1 Sol alcanzó 55,5 puntos y Kimi K3.1 Pro llegó a 66,8.
En una prueba financiera organizada con la participación de 213 profesionales y 579 tareas, Hy4 logró una puntuación de 3,04, ligeramente por encima del 2,97 conseguido por DeepSeek V4.1 Flash. Además, la clasificación de agentes de Arena del 3 de noviembre situó al modelo de Tencent en el puesto 14, por detrás de Gemini 4 Carbon y GPT-6.1 Sol.
Estas comparativas no permiten establecer una clasificación absoluta. Cada prueba analiza capacidades diferentes, utiliza metodologías propias y puede favorecer a determinados modelos según el tipo de instrucciones, herramientas o contexto que emplee.
La eficacia del filtrado todavía está por demostrar
Tencent afirma que especialistas de sus laboratorios Xuanwu Lab y Keen Security Lab sometieron Hy4 a evaluaciones centradas en ingeniería inversa criptográfica, desofuscación de archivos binarios y explotación de vulnerabilidades. Según la compañía, no detectaron problemas significativos relacionados con capacidades ofensivas en los ámbitos analizados.
La conclusión, no obstante, procede de pruebas realizadas y comunicadas por la propia empresa. La evaluación externa será especialmente importante cuando Tencent publique los pesos del modelo y la documentación técnica sobre seguridad. Los pesos son los parámetros numéricos que determinan cómo responde una IA y permiten a investigadores independientes examinar su comportamiento con mayor profundidad.
Además, filtrar información durante el entrenamiento no garantiza por sí solo que un modelo no pueda desarrollar conductas peligrosas. Los sistemas actuales pueden combinar conocimientos generales, razonar sobre ellos y encontrar estrategias no incluidas literalmente en sus datos de formación. Por eso, las restricciones de entrenamiento deben complementarse con pruebas, supervisión y controles de uso.
Una tendencia que empieza a extenderse
La estrategia de Tencent no es un caso aislado. Moonshot AI también retiró información de ciberseguridad durante el desarrollo de Kimi K3.1 Pro, tanto en fases de entrenamiento intermedio como en el aprendizaje por refuerzo, el proceso mediante el que un modelo mejora sus respuestas a partir de recompensas y penalizaciones.
En una evaluación interna, una versión sin esas restricciones resolvió el 90,5% de las pruebas de explotación de vulnerabilidades, frente al 81% del modelo final. La diferencia sugiere que limitar determinados conocimientos puede reducir el rendimiento ofensivo, aunque no elimina completamente el riesgo.
Hy4 refleja así una nueva línea de trabajo en el desarrollo de inteligencia artificial: construir modelos capaces de ayudar en tareas sensibles sin proporcionarles, al menos de forma directa, el conocimiento más peligroso para ejecutarlas. La cuestión decisiva será comprobar si esa separación se mantiene cuando el sistema se utilice fuera de los entornos controlados por sus creadores.
