模型資訊
| 項目 | 值 |
|---|---|
| Model ID | tencent/Hy-Memory-30B-A3B |
| 廠商 | Tencent（Tencent Hunyuan） |
| 參數量 | 30B 總參數／約 3B 啟用（MoE，48 層，1 層 dense＋47 層 sparse，128 專家 top-8 路由＋1 個共享專家） |
| Context Window | 262,144 tokens |
| Input 定價 (USD/1M tokens) | 無官方 API 定價，僅提供開源權重自架（目前無任何推理平台上架） |
| Output 定價 (USD/1M tokens) | 同上 |
| 開源 | 是（Apache-2.0） |
| 發布日 | 2026-10-15 |
| 官方公告 | GitHub：Tencent-Hunyuan/Hy-Memory |
| HuggingFace | tencent/Hy-Memory-30B-A3B |
| 家族 | Hunyuan（Hy）系列，由 Hy3-A3B Base 微調而成，是 Hy Memory 2.0（框架＋模型＋本機應用 MemHub 三件套）裡的專用模型 |
能力亮點
- 專門訓練來執行 agent 外部記憶框架的「寫入路徑」，可直接取代 Mem0、MemOS、Hy-Memory 框架裡原本負責記憶整理的通用 LLM，不需改動檢索架構
- 兩階段訓練：Memory On-Policy Distillation（教師模型對學生寫出的記憶鏈做密集監督）＋ Attributed Memory Reinforcement Learning（對整段記憶庫做 chunk 級別的 credit assignment）
- 四個評測框架（Mem0／Hy-Memory／MemOS／EverMemOS）交叉平均分 55.49，比訓練前的基礎模型 Hy3-A3B Base（47.66）高 7.8 分，是這次訓練方法帶來的真實增益
- 配套開源 Hy Memory 2.0 框架（PyPI
hy-memory==2.0.1，Apache-2.0）與本機應用 MemHub，可匯入 Claude Code、Cursor、Codex 等十款工具的歷史紀錄到同一個記憶庫
Benchmark 表現
| Benchmark（四框架交叉平均） | Hy-Memory-30B-A3B | 前代（Hy3-A3B Base，訓練前） | 競品最強（Claude Opus 5） |
|---|---|---|---|
| 四框架交叉平均 | 55.49 | 47.66 | 54.62 |
| Mem0 harness | 54.02 | 40.20 | 53.43 |
| Hy-Memory harness | 60.55 | 50.39 | 60.53 |
| MemOS harness | 50.51 | 49.05 | 50.50 |
| EverMemOS harness（held-out，訓練時完全沒見過） | 56.89 | 50.98 | 54.04 |
⚠️ 以上均為 Tencent 官方自測，且只在固定 20% 的 benchmark 子樣本上評測，目前尚無第三方獨立複現。Mem0／Hy-Memory／MemOS 三個訓練內框架贏 Claude Opus 5 的差距都在 0.6 分以內，接近統計噪訊；四框架平均領先的 0.87 分裡，有 2.85 分差距（約八成）全部來自唯一保留在訓練外的 EverMemOS 框架。
與前代/競品比較
跟訓練前的基礎模型 Hy3-A3B Base 比，兩階段訓練（On-Policy Distillation＋Attributed Memory RL）讓四框架交叉平均分從 47.66 拉到 55.49，漲了 7.8 分——這就是專門為「記憶寫入」這個任務做強化學習微調帶來的真實增益，也是整份報告裡最沒有爭議的數字。
跟 Claude Opus 5 比，官方宣稱的「打敗」拆開看要分兩段講：在 Mem0（54.02 vs 53.43）、Hy-Memory（60.55 vs 60.53）、MemOS（50.51 vs 50.50）這三個訓練內框架上，差距都在 0.6 分以內，幾乎是統計噪訊；真正拉開差距的是刻意保留在訓練外、模型完全沒見過的 EverMemOS 框架（56.89 vs 54.04，差 2.85 分），這是唯一能驗證「學到的寫入策略能否轉移到沒見過的框架」的測試，也是整個「打敗 Claude Opus 5」宣稱裡最有說服力的一組數字——但它也只是四個子項裡的一項。
定價上，Hy-Memory-30B-A3B 沒有官方 API，只能自己部署：目前只釋出 60.1GB 的 BF16 權重（沒有 GGUF／FP8 等量化版本），需要自備 GPU 資源，也還沒有任何推理平台上架它。配套的 Hy Memory 2.0 框架已可直接用 pip install hy-memory==2.0.1 安裝，但本機應用 MemHub 的 npm 安裝包尚未發布，官方自己文件寫的安裝路徑目前還跑不起來。
對 Agent 開發的意義
如果你的 agent 已經在用 Mem0 或 MemOS 做長期記憶：Hy-Memory-30B-A3B 可以直接換掉背後負責「寫入」的通用 LLM，不需要改動你的檢索架構，而且是 Apache-2.0 授權、商用無顧慮——這是這次釋出裡立刻能用的部分。
如果你在評估「要不要採用專門的記憶寫入模型，而不是繼續用通用大模型做這件事」：EverMemOS 那 2.85 分的 held-out 優勢，是目前唯一有實證支持「專門訓練記憶寫入比用通用模型划算」的訊號，值得拿來參考；但也要注意對照組只是 Tencent 自家的上一代基礎模型 Hy3-A3B Base，不是市面上所有通用 LLM 的代表。
如果你要在生產環境大量呼叫記憶寫入：記憶寫入是每輪對話都要跑的高頻、低輸出工作，用 30B／3B 啟用的小模型搭配 no_think 模式跑，理論上比每次呼叫前沿模型便宜很多——但目前沒有任何平台掛它，也沒有人公開過每次寫入的實際 token 成本，評估投資回報前得先自己量一次。
不適合：想要「一鍵試用」的場景。目前沒有量化版本（GGUF／FP8 都沒有）、沒有託管 API，配套的本機應用 MemHub 安裝路徑也還沒打通，想用就得自己裝模型、自己跑推理。
今日收穫
「打敗 Claude Opus 5」這類標題拆開看常常只贏在一個維度——Hy-Memory-30B-A3B 的四框架平均領先，八成以上其實來自唯一 held-out 的 EverMemOS 框架那 2.85 分差距，另外三個訓練內框架的差距都在 0.6 分以內，接近統計噪訊。評估這類「打敗 XX」宣稱時，要看清楚領先的差距主要來自哪個子項，而不是只看平均分。
參考資料
- GitHub：Tencent-Hunyuan/Hy-Memory
- HuggingFace：tencent/Hy-Memory-30B-A3B 模型卡
- arXiv 2610.22196：Hy-Memory-30B-A3B 技術報告
- AlphaSignal：Tencent's Hy Memory 2.0 Beats Claude Opus 5 at Remembering What Agents Need
- OrcaRouter：Hy Memory 2.0 Is Out — Tencent Open-Sourced a Memory Writer, a Framework and a Mac App in One Drop