إصدار Hy-Memory-30B-A3B الصامت: Tencent تضع كاتب ذاكرة على Hugging Face دون منشور إطلاق

Hy-Memory-30B-A3B هو نموذج خليط الخبراء بثلاثين مليار معامل من فريق Hunyuan لا يجيب عن الأسئلة. بل يكتب الذاكرة. إنه يقرر ما ينبغي لوكيل طويل الأمد أن يحتفظ به، ومدى دقة صياغته، وكيف ينبغي لحقيقة جديدة أن تستبدل حقيقة قديمة داخل بنك ذاكرة دائم — الخطوة التي ظل كل إطار عمل للوكلاء، حتى الآن، يعهد بها إلى نموذج محادثة عام الأغراض. رُفعت الأوزان على Hugging Face في 15 أكتوبر 2026، وتبع التقرير التقني في اليوم نفسه تحت arXiv 2610.22196، وفُتح مستودع GitHub بعد ظهر ذلك اليوم، وأُصدر الوسم v1.0.0 في 16 أكتوبر. وفي وقت كتابة هذا النص، يسجل المستودع صفر تنزيلات وعدد إعجابات مكوّن من رقم واحد على بطاقة النموذج. لا توجد صفحة إطلاق من المورّد، ولا تسعير، ولا نقطة نهاية مستضافة، ولا أي إعلان تمكّنّا من العثور عليه خارج ملف README الخاص بالمشروع. تشيخ المعايير وتتحرك الأسعار؛ أما سجل الإخفاقات فلا: إن حوادث الذكاء الاصطناعي الموثّقة وإخفاقات الوكلاء الكامنة خلف نماذج في هذه الفئة تُجمع في أرشيف حوادث الذكاء الاصطناعي OrcaRouter حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.

هذا هو الشكل الصادق لهذا الإصدار: ورقة بحثية، ومستودع، ونقطة تحقق، وجدول تقييم يزعم أنه يتفوق على Claude Opus 5. كل ما يلي إما مقروء مباشرة من المستودع أو موسوم بوصفه ادعاءً غير مُتحقق منه من البائع نفسه. لم يُعِد أي طرف ثالث إنتاج أي شيء هنا، لأن أي طرف ثالث لم يشغّل أي شيء هنا.

ما الذي يوجد فعليًا في المستودع، وما الذي لا يوجد

الحقائق القابلة للتحقق، كل واحدة في سطر:

• النموذج — tencent/Hy-Memory-30B-A3B، منشور بموجب Apache 2.0، وموسوم باللغتين الإنجليزية والصينية.

• الحجم — 30B معامل إجمالاً، مع نحو 3B نشِطة لكل رمز (توكن)، وهذا ما تعنيه اللاحقة A3B.

• البنية المعمارية — 48 طبقة، منها طبقة واحدة كتلة تغذية أمامية كثيفة و47 كتلة MoE متناثرة؛ 128 خبيرًا لكل كتلة مع توجيه top-8 بالإضافة إلى خبير مشترك واحد؛ حجم مخفي 2,048؛ عرض وسيط للخبير 768؛ 32 رأس انتباه مقابل 4 رؤوس مفتاح-قيمة مع تطبيع استعلام-مفتاح؛ موجّه sigmoid مع حد تحيز للخبير.

• السياق — 262,144 موضعًا من ملف الإعدادات، مع قاعدة RoPE بقيمة 11,158,840.

• البصمة — 51 جزءًا من safetensors بإجمالي نحو 60.1 جيجابايت بصيغة BF16.

• يُقدَّم باستخدام — vLLM، وتم اختباره مقابل v0.31.0، خلف نقطة نهاية متوافقة مع OpenAI. لا تذكر البطاقة أي بيئة تشغيل أخرى ولا أي مزوّد استدلال.

• غير موجود — لا يوجد GGUF، ولا إصدار FP8 أو NVFP4، ولا ضبط دقيق، ولا تكميم، ولا أي مشتق من أي نوع في فهرس بحث Hugging Face. أصدر الفريق نقطة تحقق BF16 واحدة بدقة واحدة.

هذا السطر الأخير أهم مما تبدو قراءته. فقد أطلقت فرقة Granite نسخ FP8 وMXFP4 وNVFP4 وGGUF من Granite 4.2 30B في غضون أيام من إصدار الأوزان الأساسية. وتُصدر Liquid AI نسخة Q4_K_M GGUF من LFM2.5-24B-A2B بحجم 14.5 GB. وتلك الجهات تُخبرك أين تتوقع أن يعمل النموذج. أما نقطة تفتيش BF16 بحجم 60 GB دون أي مسار للتكميم، فهي تقول لك إن هذا النموذج موجّه إلى من يملكون وحدات GPU بالفعل — وعلى الأرجح العاملين في البنية التحتية للذاكرة على نطاق واسع، وهؤلاء هم تحديدًا الجمهور الذي تسمّيه بطاقة النموذج.

ما الغرض الفعلي من النموذج

التمييز بين كاتب الذاكرة والوكيل هو جوهر هذا الإصدار، ويسهل تفويته لأن بطاقة النموذج تبدو وكأنها مثل أي بطاقة نموذج أخرى.

إطار عمل للوكلاء — Mem0، وMemOS، وHy-Memory، وEverMemOS — يقع بين محادثة ومخزن دائم. في كل دور، يجب على شيء ما أن يقرأ التبادل الوارد، ويقرر أي الشذرات تستحق الاحتفاظ بها، ويصوغها بحيث يمكن العثور عليها لاحقًا، ويوفّق بينها وبين ما هو مخزّن بالفعل. اليوم، ذلك الشيء هو نموذج محادثة رائد مع مطالبة خاصة بإطار العمل ملحقة به. تأطير الورقة للمشكلة هو التكلفة والنقل: فالنموذج العام خلف مطالبة ذاكرة مكلف التشغيل في كل دور، والكاتب المضبوط على بروتوكول إطار عمل واحد لا ينتقل بسلاسة إلى بروتوكول إطار آخر.

يُدرَّب Hy-Memory-30B-A3B ليكون ذلك الكاتب عبر ثلاثة أطر في آنٍ واحد — Mem0 وMemOS وHy-Memory الخاص بالمشروع، عبر مشاهد الدردشة والعمل والبرمجة — ثم يُختبر على إطار رابع، EverMemOS، استُبعد من التدريب تمامًا. وأداة الاختبار المستبعدة هي أكثر قرار تصميمي مثير للاهتمام في الورقة. فالنقل العابر للأطر هو الادعاء الذي يقوم عليه النموذج بأكمله، وإبقاء إطار واحد خارج التدريب هو ما كنت لتختبره به لو كنت جادًّا بشأنه.

يتم تشغيل النموذج باستخدام reasoning_effort: "no_think" ودرجة حرارة 0.0 في دليل البدء السريع الخاص بالمشروع، وهو الافتراضي الدال. لا يحتاج الكاتب إلى التروي؛ بل يحتاج إلى أن يكون حتميًا ورخيصًا، لأنه يُشغّل في كل دور.

التدريب على مرحلتين، بعبارات بسيطة

تصف البطاقة الوصفةَ بأنها تقطير الذاكرة أثناء السياسة (Memory On-Policy Distillation) يتبعه تعلّم التعزيز للذاكرة المنسوبة (Attributed Memory Reinforcement Learning)، والمرحلة الثانية هي موضع مساهمة الورقة البحثية.

في المرحلة الأولى، يقدم المعلم إشرافًا كثيفًا على حالات الذاكرة التي أنتجها الطالب نفسه — على السياسة، بحيث يتم تصحيح الطالب بناءً على أخطائه الخاصة بدلاً من مسارات المعلم. في المرحلة الثانية، يبني الإطار بنوك الذاكرة من عمليات التمرير، ويقيّمها قطعة قطعة، ويحمل البنك المختار إلى الأمام عبر النوافذ بدلاً من إعادة ضبطه بينها. هذا الحمل إلى الأمام هو الجزء الذي يبقي التدريب متوافقًا مع كيفية نشر النموذج فعليًا، حيث لا يكون البنك فارغًا أبدًا وكل كتابة تقع فوق كل ما كُتب قبله. يُسند الفضل على مستوى القطعة، مع عقوبة صريحة للتخزين المفرط — فالكاتب الذي يحتفظ بكل شيء عديم الفائدة، لذا يجب أن تأخذ المكافأة ذلك في الحسبان.

لا شيء من ذلك تم التحقق منه بشكل مستقل. إنه وصف متماسك لطريقة تدريب، نُشِر مع مستودع يحتوي على الكود، وهو أكثر مما تأتي به معظم الادعاءات في يوم الإصدار.

التقييم، مقروءًا بالطريقة التي ينبغي أن يُقرأ بها

هذا هو العنوان الرئيسي، وهذا كل ما يعيب أخذه على ظاهره.

• Hy-Memory-30B-A3B — 55.49 متوسط ماكرو عبر أربع أدوات تقييم.

• Claude Opus 5 — 54.62.

• DeepSeek V4.1 Flash — 53.64.

• Hy3 — 51.63.

• Qwen3.6-35B-A3B — 50.37

• Qwen3-30B-A3B — 44.37.

أن يتفوق متخصص بـ3B نشط على نموذج حدودي بفارق 0.87 من نقطة في مهمة ذاكرة هو نتيجة معقولة — فالمهمة ضيقة، والمتخصص دُرِّب عليها، وهي الحجة نفسها التي تجعل نماذج إكمال الكود الصغيرة قادرة على المنافسة في تعديلات الملف الواحد. لكنّ التحفظات ذات ثقل حاسم. فكل معيار في المصفوفة الرئيسية يعمل على عيّنة فرعية ثابتة بنسبة 20% بدل المجموعة الكاملة. لا يغيّر التقييم إلا الكاتب، مع تثبيت منصة التقييم والمطالبات وإعداد الاسترجاع ونموذج الإجابة والحَكَم، وهذا هو التصميم التجريبي الصحيح، لكن التصميم ومنصة التقييم خاصّان بالمشروع نفسه. كما أن التباين بين منصات التقييم أوسع مما يوحي به المتوسط الإجمالي: يتقدم النموذج على Mem0 بنتيجة 54.02 وعلى Hy-Memory بنتيجة 60.55، ونتيجته على MemOS البالغة 50.51 تسبق نتيجة Claude Opus 5 البالغة 50.50 بمقدار 0.01 من نقطة — تعادل تام يتنكّر في هيئة فوز. أما أقوى أرقامه، 56.89 على منصة EverMemOS المحجوزة، فهو الرقم الذي كان سيهمّ أكثر من غيره لو أُعيد إنتاجه، والرقم الذي لم يحاول أحد إعادة إنتاجه.

تعامل مع الأمر كله بوصفه تقارير صادرة عن الجهة المطوِّرة. لا من باب الشكّ — بل من باب أنه غير مُعاد إنتاجه، وهذا شيء مختلف. النموذج الذي أُطلِق أمس ومعه مستودع ورقة بحثية قد استحقّ حقّ أن يُختبر، لا حقّ أن يُصدَّق.

تلك الصفحة هي المصدر الأساسي الوحيد للإصدار بأكمله. لا يوجد منشور مدونة، ولا إعلان من مورّد، ولا تقرير مكتوب من طرف ثالث يمكن مقارنته به أو التحقق من خلاله.

ما زال غير مؤكد، بعبارة صريحة

• لا يوجد أي معيار قياس مستقل من أي نوع. لا شيء على Artificial Analysis، ولا ترتيب في الساحات، ولا تشغيل أدوات تقييم من طرف ثالث.

• لا إعادة لإنتاج الجدول العابر لأدوات الاختبار. ونتيجة EverMemOS المحجوزة على وجه الخصوص هي تشغيل واحد من مورّد واحد.

• لا يوجد رقم تكلفة واقعي. كتابات الذاكرة هي عبء عمل عالي التكرار وقصير الإخراج، لكن لم ينشر أحد عدد الرموز لكل كتابة أو تكلفة لكل محادثة على هذا النموذج.

• لا يوجد تكميم، لذا لا يوجد بصمة ذاكرة مقاسة أقل من 60 GB.

• لا يوجد دليل على ما يفعله عندما يغيّر إطار الذاكرة بروتوكوله — فالورقة تختبر الانتقال بين الأُطر، لا بين إصدارات إطار واحد.

• ما إذا كان الفريق يعتزم استضافته. تنص البطاقة على أن النموذج غير منشور من قِبل أي مزوّد استدلال، ولا شيء في المستودع يشير إلى أن نقطة نهاية مستضافة قادمة.

إذا كنت تريد تشغيله، وأين يتناسب الراوتر

من الناحية الواقعية، هذا قرار استضافة ذاتية. المسار المذكور في البطاقة هو vLLM 0.31.0 خلف واجهة برمجة تطبيقات متوافقة مع OpenAI، ما يعني أن النموذج يندمج في إطار عمل قائم عبر تبديل عنوان URL الأساسي. هذا هو الجزء الرخيص. الجزء المكلف هو أن نقطة تفتيش BF16 بحجم 60 غيغابايت بلا نظير مُكمَّم تحتاج إلى عتاد جاد قبل أن تكتب أي ذاكرة.

من المفيد أن نكون دقيقين بشأن ما يفعله الراوتر وما لا يفعله هنا. Hy-Memory-30B-A3B ليس ضمن كتالوج OrcaRouter ولا نستضيفه — الطريق إليه هو نقطة الحفظ ووحدات GPUs الخاصة بك. ما يغطيه الراوتر هو النصف الآخر من المنظومة. يتم استدعاء كاتب الذاكرة إلى جانب نموذج الإجابة، وعادةً ما يكون نموذج الإجابة نموذجًا رائدًا مستضافًا يقرأ بنك الذاكرة ويستجيب. يمنحك OrcaRouter مفتاح API واحدًا عبر أكثر من 200 نموذج مستضاف بـهامش ربح 0%، لذا تنتقل تخفيضات أسعار المزوّدين في نفس اليوم، مع التجاوز التلقائي للفشل إذا تدهور أحد الأنظمة الخلفية. لغة التوجيه DSL هي القطعة التي تناسب هذه البنية تحديدًا: فهي تدمج نقطة نهاية مستضافة ذاتيًا وأخرى مستضافة في استدعاء واحد، وهو بالضبط شكل نظام الذاكرة — متخصص منخفض التكلفة على مسار الكتابة، ونموذج رائد على مسار القراءة، ومفتاح واحد أمام كليهما.

يستحق هذا النمط أن يُبنى حتى قبل أن يكون الكاتب قيد التشغيل، لأنه يظل متطابقًا سواء كان مسار الكتابة هو Hy-Memory-30B-A3B أو نموذجًا عامًا مزوّدًا بتوجيه ذاكرة. لا يهم الموجّه أيّهما، وينبغي أن يكون استبدال أحدهما بالآخر لاحقًا تعديلًا في جدول التوجيه بدلًا من إعادة كتابة.

ماذا تشاهد

ثلاثة أمور ستنقل هذا من ورقة بحثية إلى منتج. نسخة مُكمَّمة: نقطة حفظ FP8 أو Q4 هي الفرق بين نموذج مخصص لمراكز البيانات ونموذج يستطيع شخص ما تقييمه على محطة عمل، وغيابها هو العائق الأكبر منفردًا أمام أي شخص يريد التحقق من الأرقام. تشغيل منصة اختبار مستقلة: ادعاء نقل EverMemOS المحجوز هو الأطروحة كلها، وهو يستحق اختبارًا من شخص لا مصلحة له فيه. ونقطة نهاية مستضافة: ليس لأن الاستضافة الذاتية خطأ، بل لأن تصميم النموذج نفسه — حتمي، بلا تفكير، مخرجات قصيرة، يُشغَّل في كل دور — ملائم طبيعيًا لواجهة API، وغيابها يوحي بأن الفريق يرى هذا كبنية تحتية يوزعها على أشخاص يديرون بنية تحتية بالفعل.

حتى ذلك الحين، فإن الموقف الصحيح هو ذاك الذي يدعو إليه الإصدار نفسه. اقرأ المستودع، وشغّل دليل البدء السريع على أي عتاد متاح لديك، وتعامل مع الجدول باعتباره فرضية.