Hy-Memory-30B-A3B vs. Granite 4.2 30B: Ein Memory Writer und ein Reasoner sind nicht dieselbe Anschaffung

Hy-Memory-30B-A3B und Granite 4.2 30B sind beide rund 30 Milliarden Parameter groß, beide mit offenen Gewichten, beide unter Apache 2.0, beide innerhalb von sieben Wochen zueinander veröffentlicht — und sie sind in keinem Sinne Ersatz füreinander, den eine Beschaffungstabelle erkennen würde. Hy-Memory-30B-A3B, vom Hunyuan-Team als Open Source veröffentlicht am 15. Oktober 2026, tut genau eine Sache: Es führt den Schreibpfad innerhalb eines Langzeitgedächtnis-Frameworks aus und entscheidet, was ein Agent behält und wie neue Evidenz das Überschreibt. Granite 4.2 30B, von IBM auf Hugging Face veröffentlicht am 25. August 2026, ist ein dichtes generalistisches Reasoning-Modell mit wählbaren Denkmodi, Tool-Calling und einem 128K-Kontext, den es auf 512K strecken kann. Das eine ist eine Komponente. Das andere ist ein Assistent. Diese Kluft zwischen dem, was eine Rangliste misst, und dem, was ein Deployment antrifft, ist der Grund, warum die Erfassung zählt: Die dokumentierten KI-Ausfälle und Agent-Vorfälle rund um Modelle dieser Klasse sind gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Umstritten-Kennzeichnung mitführt.

Der verlockende Vergleich – ihre Benchmark-Tabellen nebeneinanderlegen und sehen, wer gewinnt – ist der falsche Vergleich, und er ist auf eine Weise falsch, die Sie Geld kosten würde. Sie wurden nicht anhand derselben Aufgaben bewertet, sie werden nicht auf dieselbe Weise bereitgestellt, und eines von ihnen kann nicht in einer Form heruntergeladen werden, die die meisten Leute ausführen können. Was folgt, ist der Vergleich, der tatsächlich etwas entscheidet: wofür jedes gedacht ist, was jedes Sie an Hardware kostet, und ob Sie das eine, das andere oder beide brauchen.

Beginne mit der Achse, die sie trennt

Granite 4.2 30B ist dicht, was bedeutet, dass jeder seiner Parameter für jedes Token gelesen wird, das es generiert. Es verfügt über drei Reasoning-Modi – volles Denken, geringer Aufwand und keiner –, die pro Anfrage ausgewählt werden können, und es wurde mit agentischem Reinforcement Learning nachtrainiert, das auf Terminals, Codeausführung und Websuche in einer Sandbox abzielt. IBMs Model Card gibt 57,00 auf SWE-Bench Verified, 29,24 auf Terminal-Bench 2.1, 89,17 auf AIME 2025 und 77,60 auf MMLU-Pro an. Diese Angaben stammen vom Anbieter und wurden nicht unabhängig reproduziert, und das Modell ist zwei Monate alt – alt genug, dass ein Fehlen unabhängiger Ergebnisse leicht bemerkenswert ist, aber nicht vernichtend.

Hy-Memory-30B-A3B ist sparse, das heißt, es enthält 30 Milliarden Parameter, liest aber pro Token etwa 3 Milliarden, und es wurde für eine einzige Aufgabe trainiert. Die Hy-Memory-Karte beschreibt es als Ersatz für das Allzweck-LLM innerhalb von Mem0, MemOS und Hy-Memory — indem es entscheidet, was beibehalten wird, wie es präzise dargestellt wird und wie neue Evidenz eine persistente Gedächtnisbank aktualisiert. Anschließend wurde es auf EverMemOS getestet, einem Framework, das vollständig aus dem Training herausgehalten wurde und in beiden Veröffentlichungen einem echten Generalisierungstest am nächsten kommt. Seine Hauptbehauptung: ein Makrodurchschnitt von 55,49 über vier Testumgebungen hinweg gegenüber 54,62 für Claude Opus 5. Ebenfalls vom Anbieter berichtet, ebenfalls nicht reproduziert und — anders als die Zahlen von Granite — auf einer festen 20-%-Teilprobe jedes Benchmarks statt auf dem vollständigen Datensatz evaluiert.

Die Scores lassen sich also nicht vergleichen. Granites 57,00 auf SWE-Bench Verified und Hy-Memorys Makrodurchschnitt von 55,49 sind Zahlen aus verschiedenen Sportarten, und sie in eine Spalte zu setzen wäre eine Lüge der Arithmetik.

Es ist außerdem erwähnenswert, woher diese Zahlen stammen. Die Hy-Memory-Werte stehen in einem technischen Bericht, arXiv 2610.22196, der am selben Tag eingereicht wurde, an dem die Gewichte erschienen — die Primärquelle ist öffentlich und lesbar, was mehr ist, als viele Tabellen zum Veröffentlichungstag mitbringen. Die der anderen Seite stehen auf einer Modellkarte. In beiden Fällen korrigiert der Anbieter seine eigenen Hausaufgaben, und keines hat den Prüfstand eines anderen durchlaufen.

Die Spezifikationen, Dimension für Dimension

• Parameter — Hy-Memory-30B-A3B: 30B gesamt / ~3B aktiv (MoE) vs. Granite 4.2 30B: rund 29B dense, alle Parameter bei jedem Token aktiv.

• Layer-Aufbau — 48 Layer für Hy-Memory-30B-A3B, ein dichter Feed-Forward-Block und 47 sparse MoE-Blöcke, 128 Experten pro Block bei Top-8-Routing plus einem geteilten Experten, im Vergleich zum standardmäßigen dichten Decoder-only-Transformer von Granite 4.2 30B mit GQA, 32 Attention-Heads und 8 Key-Value-Heads.

• Kontext — 262.144 Positionen für Hy-Memory-30B-A3B aus seiner Konfigurationsdatei vs. 128K nativ und 512K erweitert für Granite 4.2 30B.

• Gewichtsspeicherbedarf — etwa 60,1 GB verteilt auf 51 BF16-Safetensors-Shards für Hy-Memory-30B-A3B im Vergleich zu rund 29B dichten Parametern in BF16 für Granite 4.2 30B, wobei zusätzlich FP8-, NVFP4/MXFP4- und GGUF-Builds veröffentlicht wurden.

• Quantisierte Optionen — keine für Hy-Memory-30B-A3B; das Team lieferte einen BF16-Checkpoint und sonst nichts. Granite 4.2 30B hat einen offiziellen FP8-Build, zwei 4-Bit-Formate und GGUF-Konvertierungen von mehreren Community-Publishern.

• Reasoning-Steuerungen — Hy-Memory-30B-A3B bietet einen reasoning_effortSchalter, doch der projekteigene Quickstart führt es bei no_think mit Temperatur 0,0 aus; Granite 4.2 30B bietet drei Denkmodi, darunter eine vollständige Gedankenkette, die in think-Tags eingebettet ist.

• Lizenz — Apache 2.0 für beide, wodurch eine der beiden Fragen entfällt, die eine rechtliche Prüfung andernfalls stellen würde.

• Gehostete Verfügbarkeit — keines der Modelle wird über einen gehosteten Anbieter-Endpunkt bereitgestellt. Die Modellkarte von Granite 4.2 30B nennt einen Inferenzanbieter; die von Hy-Memory-30B-A3B gibt unmissverständlich an, dass kein Anbieter es bereitstellt.

• Veröffentlichter Zweck — ein Gedächtnisschreiber gegen ein allgemeines Schlussfolgerungsmodell. Dies ist die Zeile, die alles darüber entscheidet.

Die Hardware ist der Punkt, an dem die Entscheidung tatsächlich getroffen wird

Hier ist die Asymmetrie, die ein Datenblatt verbirgt.

Hy-Memory-30B-A3B umfasst 60 GB in BF16, und es gibt keine quantisierte Alternative. Das ist kein Modell, das man auf einem Laptop evaluiert, und es ist kein Modell, das man auf einer einzelnen Workstation-Karte startet, um zu sehen, ob die Behauptung des Papers standhält. Ein Team, das Hy-Memorys Zahlen überprüfen möchte, muss derzeit ungefähr dieselbe Hardware bereitstellen wie für ein kleines Produktions-Deployment, bevor es weiß, ob das Ding funktioniert.

Granite 4.2 30B ist, so dicht es auch sein mag, in Formen erhältlich, die man heute tatsächlich ausführen kann. Die FP8- und 4-Bit-Builds bringen es in den Speicher eines einzelnen Beschleunigers, und die GGUF-Konvertierungen bringen eine nutzbare Version auf Hardware, die die Leute bereits besitzen. Das Team hat diese Builds bewusst veröffentlicht – ein Anbieter, der vier Quantisierungsformate publiziert, teilt Ihnen damit mit, dass er erwartet, dass das Modell von der Person ausgeführt wird, die darüber liest, und nicht von einem Rechenzentrum gemietet wird.

Nichts davon macht Granite zum besseren Modell. Es macht Granite zu dem Modell, über das man sich günstiger informieren kann.

Die nicht offensichtliche Antwort: Diese gehören in dasselbe System.

Ein Agent mit Langzeitgedächtnis braucht beide Funktionen, und die Architektur des Frameworks macht die Aufteilung explizit statt theoretisch.

Ein Memory-Harness ruft auf dem Schreibpfad einen Writer auf – bei jedem Turn ausgelöst, kurze Ausgaben, deterministisch, und er darf niemals eine Tatsache erfinden, die der Nutzer nicht gesagt hat. Genau das ist die gesamte Aufgabe von Hy-Memory-30B-A3B, und ein Modell mit 3B aktiven Parametern in einer No-Think-Einstellung ist genau die richtige Form dafür: günstig pro Aufruf, weil es viele Aufrufe gibt. Granite 4.2 30B konkurriert nicht um diesen Platz. Sein Platz ist der Lesepfad und das Reasoning darum herum – zu entscheiden, was mit dem zu tun ist, was in der Bank liegt, zu planen, Tools aufzurufen, die Antwort zu erzeugen. Das sind die Frontier-orientierten Aufrufe, bei denen die Tiefe eines dichten Reasoning-Modells ihr Gewicht wert ist.

Zwei Modelle, zwei sehr unterschiedliche Aufrufprofile, und die interessante technische Frage ist, wie man einen einzigen Schlüssel vor beide setzt. Dafür ist eine Routing-Schicht da. OrcaRouters Routing-DSL kombiniert mehrere Modelle zu einem einzigen Aufruf – Sie können den Schreibpfad auf einen selbst gehosteten Hy-Memory-30B-A3B-Endpunkt und den Lesepfad auf ein gehostetes Frontier-Modell richten und beide mit einem einzigen API-Schlüssel über 200+ Modelle hinweg mit automatischem Failover steuern, wenn ein Backend schlechter wird. Keines dieser beiden Modelle ist in unserem Katalog, und wir hosten keines von beiden; die Verfügbarkeit beider liegt bei Ihrer eigenen Hardware oder den eigenen Kanälen des Anbieters. Was wir abdecken, ist die andere Hälfte – die gehosteten Modelle, die um einen selbst gehosteten Writer herum angesiedelt sind – bei 0 % Aufschlag auf den Listenpreis des Anbieters.

Diese Kombination ist es wert, verstanden zu werden, bevor eines der beiden Modelle für Sie produktionsreif ist, denn es ist dieselbe Architektur, egal ob der Schreibpfad Hy-Memory-30B-A3B ausführt oder ein allgemeines Modell mit einem aufgesetzten Memory-Prompt. Der Router ist gleichgültig. Eines später gegen das andere auszutauschen, sollte eine Änderung der Routing-Tabelle sein, kein Rewrite.

Welches zuerst ansehen?

Wenn Sie einen lang laufenden Agenten mit einem Memory-Framework haben und der Schreibpfad derzeit ein Frontier-Modell ist, für dessen Betrieb Sie bei jedem Turn Frontier-Preise zahlen, ist Hy-Memory-30B-A3B das interessantere der beiden und dasjenige mit einem konkreten, quantifizierten Problem, das es zu lösen gilt. Sehen Sie es sich an – aber gehen Sie mit dem Verständnis heran, dass Ihre erste Aufgabe darin besteht, die Hardware zu bauen, auf der man es testen kann, und dass bisher kein Dritter die 55,49 bestätigt hat.

Wenn Sie ein Open-Weight-Modell benötigen, das logisch denkt, Tools aufruft und auf einer Karte läuft, die Ihnen gehört, ist Granite 4.2 30B das Modell, das Sie diese Woche evaluieren sollten. Es ist zwei Monate alt, seine Quantisierungen existieren, und seine veröffentlichten Zahlen sind nicht reproduziert — was für ein mittelgroßes offenes Modell ein normaler Zustand ist und für sich genommen kein Warnsignal.

Wenn du das Ganze baust, ist die ehrliche Antwort, dass du wahrscheinlich beide willst, in den beiden Rollen, für die sie entworfen wurden, und die interessante Arbeit ist das Routing zwischen ihnen statt die Wahl zwischen ihnen.