Hy-Memory-30B-A3B vs Nemotron 3.5 Lightning 30B-A3B Base: Las mismas tres letras, dos objetos diferentes

Hy-Memory-30B-A3B y NVIDIA-Nemotron-3.5-Lightning-30B-A3B-Base-BF16 comparten una aritmética de parámetros idéntica — 30 mil millones en total, 3 mil millones activos — y ahí es donde el parecido deja de ser útil. El modelo del equipo Hunyuan, de código abierto el 15 de octubre de 2026, es un producto terminado: totalmente postentrenado para ejecutar la escritura de memoria dentro de Mem0, MemOS y Hy-Memory, se distribuye con una receta de servicio compatible con OpenAI y una tabla de benchmarks que afirma una victoria sobre Claude Opus 5. El de NVIDIA, publicado el 11 de agosto de 2026, no es un producto en absoluto. La palabra "Base" en su nombre es literal — no se ha aplicado ajuste fino supervisado, ni aprendizaje por refuerzo, ni destilación. Es materia prima preentrenada, publicada para que puedas construir tu propio modelo postentrenado sobre ella. Lo que los números no pueden decirte es si algo de esto ha salido mal en el terreno: los incidentes de IA documentados y los fallos de agentes en torno a modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Dos modelos con el mismo número en el nombre, uno de los cuales está diseñado para usarse y el otro para modificarse. La comparación que vale la pena hacer no es cuál obtiene una puntuación más alta —no se los ha evaluado en nada en común, y uno de ellos no tiene comportamiento de seguimiento de instrucciones que evaluar. La comparación que vale la pena hacer es sobre la evidencia: qué ha publicado cada proveedor, cuánto de ello podrías comprobar tú mismo y qué te pide cada uno antes de hacer nada en absoluto.

Lo que cada modelo realmente es

Hy-Memory-30B-A3B es un transformer disperso convencional con un trabajo inusual. Su archivo de configuración describe 48 capas, la primera un bloque feed-forward denso y las 47 restantes de mezcla de expertos, con 128 expertos por bloque en enrutamiento top-8 más un único experto compartido, tamaño oculto 2.048, un ancho intermedio de experto de 768, 32 cabezas de atención frente a 4 cabezas clave-valor con normalización query-key, y un contexto de 262.144 posiciones. Aproximadamente 60,1 GB en 51 fragmentos BF16. Se entrenó en dos etapas —Destilación On-Policy con Memoria, luego Aprendizaje por Refuerzo con Memoria Atribuida— y el objetivo principal del ejercicio era reemplazar el modelo de propósito general que los frameworks de memoria actualmente invocan en cada turno. Servido con vLLM 0.31.0, devuelve registros JSON estructurados que describen lo que un agente debería recordar.

Nemotron 3.5 Lightning 30B-A3B Base es una máquina híbrida. NVIDIA intercala bloques de espacio de estados Mamba-2 con capas de mezcla de expertos y de atención, añade cabezas de predicción multi-token entrenadas en una fase dedicada de preentrenamiento continuado, y preentrenó todo el conjunto bajo una receta NVFP4 con más de 20 billones de tokens. La clave del stack híbrido es la caché de clave-valor: los bloques Mamba-2 evitan que crezca como lo hace la de un transformer convencional, y eso es lo que permite a NVIDIA afirmar una longitud de contexto de hasta 1 millón de tokens. Se distribuye en versiones BF16, NVFP4 y FP8, con conversiones y cuantizaciones GGUF de varios terceros. Su licencia es OpenMDW-1.1, que cubre los pesos, los datos de entrenamiento y las recetas: una concesión más amplia de lo que suele ser una licencia de modelo.

La coincidencia en el número de parámetros es real, pero superficial. Ambos activan unos 3 mil millones de parámetros por token; esa es la única decisión de diseño que ambos equipos tomaron de la misma manera.

Ese banner es el elemento más informativo de la página. NVIDIA lo puso en la parte superior del repositorio base a propósito: este checkpoint no es el que la mayoría de la gente quiere, y el proveedor lo dice antes de que descargues 30 mil millones de parámetros.

La distinción que lo decide todo: post-entrenado frente a pre-entrenado

Un checkpoint base no sigue instrucciones. Hazle una pregunta y continúa el texto, porque eso es lo único que le enseñó el preentrenamiento. No tiene una plantilla de chat que merezca ese nombre, ni comportamiento de llamada a herramientas, ni límite de rechazo, ni idea de que una conversación tiene turnos. La ficha de NVIDIA lo dice sin rodeos, y el banner "¿Buscas el modelo postentrenado?" en la parte superior del repositorio señala el checkpoint hermano para quien quiera algo con lo que pueda conversar.

Para lo que sirve un checkpoint base es para tu post-entrenamiento. El preentrenamiento continuado sobre un corpus de dominio, o el ajuste fino supervisado, RL y destilación mediante NeMo RL, NeMo Gym y Megatron-LM: la cadena de herramientas para la que NVIDIA nombra y distribuye recetas. Si tienes una ventaja en datos y una opinión sobre cómo debería comportarse un modelo, un checkpoint base es el punto de partida que te permite actuar sobre ambas. Si no la tienes, es un pisapapeles de 30 mil millones de parámetros.

Hy-Memory-30B-A3B está en el extremo opuesto de ese pipeline. Ya ha pasado por post-entrenamiento, dos veces, y toda la propuesta de valor es que no tienes que hacer ese trabajo: tomas el esquema que te da la tarjeta, lo apuntas a tu harness y este escribe memoria. Es mucho más limitado que Nemotron por un margen enorme y está acabado de una manera en la que Nemotron deliberadamente no lo está.

Especificaciones y embalaje, una línea por dimensión

• Parámetros totales / activos — 30B / ~3B para ambos. Esta es la única fila en la que coinciden.

• Arquitectura — Hy-Memory-30B-A3B es un transformer disperso con un bloque denso y 47 bloques MoE, 128 expertos en top-8 más un experto compartido; Nemotron 3.5 Lightning 30B-A3B Base es un híbrido de Mamba-2, que intercala capas de espacio de estados, MoE y atención con cabezas de predicción multitoken.

• Contexto — 262.144 posiciones para Hy-Memory-30B-A3B según su configuración; hasta 1M de tokens para Nemotron, con 256K como la cifra práctica documentada en una sola H100.

• Post-entrenamiento — dos etapas para Hy-Memory-30B-A3B (destilación on-policy, luego RL atribuido); ninguna en absoluto para el checkpoint base de Nemotron.

• Huella de pesos — 60.1 GB en BF16 para Hy-Memory-30B-A3B, sin ninguna otra precisión publicada, frente a las versiones BF16, NVFP4 y FP8 de NVIDIA, además de GGUF de la comunidad.

• Licencia — Apache 2.0 vs OpenMDW-1.1, que además cubre datos de entrenamiento y recetas.

• Ruta de servicio: vLLM 0.31.0 detrás de un endpoint compatible con OpenAI para Hy-Memory-30B-A3B; primero el postentrenamiento, luego el servicio, para Nemotron.

• Endpoint alojado — ninguno de los modelos es desplegado por un proveedor de inferencia alojada. Ambos son propuestas de autoalojamiento.

Evidencia: NVIDIA publica una receta, Hunyuan publica una tabla

Esta es la diferencia más marcada entre los dos lanzamientos, y no se trata de los números en sí.

NVIDIA publica su metodología de evaluación de una manera sobre la que puedes actuar. La ficha base de Lightning indica que sus cifras de precisión se midieron con un harness coherente —NeMo Gym y el SDK NeMo Evaluator, que envuelven un contenedor de código abierto de LM Evaluation Harness, con RULER ejecutado a través de NeMo Skills— y luego dice lo que los proveedores rara vez dicen: estas cifras pueden diferir de las cifras autoinformadas por otros proveedores. Enlaza recetas de reproducibilidad. Las cifras siguen siendo la propia ejecución de NVIDIA, pero el harness tiene nombre, está contenedorizado y se puede descargar, lo que significa que la distancia entre «NVIDIA midió esto» y «yo medí esto» son unas pocas horas de trabajo en lugar de un proyecto de investigación.

El lanzamiento de Hy-Memory es más difícil de verificar de dos maneras distintas. El diseño de la evaluación es sólido en sus propios términos — solo cambia el escritor de memoria y mantiene fijos el arnés, los prompts, la configuración de recuperación, el modelo de respuesta y el juez, que es la forma correcta de aislar la contribución de un escritor. Pero cada benchmark de la matriz principal se ejecuta sobre una submuestra fija del 20% en lugar del conjunto completo, y el margen principal es estrecho: un promedio macro de 55,49 frente a 54,62 de Claude Opus 5, una diferencia de 0,87 puntos, con el arnés de MemOS decidido por 0,01 de punto. El segundo obstáculo es el hardware. Reproducir los números base de NVIDIA implica cargar un checkpoint cuyas versiones cuantizadas existen; reproducir los de Hy-Memory implica cargar 60 GB de BF16 sin que se haya publicado una alternativa más pequeña.

Ninguno de los dos conjuntos de cifras ha sido reproducido de forma independiente. La diferencia radica en qué tan plausible es que seas tú quien pueda hacerlo.

Pon las dos fuentes primarias una al lado de la otra y el contraste es tajante: la evaluación de Hy-Memory está en un artículo con una descripción de arquitectura y un método de entrenamiento, y la de NVIDIA está en una tarjeta de modelo con un arnés con nombre y descargable. Ambas son el proveedor corrigiendo su propia tarea. Solo una de ellas te entrega la regla.

Dos razones diferentes para incluir un router en esto

Ambos modelos son autoalojados, y ni Hy-Memory-30B-A3B ni Nemotron 3.5 Lightning 30B-A3B Base están en el catálogo de OrcaRouter — no alojamos ninguno de los dos. La ruta hacia ambos son los pesos y tus propias GPU. Pero la cuestión del router se plantea de manera distinta en cada lado de esta comparación, algo que vale la pena examinar porque es la forma práctica de la elección.

Si tomas la ruta de Nemotron, estás haciendo post-entrenamiento de un checkpoint. Eso produce un modelo que existe solo en tu infraestructura, y el problema clásico de un checkpoint personalizado es que no tiene dónde ubicarse: no está en ningún catálogo, así que cada aplicación que lo quiera necesita integraciones a medida, y cada ruta de respaldo para cuando se caiga hay que construirla a mano. Un router resuelve precisamente eso: una sola clave de API para más de 200 modelos, con tu propio endpoint registrado junto a ellos y conmutación por error automática cuando se degrada. La fusión de modelos es la otra pieza que conviene conocer aquí: ejecuta un panel de modelos en conjunto en una sola llamada, que es como compararías un post-entrenamiento recién hecho contra una línea base sólida sin escribir un arnés para cada uno.

Si tomas la ruta de Hy-Memory, el escritor es una llamada dentro de un bucle mucho más grande. Un arnés de memoria invoca al escritor y luego invoca a un modelo de respuesta para volver a leer el banco y responder, y esa segunda llamada es donde normalmente se sitúa un modelo alojado. OrcaRouter transfiere el precio de lista del proveedor con un 0% de margen, así que un recorte de precio del proveedor en el modelo de respuesta está activo de nuestro lado el mismo día, y el DSL de enrutamiento compone el escritor autoalojado y el lector alojado en una sola llamada. No necesitas que ambas mitades provengan del mismo lugar, y no necesitas un segundo contrato para añadir la que te falta.

¿Cuál es el punto de partida correcto?

Si lo que quieres es un modelo que haga algo el mismo día en que lo descargas —en concreto, que mejore la memoria de un agente sin que entrenes nada—, Hy-Memory-30B-A3B es el único de estos dos que responde. También es el que no puedes probar de forma barata, y su afirmación principal es la que tiene el margen más estrecho. Entra con la expectativa de gastar en hardware antes de aprender nada.

Si lo que quieres es una base que puedas moldear, Nemotron 3.5 Lightning 30B-A3B Base es un trabajo publicado serio: una arquitectura híbrida diseñada para contexto largo e inferencia rápida, publicada junto con sus recetas de entrenamiento y un arnés de evaluación que puedes volver a ejecutar. No responderá a una pregunta hasta que lo hayas sometido a post-entrenamiento, y esa es la condición, no un defecto.

La colisión de nombres seguirá poniendo a estos dos en la misma frase. Los recuentos de parámetros seguirán coincidiendo. Nada más de ellos coincidirá, y cuanto antes un lector separe "30B-A3B" de "el mismo tipo de modelo", antes resultará útil la comparación.

La cifra de descargas merece quedarse en pantalla. Un especialista postentrenado publicado ayer, sin compilación cuantizada, sin endpoint alojado y sin anuncio, tiene cero descargas y nueve «me gusta» —y el checkpoint base preentrenado de NVIDIA, publicado dos meses antes, se sitúa en las decenas de miles. Esa diferencia no es un juicio de calidad. Es una medida de lo difícil que cada equipo hizo que resultara probar el producto.