Hy-Memory-30B-A3B שחרור שקט: Tencent הציבה כותב זיכרון ב-Hugging Face ללא פוסט השקה

Hy-Memory-30B-A3B הוא מודל mixture-of-experts בעל 30 מיליארד פרמטרים מצוות Hunyuan, שאינו עונה על שאלות. הוא כותב זיכרון. הוא מחליט מה סוכן ארוך-טווח צריך לשמור, באיזו דיוק לנסח אותו, וכיצד עובדה חדשה צריכה לדרוס עובדה ישנה בתוך מאגר זיכרון מתמשך — השלב שכל מסגרת סוכנים, עד כה, העבירה למודל שיחה לשימוש כללי. המשקלים הועלו ל-Hugging Face ב-15 באוקטובר 2026, הדוח הטכני פורסם באותו יום תחת arXiv 2610.22196, מאגר ה-GitHub נפתח באותו אחר הצהריים, והתג v1.0.0 נוצר ב-16 באוקטובר. בזמן כתיבת הדברים המאגר מציג אפס הורדות ומספר לייקים חד-ספרתי בכרטיס המודל. אין עמוד השקה של ספק, אין תמחור, אין נקודת קצה מתארחת, ואין הודעה שהצלחנו למצוא מחוץ ל-README של הפרויקט עצמו. מדדי ביצועים מתיישנים ומחירים זזים; רשומת הכשלים לא: אירועי ה-AI המתועדים וכשלי הסוכנים שמאחורי מודלים במחלקה הזו נאספים ב-OrcaRouter AI Incident Archive שבו כל ערך נושא את המקורות שלו, חומרה, דירוג מהימנות וסימון שנוי במחלוקת.

That is the honest shape of this release: a paper, a repo, a checkpoint, and an evaluation table that claims to beat Claude Opus 5. Everything below is either read directly out of the repository or labelled as the vendor's own unverified claim. Nothing here has been reproduced by a third party, because nothing here has been run by a third party.

מה באמת נמצא במאגר, ומה לא

העובדות הניתנות לבדיקה, שורה אחת לכל אחת:

• מודל — tencent/Hy-Memory-30B-A3B, פורסם תחת Apache 2.0, מתויג באנגלית ובסינית.

• גודל — 30B פרמטרים בסך הכול, כ-3B פעילים לכל טוקן, וזה מה שסיומת A3B מסמלת.

ארכיטקטורה — 48 שכבות, מתוכן 1 היא בלוק feed-forward צפוף ו-47 הן בלוקי MoE דלילים; 128 מומחים בכל בלוק עם ניתוב top-8 ועוד מומחה משותף אחד; גודל חבוי 2,048; רוחב ביניים של מומחה 768; 32 ראשי attention מול 4 ראשי key-value עם נרמול query-key; ראוטר sigmoid עם איבר הטיה של מומחה.

• הקשר — 262,144 פוזיציות מקובץ התצורה, עם בסיס RoPE של 11,158,840.

• טביעת רגל — 51 מקטעי safetensors בנפח כולל של כ-60.1 GB ב-BF16.

• מוגש עם — vLLM, נבדק מול v0.31.0, מאחורי נקודת קצה תואמת OpenAI. הכרטיס אינו מציין שום runtime אחר ואף לא ספק inference.

• לא קיים — אין GGUF, אין בילד של FP8 או NVFP4, אין כיוונון עדין, אין קוונטיזציה, ואין נגזרת מכל סוג באינדקס החיפוש של Hugging Face. הצוות שחרר צ'קפוינט BF16 אחד ברמת דיוק אחת.

השורה האחרונה הזו חשובה יותר ממה שהיא נשמעת בקריאה. צוות Granite שחרר בניות FP8, MXFP4, NVFP4 ו-GGUF של Granite 4.2 30B בתוך ימים ספורים מצאת המשקולות הבסיסיות. Liquid AI משחררת Q4_K_M GGUF של LFM2.5-24B-A2B בנפח 14.5 GB. הספקים האלה אומרים לך היכן הם מצפים שהמודל ירוץ. צ'קפוינט BF16 בנפח 60 GB ללא מסלול כימות אומר לך שהמודל הזה מכוון למי שכבר יש בידיו את ה-GPUs — סביר להניח שאנשים שמפעילים תשתיות זיכרון בקנה מידה גדול, שזה בדיוק הקהל שכרטיס המודל מציין.

למה המודל באמת מיועד

ההבחנה בין כותב זיכרון לסוכן היא כל מטרת השחרור הזה, וקל להחמיץ אותה כי כרטיס המודל נקרא כמו כל כרטיס מודל אחר.

מיסגרת סוכנים — Mem0, MemOS, Hy-Memory, EverMemOS — יושבת בין שיחה לבין מאגר מתמשך. בכל סבב משהו צריך לקרוא את חילופי הדברים הנכנסים, להחליט אילו קטעים שווה לשמור, לנסח אותם כך שניתן יהיה לאתר אותם מאוחר יותר, וליישב אותם מול מה שכבר שמור. כיום ה"משהו" הזה הוא מודל צ'אט חזיתי שעליו הולחם פרומפט ייעודי למיסגרת. הצגת הבעיה במאמר היא העלות וההעברה: מודל כללי שמאחוריו פרומפט זיכרון יקר להרצה בכל סבב, וכותב המכוונן לפרוטוקול של מיסגרת אחת אינו עובר בצורה חלקה לזה של אחרת.

Hy-Memory-30B-A3B is trained to be that writer across three frameworks at once — Mem0, MemOS and the project's own Hy-Memory, across chat, working and coding scenes — and it is then tested on a fourth, EverMemOS, that was held out of training entirely. The held-out harness is the most interesting design decision in the paper. Cross-framework transfer is the claim the entire model rests on, and holding one framework back is how you would test it if you were being serious about it.

The model is driven with reasoning_effort: "no_think" and temperature 0.0 in the project's own quickstart, which is a telling default. A writer does not need to deliberate; it needs to be deterministic and cheap, because it fires on every single turn.

האימון הדו-שלבי, במילים פשוטות

הכרטיס מתאר את המתכון כ־Memory On-Policy Distillation ואחריו Attributed Memory Reinforcement Learning, והשלב השני הוא המקום שבו נמצאת תרומת המאמר.

בשלב הראשון מורה מספק פיקוח צפוף על מצבי זיכרון שהתלמיד עצמו הפיק — on-policy, כך שהתלמיד מתוקן על טעויותיו שלו ולא על מסלולים של מורה. בשלב השני המסגרת בונה בנקי זיכרון מתוך rollouts, מדרגת אותם מקטע אחר מקטע, ומעבירה את הבנק הנבחר קדימה בין חלונות במקום לאפס ביניהם. ההעברה קדימה הזו היא החלק ששומר על האימון מיושר לאופן שבו המודל נפרס בפועל, שבו בנק אף פעם אינו ריק וכל כתיבה נופלת על גבי כל מה שנכתב לפני כן. הזיכוי מיוחס ברמת המקטע, עם קנס מפורש על אחסון יתר — כותב ששומר הכול הוא חסר תועלת, ולכן התגמול חייב לתמחר זאת.

שום דבר מזה לא אומת באופן עצמאי. זהו תיאור קוהרנטי של שיטת אימון, שפורסם יחד עם מאגר שמכיל את הקוד, וזה יותר ממה שמגיע עם רוב הטענות ביום ההשקה.

ההערכה, כפי שצריך לקרוא אותה

Here is the headline, and here is everything wrong with taking it at face value.

• Hy-Memory-30B-A3B — ממוצע מאקרו של 55.49 על פני ארבעה הרנסים.

• 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.

A 3B-active specialist beating a frontier model by 0.87 of a point on a memory task is a plausible result — the task is narrow and the specialist was trained for it, which is the same argument that makes small code-completion models competitive on single-file edits. But the caveats are load-bearing. Every benchmark in the main matrix runs on a fixed 20% subsample rather than the full set. The evaluation changes only the writer, holding the harness, prompts, retrieval configuration, answer model and judge fixed, which is the right experimental design, but the design and the harness are the project's own. The per-harness spread is also wider than the macro average suggests: the model leads on Mem0 at 54.02 and Hy-Memory at 60.55, and its MemOS result of 50.51 is 0.01 of a point above Claude Opus 5's 50.50 — a dead heat dressed as a win. Its strongest number, 56.89 on the held-out EverMemOS harness, is the one that would matter most if it reproduced, and the one nobody has tried to reproduce.

התייחס לכל זה כמידע שמדווח על ידי הספק. לא כמשהו חשוד — אלא כמשהו שלא שוחזר, שזה דבר אחר. מודל ששוחרר אתמול עם מאגר קוד ומאמר הרוויח את הזכות להיבחן, לא את הזכות להאמין לו.

הדף הזה הוא המקור הראשוני היחיד למהדורה כולה. אין פוסט בבלוג, אין הכרזה של ספק, ואין כתבה של צד שלישי שאפשר להצליב אותו מולה.

מה שעדיין לא אושר, במילים פשוטות

• לא קיים שום בנצ'מרק עצמאי מכל סוג שהוא. אין כלום ב-Artificial Analysis, אין מיקום בזירה, אין הרצת מערכת בדיקה של צד שלישי.

• אין שחזור של טבלת ה-cross-harness. תוצאת EverMemOS המוחזקת בנפרד בפרט היא הרצה בודדת של ספק.

• אין נתון עלות מהעולם האמיתי. כתיבות לזיכרון הן עומס עבודה בתדירות גבוהה עם פלט קצר, אך איש לא פרסם אסימונים לכל כתיבה או עלות לכל שיחה במודל הזה.

• ללא קוונטיזציה, ולכן אין טביעת זיכרון מדודה מתחת ל-60 GB.

• אין ראיות לגבי מה זה עושה כאשר מסגרת הזיכרון משנה את הפרוטוקול שלה — המאמר בודק העברה בין מסגרות, לא בין גרסאות של מסגרת אחת.

• האם הצוות מתכוון לארח אותו. בכרטיס נאמר שהמודל אינו נפרס על ידי אף ספק הסקה, ושום דבר במאגר אינו מרמז שנקודת קצה מתארחת בדרך.

אם אתה רוצה להריץ את זה, ואיפה נתב משתלב

באופן מציאותי, מדובר בהחלטת אירוח עצמי. הנתיב שבכרטיס הוא vLLM 0.31.0 מאחורי API תואם OpenAI, כלומר המודל משתלב ב-harness קיים באמצעות החלפת כתובת base URL. זה החלק הזול. החלק היקר הוא שנקודת ביקורת BF16 בגודל 60 GB בלי מקבילה מקוונטזת דורשת חומרה רצינית לפני שהיא כותבת ולו זיכרון אחד.

כדאי לדייק לגבי מה שנתב עושה ומה שהוא לא עושה כאן. Hy-Memory-30B-A3B אינו נמצא בקטלוג של OrcaRouter ואנו לא מארחים אותו — הדרך אליו היא הצ'קפוינט וה-GPU-ים שלך. מה שנתב מכסה הוא החצי השני של המערך. כותב זיכרון מופעל לצד מודל תשובות, ומודל התשובות הוא בדרך כלל מודל חזית מתארח שקורא את המאגר בחזרה ומגיב. OrcaRouter נותן לך מפתח API אחד על פני למעלה מ-200 מודלים מתארחים בתוספת של 0%, כך שהורדות מחירים של ספקים עוברות הלאה באותו היום, עם מעבר אוטומטי לגיבוי אם קצה אחורי נחלש. ה-DSL של הניתוב הוא החלק שמתאים לארכיטקטורה הזו במיוחד: הוא מחבר נקודת קצה באירוח עצמי ואחת מתארחת לקריאה אחת, וזה בדיוק הצורה של מערכת זיכרון — מומחה זול בנתיב הכתיבה, מודל חזית בנתיב הקריאה, מפתח אחד לפני שניהם.

כדאי לבנות את התבנית עוד לפני שהכותב פועל, מפני שהיא זהה בין אם נתיב הכתיבה הוא Hy-Memory-30B-A3B ובין אם זה מודל כללי עם פרומפט זיכרון. הראוטר לא מתעניין בכך, והחלפה של אחד באחר בהמשך אמורה להיות עריכת טבלת ניתוב ולא שכתוב.

מה לצפות

שלושה דברים יהפכו את זה ממאמר למוצר. בנייה מכומתת: צ'קפוינט FP8 או Q4 הוא ההבדל בין מודל של מרכז נתונים לכזה שמישהו יכול להעריך בתחנת עבודה, והיעדרה הוא המכשול הגדול ביותר למי שרוצה לבדוק את המספרים. הרצה של מערכת בדיקה בלתי תלויה: טענת ההעברה של EverMemOS על סט מוחזק היא התזה כולה, והיא ראויה לבדיקה בידי מישהו שאין לו אינטרס בכך. ונקודת קצה מתארחת: לא משום שאירוח עצמי שגוי, אלא משום שהעיצוב של המודל עצמו — דטרמיניסטי, ללא חשיבה, פלטים קצרים, שמופעל בכל תור — מתאים באופן טבעי ל-API, והיעדרה מרמז שהצוות רואה בכך תשתית שהוא מספק לאנשים שכבר מפעילים תשתית.

עד אז, העמדה הנכונה היא זו שהשחרור עצמו מזמין. קראו את המאגר, הריצו את ה-quickstart על איזו חומרה שיש לכם, והתייחסו לטבלה כאל השערה.