Hy-Memory-30B-A3B vs Granite 4.2 30B: Penulis Memori dan Penalar Bukanlah Pembelian yang Sama

Hy-Memory-30B-A3B dan Granite 4.2 30B keduanya berukuran sekitar 30 miliar parameter, keduanya berbobot terbuka, keduanya Apache 2.0, keduanya dirilis dalam rentang tujuh minggu satu sama lain — dan keduanya bukanlah pengganti satu sama lain dalam pengertian apa pun yang akan dikenali oleh spreadsheet pengadaan. Hy-Memory-30B-A3B, yang di-open-source-kan oleh tim Hunyuan pada 15 Oktober 2026, hanya melakukan satu hal: menjalankan jalur penulisan di dalam kerangka kerja memori jangka panjang, memutuskan apa yang disimpan oleh sebuah agen dan bagaimana bukti baru menimpanya. Granite 4.2 30B, yang diterbitkan IBM di Hugging Face pada 25 Agustus 2026, adalah model penalaran generalis dense dengan mode berpikir yang dapat dipilih, pemanggilan alat, dan konteks 128K yang dapat direntangkan hingga 512K. Yang satu adalah komponen. Yang satu adalah asisten. Kesenjangan antara apa yang diukur oleh papan skor dan apa yang dihadapi oleh sebuah penerapan itulah alasan catatan ini penting: kegagalan AI dan insiden agen yang terdokumentasi pada model di kelas ini dihimpun dalam Arsip Insiden AI OrcaRouter yang setiap entrinya membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda dipersengketakan.

Perbandingan yang menggoda — menyandingkan tabel benchmark mereka dan melihat siapa yang menang — adalah perbandingan yang salah, dan salahnya itu dengan cara yang akan merugikan Anda secara finansial. Keduanya tidak dievaluasi pada tugas yang sama, tidak digunakan dengan cara yang sama, dan salah satunya tidak dapat diunduh dalam bentuk yang bisa dijalankan oleh kebanyakan orang. Berikut ini adalah perbandingan yang benar-benar menentukan segalanya: untuk apa masing-masing, berapa biaya hardware yang harus Anda keluarkan untuk masing-masing, dan apakah Anda membutuhkan salah satu, yang lain, atau keduanya.

Mulailah dengan sumbu yang memisahkan mereka.

Granite 4.2 30B bersifat dense, yang berarti setiap parameternya dibaca untuk setiap token yang dihasilkannya. Model ini memiliki tiga mode penalaran — pemikiran penuh, upaya rendah, dan tanpa penalaran — yang dapat dipilih per permintaan, dan model ini dilatih lanjut dengan pembelajaran penguatan agentik yang ditujukan untuk terminal, eksekusi kode, dan penelusuran web di dalam sandbox. Kartu IBM mengklaim 57,00 pada SWE-Bench Verified, 29,24 pada Terminal-Bench 2.1, 89,17 pada AIME 2025, dan 77,60 pada MMLU-Pro. Angka-angka itu dilaporkan oleh vendor dan tidak direproduksi secara independen, dan model ini berumur dua bulan — cukup lama sehingga tidak adanya skor independen agak mencolok, bukan hal yang fatal.

Hy-Memory-30B-A3B bersifat sparse, artinya ia menyimpan 30 miliar parameter tetapi membaca sekitar 3 miliar per token, dan ia dilatih untuk satu tugas saja. Kartu Hy-Memory mendeskripsikannya sebagai pengganti LLM serbaguna di dalam Mem0, MemOS dan Hy-Memory — menentukan apa yang harus dipertahankan, bagaimana merepresentasikannya secara presisi, dan bagaimana bukti baru memperbarui bank memori persisten. Ia kemudian diuji pada EverMemOS, sebuah kerangka kerja yang sepenuhnya disisihkan dari pelatihan, yang merupakan hal paling mendekati uji generalisasi nyata di kedua rilis tersebut. Klaim utamanya: rata-rata makro 55,49 di empat harness dibandingkan 54,62 untuk Claude Opus 5. Juga dilaporkan oleh vendor, juga belum direproduksi, dan — tidak seperti angka Granite — dievaluasi pada subsampel tetap 20% dari setiap benchmark alih-alih kumpulan lengkapnya.

Jadi skor-skor itu tidak bisa dibandingkan. Angka 57,00 Granite pada SWE-Bench Verified dan rata-rata makro 55,49 milik Hy-Memory adalah angka dari cabang olahraga yang berbeda, dan menempatkannya dalam satu kolom akan menjadi kebohongan aritmetika.

Perlu juga dicatat dari mana angka-angka ini berasal. Angka-angka Hy-Memory berada dalam sebuah laporan teknis, arXiv 2610.22196, yang diajukan pada hari yang sama saat bobot-bobotnya muncul — sumber primernya bersifat publik dan dapat dibaca, suatu hal yang tidak dimiliki banyak tabel hari rilis. Sementara itu, angka pihak lain ada di kartu model. Keduanya adalah vendor yang menilai pekerjaannya sendiri, dan tidak satu pun telah melalui harness pihak lain.

Spesifikasinya, dimensi demi dimensi

• Parameter — Hy-Memory-30B-A3B total 30B / ~3B aktif MoE vs Granite 4.2 30B kira-kira 29B dense, semua parameter aktif pada setiap token.

• Bentuk lapisan — 48 lapisan untuk Hy-Memory-30B-A3B, satu blok feed-forward padat dan 47 blok MoE sparse, 128 pakar per blok pada perutean top-8 plus satu pakar bersama vs transformer decoder-only padat standar Granite 4.2 30B dengan GQA, 32 kepala atensi dan 8 kepala key-value.

• Konteks — 262.144 posisi untuk Hy-Memory-30B-A3B dari file konfigurasinya vs 128K asli dan 512K diperluas untuk Granite 4.2 30B.

• Jejak bobot — sekitar 60,1 GB di 51 pecahan safetensors BF16 untuk Hy-Memory-30B-A3B vs sekitar 29B parameter padat dalam BF16 untuk Granite 4.2 30B, dengan build FP8, NVFP4/MXFP4, dan GGUF yang dirilis bersamaan.

• Opsi terkuantisasi — tidak ada untuk Hy-Memory-30B-A3B; tim hanya merilis satu checkpoint BF16 dan tidak ada yang lain. Granite 4.2 30B memiliki build FP8 resmi, dua format 4-bit, dan konversi GGUF dari beberapa penerbit komunitas.

• Kontrol penalaran — Hy-Memory-30B-A3B menyediakan reasoning_effort sakelar tetapi panduan cepat proyek itu sendiri menjalankannya pada no_think dengan temperature 0.0; Granite 4.2 30B memiliki tiga mode berpikir termasuk rantai pemikiran penuh yang dibungkus dalam tag think.

• Lisensi — Apache 2.0 untuk keduanya, yang menghilangkan salah satu dari dua pertanyaan yang mungkin akan diajukan dalam tinjauan hukum.

• Ketersediaan hosted — tidak ada model yang dilayani oleh endpoint vendor hosted. Kartu Granite 4.2 30B mencantumkan penyedia inferensi; kartu Hy-Memory-30B-A3B menyatakan dengan jelas bahwa tidak ada penyedia yang men-deploy-nya.

• Tujuan yang dipublikasikan — penulis memori versus model penalaran umum. Inilah baris yang menentukan segala sesuatu di atasnya.

Perangkat keras adalah tempat di mana pilihan sebenarnya dibuat

Inilah asimetri yang disembunyikan oleh lembar spesifikasi.

Hy-Memory-30B-A3B berukuran 60 GB pada BF16 tanpa alternatif terkuantisasi. Itu bukan model yang Anda evaluasi di laptop, dan bukan model yang Anda jalankan di satu kartu workstation untuk melihat apakah klaim makalah itu terbukti. Tim yang ingin memeriksa angka-angka Hy-Memory saat ini perlu menyediakan perangkat keras yang kurang lebih sama dengan deployment produksi kecil, sebelum mereka tahu apakah itu berfungsi.

Granite 4.2 30B, sepadat apa pun model itu, hadir dalam bentuk yang benar-benar dapat Anda jalankan hari ini. Build FP8 dan 4-bit membawanya masuk ke dalam memori satu akselerator, dan konversi GGUF menempatkan versi yang dapat digunakan pada perangkat keras yang sudah dimiliki orang. Tim itu merilis build tersebut secara sengaja — vendor yang menerbitkan empat format kuantisasi sedang memberi tahu Anda bahwa ia mengharapkan model itu dijalankan oleh orang yang membacanya, bukan disewa dari pusat data.

Tak satu pun dari itu menjadikan Granite model yang lebih baik. Itu menjadikan Granite model yang lebih murah untuk diketahui.

Jawaban yang tidak terduga: hal-hal ini termasuk dalam sistem yang sama

Agen dengan memori jangka panjang membutuhkan kedua fungsi tersebut, dan arsitektur kerangka kerja membuat pemisahan itu eksplisit alih-alih teoretis.

Sebuah memory harness memanggil writer pada jalur tulis — dipicu setiap giliran, output pendek, deterministik, dan tidak boleh mengarang fakta yang tidak dikatakan pengguna. Itulah keseluruhan tugas Hy-Memory-30B-A3B, dan model dengan 3B aktif pada pengaturan no-think adalah bentuk yang tepat untuk itu: murah per panggilan, karena panggilannya sangat banyak. Granite 4.2 30B tidak bersaing untuk slot itu. Tempatnya yang tepat adalah jalur baca dan penalaran di sekitarnya — memutuskan apa yang harus dilakukan dengan isi bank, merencanakan, memanggil alat, menghasilkan jawaban. Itu adalah panggilan yang menghadap frontier, tempat kedalaman model penalaran dense sepadan dengan bobotnya.

Dua model, dua profil panggilan yang sangat berbeda, dan pertanyaan teknis yang menarik adalah bagaimana Anda menempatkan satu kunci di depan keduanya. Itulah gunanya lapisan perutean. OrcaRouter DSL peruteanmenggabungkan beberapa model menjadi satu panggilan — Anda dapat mengarahkan jalur tulis ke endpoint Hy-Memory-30B-A3B yang di-host sendiri dan jalur baca ke model frontier yang di-host, dan mengendalikan keduanya dari satu kunci API di seluruh 200+ model dengan failover otomatis jika backend menurun. Tidak satu pun dari kedua model ini ada di katalog kami dan kami tidak menghosting keduanya; ketersediaan untuk keduanya adalah hardware Anda sendiri atau saluran milik vendor. Yang kami sediakan adalah separuh lainnya — model yang di-host yang berada di sekitar penulis yang di-host sendiri — dengan 0% markup dari harga daftar penyedia.

Kombinasi itu layak dipahami sebelum salah satu model siap produksi untuk Anda, karena arsitekturnya sama, baik jalur tulis menjalankan Hy-Memory-30B-A3B maupun model umum dengan prompt memori yang ditempelkan. Router tidak peduli. Menukar yang satu dengan yang lain nanti seharusnya cukup menjadi penyuntingan tabel routing, bukan penulisan ulang.

Mana yang harus dilihat dulu

Jika Anda memiliki agen yang berjalan lama dengan kerangka kerja memori dan jalur penulisan saat ini adalah model frontier yang Anda bayar dengan harga frontier untuk menjalankannya pada setiap giliran, Hy-Memory-30B-A3B adalah yang lebih menarik di antara keduanya dan yang memiliki masalah spesifik dan terukur untuk dipecahkan. Pergi dan lihatlah — tetapi pergilah dengan pemahaman bahwa tugas pertama Anda adalah membangun perangkat keras untuk mengujinya, dan bahwa belum ada pihak ketiga yang mengonfirmasi 55.49.

Jika Anda membutuhkan satu model berbobot terbuka yang mampu bernalar, memanggil alat, dan berjalan di dalam kartu yang Anda miliki, Granite 4.2 30B adalah model yang perlu dievaluasi minggu ini. Usianya baru dua bulan, kuantisasinya sudah tersedia, dan angka-angka yang dipublikasikan belum direproduksi — yang merupakan keadaan normal bagi model terbuka berukuran menengah dan bukan tanda peringatan dengan sendirinya.

Jika Anda membangun keseluruhannya, jawaban yang jujur adalah Anda mungkin membutuhkan keduanya, dalam dua peran yang memang dirancang untuk masing-masing, dan pekerjaan yang menarik justru ada pada perutean di antara keduanya, bukan pada pilihan di antara keduanya.