Hy Memory 2.0 è uscito: Tencent ha reso open source un Memory Writer, un framework e un'app per Mac in un unico rilascio

Tencent Hunyuan ha rilasciato tre cose in una sola volta questa settimana, e solo due di esse sono installabili oggi. Hy-Memory-30B-A3B è un modello mixture-of-experts da 30 miliardi di parametri il cui intero compito è scrivere memoria — decidere cosa conserva un agente, come lo formula e come nuove evidenze sovrascrivono quelle vecchie. Hy Memory 2.0 è il framework attorno ad esso: un pacchetto Python, hy-memory, che copre la memoria di chat, di lavoro e di codifica. E MemHub è l'app — un prodotto CLI e macOS local-first che estrae la cronologia delle conversazioni e le tracce di codifica da dieci diversi strumenti di IA in un unico archivio di memoria sul tuo disco. Il titolo del post di annuncio è che Hy-Memory-30B-A3B batte Claude Opus 5 sui principali framework di memoria. Questo è vero, per quanto si spinga, e la parte interessante è fin dove si spinge: su tre dei quattro framework il margine è inferiore a sei decimi di punto, e l'intero confronto si basa su un quinto di ciascun benchmark. Ogni interruzione e rollback di provider che abbiamo monitorato è registrato nell'Orca AI Incident Archive, che contiene il set completo di record insieme alle voci adiacenti a questo incidente.

Tutto ciò che segue è ricavato dal repository, dal registro dei pacchetti e dal rapporto tecnico di Tencent, oppure è etichettato come dichiarazione di Tencent stessa. Nulla di quanto qui presente è stato riprodotto da altri, perché al momento in cui scriviamo nessun altro lo ha eseguito.

Cosa è stato effettivamente rilasciato, e quando

I tre livelli sono arrivati nell'arco di circa 24 ore l'uno dall'altro, e le note di rilascio sono insolitamente precise su quali di essi siano completati:

• Il modello — tencent/Hy-Memory-30B-A3B è stato pubblicato su Hugging Face il 15 ottobre 2026 (09:52 UTC), con licenza Apache 2.0, con il rapporto tecnico, arXiv 2610.22196, presentato lo stesso giorno.

• Il framework — hy-memory==2.0.1 è stato pubblicato su PyPI il 15 ottobre 2026 alle 17:24 UTC, e il monorepo è stato reso open source lo stesso giorno. Il tag di release GitHub v1.0.0 è stato creato il 16 ottobre alle 08:44 UTC.

• L'app — Le risorse di rilascio di MemHub esistono: un'immagine disco macOS arm64 notarizzata da 303 MB secondo il conteggio di GitHub, più bundle runtime Linux arm64 e x64 da 245 MB e 251 MB. Windows è indicato come non supportato.

• Il divario — il changelog del progetto stesso afferma che MemHub "non ha ancora una release pubblica", che la sua versione sorgente è 1.0.0 (build 4) e che sia la pubblicazione su npm sia gli artefatti di GitHub Release sono ancora in sospeso. Il pacchetto npm che intende utilizzare, memhub-cli, restituisce un 404 dal registry. Le immagini disco sono allegate alla release; l'installer da riga di comando che dovrebbe recuperarle non è pubblicato.

Quest'ultimo punto vale la pena leggerlo due volte, perché è la differenza tra un lancio e un release candidate. La build Apple è firmata e notarizzata, il che è un lavoro concreto, e la pagina di rilascio ha accumulato una piccola manciata di download. Ma il percorso di installazione documentato inizia con un pacchetto npm che non esiste al momento in cui scriviamo. Se avevi intenzione di provare MemHub questa settimana, metti in conto un checkout del codice sorgente invece di un'installazione da una sola riga.

Hy-Memory-30B-A3B, il modello

Il file di configurazione è il documento meno romantico e più utile dell'intera release. Descrive una forma MoE standard e ben compresa, piuttosto che qualcosa di esotico:

• Parametri — 30B in totale, circa 3B attivi per token, che è ciò che significa il suffisso A3B.

• Architettura — 48 strati, di cui uno è denso e 47 sono MoE sparsi; 128 esperti per blocco con routing top-8 più un esperto condiviso; dimensione nascosta 2.048; larghezza intermedia degli esperti 768; 32 teste di attenzione contro 4 teste chiave-valore con normalizzazione query-key; un router sigmoide con un termine di bias dell'esperto e un fattore di scala di 2,826.

• Contesto — 262.144 posizioni, con una base RoPE di 11.158.840.

• Ingombro — 51 shard safetensors, circa 60,1 GB in BF16. È l'unica precisione distribuita da Tencent.

• Servizio — la scheda è incentrata su vLLM, testata con la v0.31.0, dietro un endpoint compatibile con OpenAI, e indica anche SGLang e Docker Model Runner come runtime supportati. Non è distribuita da alcun provider di inferenza, e l'indice di ricerca di Hugging Face non restituisce alcun GGUF, nessuna build FP8 o NVFP4 e nessun fine-tune.

Quell'assenza è l'ostacolo pratico. Un fornitore che distribuisce un checkpoint BF16 da 60 GB e nient'altro ti sta dicendo dove si aspetta che il modello venga eseguito, e la risposta è una macchina che già possiedi o che noleggi in un datacentre. Non esiste alcun fratello quantizzato che chiunque possa valutare su una workstation.

Il modello viene pilotato con reasoning_effort: "no_think" e temperature 0.0 nel quickstart di Tencent stesso. Un memory writer si attiva a ogni turno di conversazione per decidere cosa conservare, quindi deliberare è la scelta sbagliata: deve essere deterministico, con output breve ed economico. Questa scelta progettuale è anche l'argomento più forte a favore dell'esistenza stessa del modello, dato che è esattamente il carico di lavoro in cui un modello di chat di frontiera è più dispendioso.

Il 55.49, letto come dovrebbe essere letto

Tencent ha addestrato il writer su tre framework di memoria — Mem0, MemOS e il suo Hy-Memory — e poi lo ha valutato su un quarto, EverMemOS, che è stato completamente escluso dall'addestramento. Tenere da parte un harness è il modo giusto per mettere alla prova un'affermazione di trasferimento, e il trasferimento tra framework è l'intera tesi dell'articolo.

I risultati, che sono di T​encent e non riprodotti:

• Hy-Memory-30B-A3B — media macro di 55,49 sui quattro harness.

• Claude Opus 5 — 54.62.

• DeepSeek V4.1 Flash — 53,64.

• Tencent Hy3 — 51.63.

• Qwen3.6-35B-A3B — 50.37.

• Hy3-A3B Base — 47,66, lo stesso modello prima dell'addestramento specifico per la memoria, da cui deriva il guadagno di addestramento di 7,8 punti di punta.

• Qwen3-30B-A3B — 44.37.

Suddivisi per harness, il margine di vittoria si assottiglia. Contro Claude Opus 5 i margini sono 54,02 contro 53,43 su Mem0, 60,55 contro 60,53 su Hy-Memory, 50,51 contro 50,50 su MemOS e 56,89 contro 54,04 su EverMemOS. Tre di questi quattro sono rumore statistico che indossa un alloro — un vantaggio di due centesimi di punto sull'harness Hy-Memory non è un vantaggio. L'intera separazione tra uno specialista da 3B attivi e un modello di frontiera risiede nell'unico harness tenuto fuori dall'addestramento, dove il divario è di 2,85 punti e dove è anche meno probabile che l'affermazione sia stata tarata contro.

Due dettagli di progettazione contano quanto i numeri. Ogni valore nella matrice principale si basa su un sottocampione fisso del 20% anziché sul benchmark completo, e la valutazione varia solo lo scrittore, mantenendo fissi l'harness, i prompt, la configurazione di retrieval, il modello di risposta e il giudice. Questa seconda scelta è una buona igiene sperimentale — isola la variabile in esame — ma è l'harness di Tencent e il giudice di Tencent. Tratta la tabella come un'ipotesi con un repository allegato, il che è più di quanto offra la maggior parte delle affermazioni del giorno di rilascio e meno di un risultato.

I numeri del framework sono l'affermazione più forte.

Il confronto dei modelli è la citazione che T​encent ha messo nel post. Il confronto dei framework è quello che cambierebbe l'architettura di chi legge, se regge.

Sul sito della stessa azienda, Hy Memory 2.0 è classificato al primo posto tra i framework di memoria open source su quattro benchmark — davanti a Mem0, MemOS, EverOS, OpenViking, RepoMemory e una semplice baseline RAG a finestra scorrevole — nei tre scenari che copre:

• Chat — 72,6% su LoCoMo, su 1.527 domande non adversariali.

• Funzionante — 55,31% di media su MemoryArena (una suite per la pianificazione di viaggi e l'acquisto di bundle), 10,2 punti di vantaggio sul framework successivo.

• Programmazione — 64,2% in question answering su CodeMemoryBench e un tasso di risoluzione del 35,6%, oltre a un tasso di risoluzione del 28,3% su SWE-ContextBench.

• Footprint — occupazione di memoria pari al 6,06% dei token di input, contro il 31,9%-41,2% dei framework con cui viene confrontato.

Il valore dell'ingombro è quello che vale la pena rubare. I sistemi di memoria falliscono in produzione per due ragioni: dimenticano le cose sbagliate e crescono senza limite. Una banca di memoria che costa il sei per cento della conversazione che riassume rappresenta una proposta operativa diversa da una che ne costa quaranta, e questa è la dimensione che dovrebbe interessare a chi si occupa di routing e costi, indipendentemente dal fatto che la graduatoria di accuratezza regga a un esame approfondito. Il protocollo di valutazione è pubblicato a corredo: modello di memoria DeepSeek V4.1 Flash, modello di risposta e di giudizio GPT-5.6-sol, archiviazione misurata come token della banca rispetto ai token di input, con la banca che conta solo la memoria generata.

Tencent elenca anche implementazioni interne — un test di recall per un assistente azionario con un miglioramento multi-hop di 40 punti, un plugin per basi di conoscenza e una valutazione delle preferenze di un'app di notizie con una media di 91,68 su 100 — in ambito finanza, notizie, gestione della conoscenza, agenti d'ufficio, social e gaming. Quelle sono metriche di prodotto della stessa azienda, non benchmark, e vanno lette come prova che il sistema gira in un contesto reale, non come prova che sia superiore a qualcos'altro.

MemHub è il pezzo che la maggior parte dei lettori potrebbe effettivamente usare

Il modello ha bisogno di GPU. Il framework ha bisogno di un team di ingegneri. MemHub ha bisogno di un laptop.

È un prodotto desktop e da riga di comando local-first che consolida la cronologia dagli strumenti di IA che hai già autorizzato in un unico runtime gestito e in un'unica directory di dati — così una preferenza impostata in un agente di programmazione è disponibile per quello successivo. Tencent elenca dieci integrazioni supportate: WorkBuddy, Cursor, Codex, Claude Code, OpenCode, OpenClaw, Qwen Code, Pi, Hermes e DeepSeek Harness. Il percorso dati dichiarato è ~/.one-memory, con SQLite per i metadati di lavoro e di programmazione e ChromaDB più Kuzu come archivi predefiniti, e la documentazione sulla sicurezza specifica esplicitamente che il prodotto non raccoglie contenuti dello schermo, alberi di accessibilità, OCR, appunti o audio in background.

Le affermazioni di cui essere scettici sono quelle relative alla cancellazione. La CLI distingue tre livelli: disinstallare il pacchetto npm rimuove solo la CLI, memhub uninstall rimuove i servizi, il runtime gestito e i collegamenti della CLI ma conserva la tua memoria, e solo un comando separato memhub delete-data elimina l'archivio — dopo aver fermato il runtime e confermato il percorso esatto. Si tratta di un progetto migliore di quello della maggior parte degli strumenti di questa categoria, ed è anche la descrizione del comportamento previsto in una release il cui installer non è ancora pubblicato. Chiunque lo adotti per lavori che contano dovrebbe verificare personalmente il percorso di cancellazione prima di affidargli qualcosa che non vorrebbe venisse conservato.

Ciò che non è ancora confermato, detto chiaramente.

• Nessun benchmark indipendente di alcun tipo. Nessuna esecuzione di harness di terze parti, nessun piazzamento in arena e nulla riprodotto al di fuori di T{{KEEP}}?</KEEP>encent.

Nessuna riproduzione della tabella cross-harness e, in particolare, del risultato held-out di EverMemOS, che regge l'intera tesi del transfer su un'unica esecuzione di un singolo fornitore.

• Nessuna quantizzazione, quindi nessuna impronta di memoria misurata sotto i 60 GB e nessun percorso di valutazione su scala workstation.

• Nessun endpoint ospitato e nessun provider di inferenza indicato sulla scheda del modello.

• Nessun pacchetto npm pubblicato per MemHub, quindi il percorso di installazione documentato non funziona ancora dall'inizio alla fine.

• Nessuna cifra di costo per conversazione. La scrittura di memoria è un carico di lavoro ad alta frequenza e con output breve; nessuno ha pubblicato token per scrittura o quanto costi effettivamente eseguire un assistente abilitato alla memoria per utente al mese.

Dove un router è adatto, e dove no

Sii preciso su questo, perché sarebbe facile esagerare. Hy-Memory-30B-A3B non è nel catalogo di OrcaRouter e non lo ospitiamo. Il percorso verso il writer è il checkpoint su Hugging Face e il tuo hardware. Niente in un livello di routing cambia questo.

Quella che copre un router è l'altra metà dell'harness. Un sistema di memoria è un percorso di scrittura e un percorso di lettura, e la valutazione pubblicata da Tencent dice apertamente quale sia di solito il percorso di lettura: chi scrive decide cosa memorizzare, e un modello frontier separato rilegge la banca di memoria e risponde. Nella configurazione di Tencent sono DeepSeek V4.1 Flash sul modello di memoria e GPT-5.6-sol come risponditore e giudice. OrcaRouter li serve entrambi con una sola chiave al prezzo di listino, senza ricarichi, così una variazione di prezzo di un fornitore è attiva dalla nostra parte lo stesso giorno, anziché al rinnovo contrattuale successivo.

Il DSL di routing è il pezzo che si adatta specificamente a questa architettura. Compone un endpoint self-hosted e uno hosted in un'unica chiamata, che è esattamente la forma di un sistema di memoria — uno specialista economico sul percorso di scrittura che gestisci tu stesso, un modello frontier sul percorso di lettura che noleggi. La stessa configurazione rende sopravvivibile la parte rischiosa: punta il writer verso il tuo deployment Hy-Memory-30B-A3B, tieni un modello generale dietro il failover automatico, e un percorso di scrittura difettoso degrada la risposta invece di far cadere l'applicazione. Vale la pena costruire quel pattern prima ancora di avere il writer in funzione, perché è identico sia che il percorso di scrittura sia un checkpoint specializzato sia che sia un modello generale con un prompt di memoria.

Chi dovrebbe agire, e chi dovrebbe aspettare

Se esegui agenti con memoria a lungo termine e hai già delle GPU, il percorso di scrittura è il posto onesto dove spendere una settimana: il checkpoint è Apache 2.0, e uno scrittore di memoria è quel raro modello il cui valore puoi misurare sul tuo traffico anziché sulla tabella di benchmark di qualcun altro. Se sei un utente più che un operatore, MemHub è quello interessante, ed è anche quello su cui conviene aspettare finché non esisterà l'installer e qualcuno al di fuori di T​encent non avrà messo alla prova il percorso di eliminazione. E se stai scegliendo un modello sulla forza dell'annuncio, la postura corretta è quella che il rilascio stesso invita ad assumere: 55.49 contro 54.62 è un pareggio su tre harness e un divario reale sul quarto, e il quarto è quello che nessuno ha verificato.