Hy-Memory-30B-A3B vs Granite 4.2 30B: un Memory Writer e un Reasoner non sono lo stesso acquisto

Hy-Memory-30B-A3B e Granite 4.2 30B sono entrambi circa 30 miliardi di parametri, entrambi open-weight, entrambi Apache 2.0, entrambi rilasciati a distanza di sette settimane l'uno dall'altro — e non sono sostituti l'uno dell'altro in alcun senso che un foglio di calcolo per gli acquisti riconoscerebbe. Hy-Memory-30B-A3B, reso open source dal team Hunyuan il 15 ottobre 2026, fa una cosa: esegue il percorso di scrittura all'interno di un framework di memoria a lungo termine, decidendo cosa un agente conserva e come nuove prove lo sovrascrivono. Granite 4.2 30B, pubblicato da IBM su Hugging Face il 25 agosto 2026, è un modello di ragionamento generalista denso con modalità di pensiero selezionabili, chiamata di strumenti e una finestra di contesto di 128K che può estendere a 512K. Uno è un componente. Uno è un assistente. Quel divario tra ciò che un tabellone misura e ciò che un deployment incontra è il motivo per cui il record conta: i fallimenti documentati dell'IA e gli incidenti degli agenti attorno a modelli di questa classe sono raccolti entro l'OrcaRouter AI Incident Archive dove ogni voce porta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Il confronto allettante — allineare le loro tabelle di benchmark e vedere chi vince — è il confronto sbagliato, ed è sbagliato in un modo che ti costerebbe denaro. Non sono stati valutati sugli stessi compiti, non sono distribuiti allo stesso modo, e uno dei due non può essere scaricato in una forma che la maggior parte delle persone possa eseguire. Quello che segue è il confronto che decide davvero qualcosa: a cosa serve ciascuno, quanto ti costa in hardware, e se te ne serve uno, l'altro, o entrambi.

Inizia con l'asse che li separa

Granite 4.2 30B è denso, il che significa che ogni suo parametro viene letto per ogni token che genera. Ha tre modalità di ragionamento — pensiero completo, basso sforzo e nessuna — selezionabili per richiesta, ed è stato post-addestrato con apprendimento per rinforzo agentico orientato a terminali, esecuzione di codice e ricerca web all'interno di una sandbox. La scheda di IBM dichiara 57,00 su SWE-Bench Verified, 29,24 su Terminal-Bench 2.1, 89,17 su AIME 2025 e 77,60 su MMLU-Pro. Questi sono dichiarati dal fornitore e non riprodotti in modo indipendente, e il modello ha due mesi — abbastanza vecchio perché l'assenza di punteggi indipendenti sia lievemente degna di nota, non una condanna.

Hy-Memory-30B-A3B è sparse, il che significa che contiene 30 miliardi di parametri ma ne legge circa 3 miliardi per token, ed è stato addestrato per un unico compito. La scheda di Hy-Memory lo descrive come il sostituto dell'LLM generico all'interno di Mem0, MemOS e Hy-Memory — decidendo cosa conservare, come rappresentarlo con precisione e come nuove prove aggiornano una banca di memoria persistente. È stato poi testato su EverMemOS, un framework tenuto completamente fuori dall'addestramento, che è la cosa più vicina, in entrambe le release, a un vero test di generalizzazione. La sua affermazione di punta: una media macro di 55,49 su quattro harness contro 54,62 di Claude Opus 5.Anche in questo caso si tratta di dati dichiarati dal fornitore, anch'essi non riprodotti e — a differenza dei numeri di Granite — valutati su un sottocampione fisso del 20% di ciascun benchmark anziché sul set completo.

Quindi i punteggi non sono confrontabili. Il 57,00 di Granite su SWE-Bench Verified e la media macro di 55,49 di Hy-Memory sono numeri che appartengono a sport diversi, e metterli in un'unica colonna sarebbe una menzogna aritmetica.

Vale anche la pena notare da dove provengono questi numeri. I dati di Hy-Memory si trovano in un rapporto tecnico, arXiv 2610.22196, presentato lo stesso giorno in cui sono comparsi i pesi — la fonte primaria è pubblica e leggibile, cosa che molte tabelle del giorno di rilascio non offrono. Quelli dell'altra parte stanno su una scheda del modello. In entrambi i casi è il fornitore che si corregge i compiti da solo, e nessuno dei due è passato attraverso il sistema di valutazione di qualcun altro.

Le specifiche, dimensione per dimensione

• Parametri — Hy-Memory-30B-A3B 30B totali / ~3B attivi MoE vs Granite 4.2 30B circa 29B denso, tutti i parametri attivi su ogni token.

• Forma del layer — 48 layer per Hy-Memory-30B-A3B, un blocco feed-forward denso e 47 blocchi MoE sparsi, 128 esperti per blocco con routing top-8 più un esperto condiviso rispetto al transformer standard dense decoder-only di Granite 4.2 30B con GQA, 32 teste di attenzione e 8 teste key-value.

• Contesto — 262.144 posizioni per Hy-Memory-30B-A3B dal suo file di configurazione rispetto a 128K nativo e 512K esteso per Granite 4.2 30B.

• Impronta dei pesi — circa 60,1 GB distribuiti su 51 shard safetensors BF16 per Hy-Memory-30B-A3B rispetto a circa 29B parametri densi in BF16 per Granite 4.2 30B, con build FP8, NVFP4/MXFP4 e GGUF pubblicate in parallelo.

• Opzioni quantizzate — nessuna per Hy-Memory-30B-A3B; il team ha rilasciato un solo checkpoint BF16 e nient'altro. Granite 4.2 30B ha una build FP8 ufficiale, due formati a 4 bit e conversioni GGUF da diversi publisher della community.

• Controlli di ragionamento — Hy-Memory-30B-A3B espone un reasoning_effort switch ma il quickstart del progetto stesso lo esegue con no_think e temperatura 0.0; Granite 4.2 30B ha tre modalità di pensiero, inclusa la catena di pensiero completa racchiusa nei tag think.

• Licenza — Apache 2.0 per entrambi, il che elimina una delle due domande che una revisione legale altrimenti porrebbe.

Disponibilità in hosting — nessuno dei due modelli è servito tramite un endpoint di un fornitore in hosting. La scheda di Granite 4.2 30B elenca un fornitore di inferenza; quella di Hy-Memory-30B-A3B dichiara esplicitamente che nessun fornitore lo distribuisce.

• Scopo dichiarato — un memory writer contrapposto a un modello di ragionamento generale. Questa è la riga che decide tutto ciò che sta sopra.

L'hardware è dove la scelta viene effettivamente fatta

Ecco l'asimmetria che una scheda tecnica nasconde.

Hy-Memory-30B-A3B è 60 GB in BF16 senza alternativa quantizzata. Non è un modello che si valuta su un laptop, e non è un modello che si avvia su una singola scheda workstation per vedere se l'affermazione del paper regge. Un team che vuole verificare i numeri di Hy-Memory attualmente deve predisporre all'incirca lo stesso hardware di un piccolo deployment di produzione, prima di sapere se la cosa funziona.

Granite 4.2 30B, denso com'è, viene distribuito in forme che puoi effettivamente eseguire oggi. Le build FP8 e a 4 bit lo portano dentro la memoria di un singolo acceleratore, e le conversioni GGUF mettono una versione utilizzabile su hardware che le persone già possiedono. Quel team ha distribuito quelle build deliberatamente — un fornitore che pubblica quattro formati di quantizzazione ti sta dicendo che si aspetta che il modello venga eseguito dalla persona che ne legge, non noleggiato da un datacenter.

Niente di tutto ciò rende Granite il modello migliore. Rende Granite il modello più economico di cui informarsi.

La risposta non ovvia: questi appartengono allo stesso sistema

Un agente con memoria a lungo termine ha bisogno di entrambe le funzioni, e l'architettura del framework rende la separazione esplicita anziché teorica.

Un harness di memoria invoca un writer sul percorso di scrittura — attivato a ogni turno, output brevi, deterministico, e non deve mai inventare un fatto che l'utente non ha detto. Questo è l'intero lavoro di Hy-Memory-30B-A3B, e un modello con 3B attivi in un'impostazione no-think è esattamente la forma giusta per farlo: economico per chiamata, perché le chiamate sono tante. Granite 4.2 30B non compete per quel posto. Il suo posto è il percorso di lettura e il ragionamento che lo circonda — decidere cosa fare con ciò che c'è nella banca, pianificare, chiamare strumenti, produrre la risposta. Quelle sono le chiamate verso la frontiera, dove la profondità di un modello di ragionamento denso vale il suo peso.

Due modelli, due profili di chiamata molto diversi, e l'interessante questione ingegneristica è come mettere un'unica chiave davanti a entrambi. È a questo che serve un livello di routing. Quello di OrcaRouter è il DSL di routing che compone diversi modelli in un'unica chiamata — puoi indirizzare il percorso di scrittura verso un endpoint Hy-Memory-30B-A3B self-hosted e il percorso di lettura verso un modello frontier ospitato, e pilotare entrambi da un'unica chiave API su oltre 200 modelli con failover automatico se un backend si degrada. Nessuno di questi due modelli è nel nostro catalogo e non ospitiamo nessuno dei due; la disponibilità per entrambi dipende dal tuo hardware o dai canali del fornitore stesso. Quello che copriamo è l'altra metà — i modelli ospitati che stanno attorno a un writer self-hosted — a 0% di markup sul prezzo di listino del provider.

Quella combinazione vale la pena di essere compresa prima che uno dei due modelli sia pronto per la produzione nel tuo caso, perché l'architettura è la stessa sia che il percorso di scrittura esegua Hy-Memory-30B-A3B sia che esegua un modello generico con un prompt di memoria aggiunto a posteriori. Il router è indifferente. Sostituire l'uno con l'altro in seguito dovrebbe essere una modifica alla tabella di routing, non una riscrittura.

Quale guardare per primo?

Se hai un agente di lunga durata con un framework di memoria e il percorso di scrittura è attualmente un modello frontier che paghi a prezzi da frontier per eseguirlo a ogni turno, Hy-Memory-30B-A3B è il più interessante dei due e quello con un problema specifico e quantificato da risolvere. Vai a darci un'occhiata — ma fallo con la consapevolezza che il tuo primo compito è costruire l'hardware su cui testarlo, e che nessuna terza parte ha ancora confermato il 55.49.

Se ti serve un modello a pesi aperti che ragiona, chiama strumenti e gira dentro una scheda che possiedi, Granite 4.2 30B è quello da valutare questa settimana. Ha due mesi, le sue quantizzazioni esistono e i suoi numeri pubblicati non sono stati riprodotti — il che è uno stato normale per un modello aperto di medie dimensioni e non un segnale d’allarme di per sé.

Se stai costruendo l'intera cosa, la risposta onesta è che probabilmente li vuoi entrambi, nei due ruoli per cui sono stati progettati, e il lavoro interessante è il routing tra loro piuttosto che la scelta tra loro.