Hy-Memory-30B-A3B 対 Nemotron 3.5 Lightning 30B-A3B Base：同じ3文字、二つの異なるもの

Hy-Memory-30B-A3BとNVIDIA-Nemotron-3.5-Lightning-30B-A3B-Base-BF16は同一のパラメータ設計——総計300億、アクティブ30億——を備えているが、似ていると言えるのはそこまでだ。Hunyuanチームのモデルは2026年10月15日にオープンソース化された完成品であり、Mem0、MemOS、Hy-Memory内でのメモリ書き込みを実行するよう完全にポストトレーニングされ、OpenAI互換のサービングレシピが付属し、Claude Opus 5を上回ると主張するベンチマーク表も添えられている。一方、NVIDIAのモデルは2026年8月11日にリリースされたが、製品ではまったくない。名前に含まれる「Base」は文字通りの意味だ——教師ありファインチューニングも、強化学習も、蒸留も施されていない。これは事前学習済みの素材であり、その上に自前のポストトレーニング済みモデルを構築できるように公開されたものだ。数字からは読み取れないのは、こうした類のモデルが実運用で何か問題を起こしていないかどうかだ。このクラスのモデルに関する、記録に残るAIインシデントやエージェントの障害は、OrcaRouter AI Incident Archiveに集められており、各項目には独自の情報源、重大度、信頼度グレード、係争中フラグが付されている。

名前の数字が同じ2つのモデル。一方は使われるために設計され、もう一方は改変されるために設計されている。する価値のある比較は、どちらのスコアが高いかではない — 両者は共通の何かで評価されたわけではなく、一方には評価すべき指示追従の挙動が存在しない。する価値のある比較はエビデンスについてだ：各ベンダーが何を公開したか、そのどれだけを自分で確認できるか、そして、何かを一切する前にそれぞれがあなたに何を求めるか。

各モデルの正体

Hy-Memory-30B-A3Bは、異例の役割を担う従来型のスパースTransformerである。その設定ファイルには48層が記述されており、最初の層は密なフィードフォワードブロック、残りの47層はMixture-of-Expertsで、各ブロックに128のエキスパート、top-8ルーティングに加えて単一の共有エキスパート、隠れサイズ2,048、エキスパートの中間幅768、クエリ・キー正規化を伴う4つのキー・バリューヘッドに対する32のアテンションヘッド、そして262,144位置のコンテキストを備える。51のBF16シャードにまたがる約60.1 GB。これは2段階でトレーニングされた — Memory On-Policy Distillation、次にAttributed Memory Reinforcement Learning — そしてこの取り組みの狙いは、メモリフレームワークが現在毎ターン呼び出している汎用モデルを置き換えることにあった。vLLM 0.31.0で提供され、エージェントが記憶すべき内容を記述した構造化JSONレコードを返す。

Nemotron 3.5 Lightning 30B-A3B Baseはハイブリッドマシンです。NVIDIAはMamba-2状態空間ブロックをMixture-of-Expertsおよびアテンション層と交互に配置し、専用の継続事前学習フェーズで訓練されたMulti-Token Predictionヘッドを追加し、全体をNVFP4レシピの下、20兆トークン超で事前学習しました。このハイブリッドスタックの要点はキー・バリューキャッシュにあります。Mamba-2ブロックが、従来のTransformerのキャッシュのように増大するのを防ぎ、それによってNVIDIAは最大100万トークンのコンテキスト長を主張できるのです。BF16、NVFP4、FP8ビルドで提供され、複数のサードパーティによるGGUF変換と量子化もあります。ライセンスはOpenMDW-1.1で、重み、訓練データ、レシピをカバーしており、通常のモデルライセンスより広い許諾範囲です。

パラメータ数の一致は確かに事実だが、表面的なものにすぎない。どちらもトークンあたり約3Bのパラメータを活性化しているが、両チームが同じ判断を下した設計上の決定はそれだけだ。

そのバナーは、このページで最も情報量の多い要素です。NVIDIAがそれをベースリポジトリの最上部に置いたのは意図的で、このチェックポイントはほとんどの人が求めるものではないと、300億パラメータをダウンロードする前にベンダーが明言しています。

すべてを決める区別：ポストトレーニング済み 対 事前学習済み

ベースチェックポイントは指示に従いません。質問を投げかけても、テキストを続けてしまうだけです。事前学習が教えたのはそれだけだからです。まともなチャットテンプレートもなければ、ツール呼び出しの挙動も、拒否の境界もなく、会話にターンがあるという発想もありません。NVIDIAのカードはこれを明言しており、リポジトリ上部の「Looking for the post-trained model?」バナーは、会話できるものを求める人に向けて、兄弟チェックポイントを指し示しています。

ベースチェックポイントの目的はあなたのポストトレーニングにあります。ドメインコーパスでの継続的な事前トレーニング、あるいはNeMo RL、NeMo Gym、Megatron-LMを通じた教師ありファインチューニング、RL、蒸留 — NVIDIAが名前を挙げ、レシピを提供しているツールチェーンです。データ上の優位性があり、モデルがどう振る舞うべきかについての考えがあるなら、ベースチェックポイントはその両方を実行に移せる出発点です。そうでなければ、それは300億パラメータの文鎮にすぎません。

Hy-Memory-30B-A3B は、そのパイプラインの正反対の端にある。すでにポストトレーニングを二度にわたって経験しており、価値提案のすべては、あなたがその作業をする必要がないという点にある — カードが与えるスキーマを受け取り、それをあなたのハーネスに向ければ、メモリを書き込んでくれる。それは Nemotron より桁違いに狭く、Nemotron が意図的にそうではない形で仕上げられている。

仕様と梱包、寸法ごとに1行

• 総パラメータ数 / アクティブパラメータ数 — 両方とも 30B / ~3B。これが両者の一致が見られる唯一の行です。

• アーキテクチャ — Hy-Memory-30B-A3Bは、1つの密なブロックと47のMoEブロック、トップ8の128エキスパートに加えて共有エキスパートを備えたスパース・トランスフォーマーです。Nemotron 3.5 Lightning 30B-A3B Baseは、状態空間、MoE、アテンション層を交互に配置し、マルチトークン予測ヘッドを備えたMamba-2ハイブリッドです。

• コンテキスト — Hy-Memory-30B-A3B はその設定で 262,144 ポジション、Nemotron は最大 1M トークン、単一の H100 でのドキュメント記載の実用値は 256K。

• ポストトレーニング — Hy-Memory-30B-A3B では2段階（オンポリシー蒸留、次にアトリビューテッドRL）；Nemotron ベースチェックポイントでは一切なし。

• 重みのフットプリント — Hy-Memory-30B-A3B は BF16 で 60.1 GB だが、他の精度は公開されていない。これに対し、NVIDIA の BF16、NVFP4、FP8 ビルドやコミュニティの GGUF がある。

• ライセンス — Apache 2.0 と OpenMDW-1.1 の比較。後者はトレーニングデータとレシピも対象に含みます。

• サービング経路 — Hy-Memory-30B-A3B 向けの OpenAI 互換エンドポイントの背後に vLLM 0.31.0。Nemotron については、まずポストトレーニングを行い、その後サービングします。

• ホスト型エンドポイント — どちらのモデルも、ホスト型推論プロバイダーによってデプロイされているものではありません。どちらもセルフホスティングが前提の選択肢です。

証拠：NVIDIAはレシピを公開し、Hunyuanは表を公開している

これが2つのリリース間の最も際立った違いであり、それは数字そのものの話ではない。

NVIDIAは、実行に移せる形で自社の評価手法を公開している。Lightningのベースカードには、その精度数値が一貫したハーネス——NeMo GymとNeMo Evaluator SDK、オープンソースのLM Evaluation Harnessコンテナをラップし、RULERはNeMo Skills経由で実行——の下で測定されたと記され、さらにベンダーがほとんど口にしないことが続く。これらの数値は他社の自己申告値と異なる場合がある、というのだ。再現用レシピへのリンクもある。数値は依然としてNVIDIA自身の実行によるものだが、ハーネスが明示され、コンテナ化され、ダウンロード可能であるため、「NVIDIAがこれを測定した」と「私がこれを測定した」の距離は、研究プロジェクトではなく数時間の作業で埋まる。

Hy-Memory のリリースは、2 つの異なる点で検証がより難しい。評価設計はそれ自体の前提において妥当である。変更するのはメモリライターのみで、ハーネス、プロンプト、検索構成、回答モデル、ジャッジは固定しており、これはライターの寄与を切り分ける正しい方法である。しかし、メインマトリックスのベンチマークはすべて、完全なセットではなく固定の 20% サブサンプル 上で実行されており、しかも主要な差はわずかである。マクロ平均は 55.49 に対し Claude Opus 5 は 54.62 で、その差は 0.87 ポイント、MemOS ハーネスは 0.01 ポイントで決着している。2 つ目の障害はハードウェアである。NVIDIA のベース数値を再現するには、量子化ビルドが存在するチェックポイントを読み込めばよい。Hy-Memory を再現するには、より小さい代替版が公開されていない 60 GB の BF16 を読み込む必要がある。

どちらの数値も独立して再現されたことはない。違いは、あなたならそれを再現できる可能性がどれほど高いかにある。

二つの一次情報源を並べてみると、対比は際立っている。Hy-Memory の評価は、アーキテクチャの説明と学習手法を備えた論文の中にあり、NVIDIA のものは、名前が付いたダウンロード可能なハーネスを伴うモデルカードの中にある。どちらも、ベンダーが自分の宿題を採点しているようなものだ。そのうち片方だけが、あなたに採点の物差しを手渡してくれる。

ルーターを登場させる2つの異なる理由

両モデルはセルフホストであり、Hy-Memory-30B-A3B も Nemotron 3.5 Lightning 30B-A3B Base も OrcaRouter のカタログにはありません — 当社はそのどちらもホストしていません。両方への道は、重みと自前の GPU です。しかし、ルーターの問いはこの比較のどちら側でも異なる形で現れます。これは選択の実践的な形であるため、順を追って見ていく価値があります。

Nemotron の道を選ぶなら、あなたはチェックポイントをポストトレーニングすることになります。そうしてできるモデルはあなたのインフラ上にしか存在せず、カスタムチェックポイントの典型的な問題は、その置き場所がないことです。どのカタログにも載っていないため、それを必要とするすべてのアプリケーションに専用の配線が必要になり、それが落ちたときのフォールバック経路もすべて手作業で作らなければなりません。ルーターはまさにそれを解決します — 1つの API キーで200+ モデルを横断でき、あなた自身のエンドポイントもそれらと並んで登録され、自動フェイルオーバーが性能劣化時に働きます。モデルフュージョンも、ここで知っておく価値のあるもう一つの要素です。1回の呼び出しで複数のモデルをパネルとしてまとめて実行するもので、新しくポストトレーニングしたモデルを強力なベースラインと比較したいときに、それぞれにハーネスを書かずに済みます。

Hy-Memory の道を選ぶなら、ライターははるかに大きなループの中の 1 回の呼び出しにすぎません。メモリハーネスはライターを呼び出し、次にバンクを読み戻して応答するための回答モデルを呼び出します。そしてその 2 回目の呼び出しこそ、通常はホスト型モデルが位置する場所です。OrcaRouter はプロバイダーの定価を 0% のマークアップでそのまま通すため、回答モデルに対するベンダーの値下げは同日中に当社側でも有効になり、ルーティング DSL はセルフホスト型ライターとホスト型リーダーを単一の呼び出しに構成します。両方の半分が同じ場所から来る必要はなく、欠けている方を追加するために 2 つ目の契約も必要ありません。

どちらが正しい出発点ですか？

もしあなたが求めているのが、ダウンロードしたその日から何かをしてくれるモデル——具体的には、何も訓練することなくエージェントの記憶を改善してくれるモデル——なら、この2つのうちそれに応えるのは Hy-Memory-30B-A3B だけだ。また、それは安く試せない方でもあり、その看板となる主張は最も差が小さいものでもある。何かを知る前にハードウェアにお金を使うことを覚悟して臨め。

自分で形を整えられる基盤を求めているなら、Nemotron 3.5 Lightning 30B-A3B Base は真剣に取り組まれた公開成果です。長いコンテキストと高速な推論のために設計されたハイブリッドアーキテクチャで、学習レシピと、自分で再実行できる評価ハーネスとともに公開されています。事後学習を施すまで質問には答えてくれませんが、それは欠陥ではなく、そういう前提なのです。

名前の衝突のせいで、この2つはこれからも同じ文に置かれ続ける。パラメータ数もこれからも一致し続ける。それ以外の点では何も一致しない。そして、読者が「30B-A3B」を「同じ種類のモデル」から切り離して捉えられれば捉えられるほど、この比較は早く有用になる。

ダウンロード数は画面に残しておく価値がある。昨日リリースされた、量子化ビルドもホスト型エンドポイントも告知もない事後学習済みの専門特化モデルは、ダウンロード数ゼロ、いいね9件——一方、2か月前に公開されたNVIDIAの事前学習済みベースチェックポイントは数万の桁に位置している。この差は品質の判断ではない。各チームがそれを試すのをどれだけ難しくしたかの測定値だ。