Hy-Memory-30B-A3B 対 Qwen3.8-27B：専門特化型はライバルではない——それは、あなたがすでに汎用型に任せて対価を払っている仕事の代替なのだ

誰もHy-Memory-30B-A3BとQwen3.8-27Bを能力で比べて選んでいるわけではない。両者は同じレースにいないからだ。Qwen3.8-27Bはラボの高密度270億パラメータの視覚言語モデルで、Apache 2.0、ネイティブコンテキスト262,144トークン、2026年8月14日にリリースされ、OrcaRouterで100万入力トークンあたり$0.33、100万出力トークンあたり$2.40で提供されている。Hy-Memory-30B-A3BはHunyuanチームのメモリライターであり、総計30Bでアクティブ約3B、オープンソース化されたのは2026年10月15日で、私たちを含めどこでも提供されていない。一方はトークン単位で借りられる汎用モデル。もう一方は自分でホストしなければならないコンポーネントだ。ベンチマークは古び、価格は動くが、失敗の記録は動かない。このクラスのモデルの背後にある、文書化されたAIインシデントとエージェントの失敗はthe OrcaRouter AI Incident Archiveにまとめられており、各エントリには独自の出典、重大度、信頼度グレード、異議フラグが付されている。

そもそも両者を並べて比較する理由は、Hy-Memory-30B-A3B が特定のものを置き換えるために存在しており、その特定のものは非常に多くの場合 Qwen3.8-27B だからだ。メモリフレームワークは、何を保持するかを決めるために毎ターン汎用モデルを呼び出す。もしその用途で Qwen3.8-27B を動かしているなら——そして $0.33/$2.40 という価格では自然な選択肢だ——正直な問いは、どちらのモデルが優れているかではない。3B アクティブの専門特化モデルが、ハードウェアを正当化できるほど十分に同じ仕事をこなすかどうかであり、その問いには実際に計算できる価格タグが付いている。

メモリシステムが関心を寄せる用語で言えば、Qwen3.8-27Bとは何か

Dense です。つまり、そのパラメータはトークンごとにすべて読み出されます。隠れサイズ5,120の64層で、Gated DeltaNet線形アテンションブロックとフルアテンションブロックを16対1のパターンで交互に配置しています。この設計こそが、25万トークンのウィンドウをそもそも提供可能なコストにしているものです。テキスト、画像、動画を入力として受け取り、テキストを返します。これがここで地味な理由から重要です。人がエージェントに覚えていてほしいことの大部分は、文章ではなくスクリーンショットやドキュメントとして届くからです。

ベンダー自身のモデルカードには、LiveCodeBench v6で90.3、GPQA Diamondで89.2、Terminal-Bench 2.1で73.0、OSWorld-Verifiedで84.3、IFBenchで79.5と記載されている。いずれもベンダー報告の数値であり、特にメモリ書き込みワークロードに関しては、当社も、当社が示せる限りの誰も再現していない。このモデルはリリース以降、独立した評価順位もいくつか得ている。ウェブ開発アリーナのリーダーボードでトップ10入りしたことも含まれるが、それらのどれも、良いメモリを書けるかどうかを測るものではない。まだ何も測っていない。

この仕事の本命にしているのは、それらのスコアのどれかではない。指示に正確に従い、JSONスキーマを受け付け、262Kのウィンドウがあるので長い会話をチャンク分割の小細工なしに渡せて、毎ターン実行できるほど安価だからだ。

上のページは、この2つのモデルの実用的な違いを1画面に示したものです。Qwen3.8-27Bにはレートとルートがあり、Hy-Memory-30B-A3Bにはどちらもありません。

Hy-Memory-30B-A3B は何が違うのか

Hy-Memory モデルは、ちょうど1つのタスク向けに訓練されており、そのモデルカードもはっきりとそう述べている。すなわち、Mem0、MemOS、Hy-Memory の内部にある汎用 LLM を置き換え、どの情報を保持するか、それをどれほど精密に表現するか、新しい証拠が永続バンクをどう更新すべきかを決定する。その後、EverMemOS で評価される。EverMemOS は訓練から完全に除外されたフレームワークであり、このリリースで最も称賛に値する設計判断である。なぜなら、フレームワーク間の転移こそが前提のすべてだからだ。

そのトレーニングは2段階で、興味深いのは第2段階だ。Memory On-Policy Distillationは、生徒自身が生成したメモリ状態に対して密な監督を供給する。次にAttributed Memory Reinforcement Learningが、ロールアウトからバンクを構築し、それらをチャンクごとにスコアリングし、過剰保存にペナルティを与え、そして——これがトレーニングを誠実に保つ部分だ——選択されたバンクをウィンドウ間でリセットするのではなく、次のウィンドウへ引き継ぐ。デプロイされたバンクは決して空ではないので、空のバンクに対してトレーニングすることは、存在しない状況に向けてトレーニングすることになる。

アーキテクチャ上、48層で、1つのdenseブロックと47のsparse MoEブロック、top-8ルーティングの128エキスパートと共有エキスパート、262,144位置のコンテキスト、そして51シャードにわたる60.1 GBのBF16重みで構成される。量子化ビルドは公開されていない。

カードがしない計算をする

両方のモデルが、長い会話の毎ターンで発火する。そのため書き込みパスは量の問題になり、量こそ、スペシャリストのより少ないアクティブパラメータ数が効いてくるはずの領域だ。

測定値ではなく、明示された具体的な仮定を置く。ライターは1ターンあたり約800トークンの会話を処理し、約150トークンの構造化メモリを出力する。1,000ターンでは、ユーザーあたり80万入力トークンと15万出力トークンになる。OrcaRouterのQwen3.8-27Bの料金表では——ベンダーの定価を0%のマークアップでそのまま適用し、つまり100万トークンあたり$0.33と$2.40になる——その会話のコストは入力が約$0.26、出力が約$0.36、合計約$0.62で、さらに回答モデルがバンクを開くときの読み取りパスにかかる分が加わる。これらは公開料金に基づく算術であり、ベンチマークではない。そして、あなたの1ターンあたりのトークン数は異なるだろう。

Hy-Memory-30B-A3B の場合、同じ1,000ターンはトークンあたりでは何もかからず、月あたりではかなり大きな費用がかかる。料金表が存在しないからだ。このモデルはセルフホスト型であり、量子化された代替版なしで60 GBのBF16をセルフホストするということは、それを保持できるメモリを備えたアクセラレータを意味する——55.49のマクロ平均が持ちこたえるかどうかを知る前に。

つまり、このトレードオフは安いか高いかではありません。それは従量課金対資本であり、損益分岐点は、1か月に実際に何ターン書き込むかによって完全に決まります。月に数千件の会話を回しているチームなら、ほぼ間違いなくQwen3.8-27Bのトークンあたりの料金を払い、ハードウェアの話には一切触れないほうがよいでしょう。何百万ターンものメモリを書き込むチームは、どちらにせよハードウェアを動かしているので、専用機が魅力的になってきます。

上のカードが計算の出発点です。$0.33の料金の背後にはダウンロード可能な27Bチェックポイントがあり、自分で動かすのが正当化されるほど利用量が多いなら、それは公開された量子化に支えられたサポート対象の道筋です。

価格比較が隠している3つのこと

トークンあたりのコストは最も分かりやすい軸であり、最も決め手に欠ける軸でもある。より重要なのは、他に3つある軸だ。

マルチモーダル対応。Qwen3.8-27Bは画像と動画を扱えます。Hy-Memory-30B-A3Bのカードには、テキスト入力、英語と中国語と記載されています。エージェントのメモリにスクリーンショット、スキャンした文書、動画フレームが含まれるなら、汎用モデルは特化モデルが構造上できない仕事をこなしており、どれほどのコスト優位もその差を埋められません。

コンテキスト。どちらも262,144ポジションを公開しており、これは本当に偶然の一致で、しかも役に立つ偶然です — 一度に渡せる会話の量について、どちらにも優位性はありません。

公開されている精度。 Qwen3.8-27B は BF16 として提供され、公式の FP8 ビルドと複数の配布元による GGUF 変換があります。また、OrcaRouter はビジョンタワーをフル精度に保った block-FP8 版を提供しています。Hy-Memory-30B-A3B は BF16 のみで、それ以外はありません。この行が、借りたカードで評価できるか、それともカードを 1 枚確保する必要があるかを決めます。

どのモデルを選ぶかによって異なる、ルーティングの答え

ここが二つの道が明確に分かれる地点であり、宣伝めいた表現よりも正確さを期す価値がある。

Qwen3.8-27BはOrcaRouterのカタログに掲載されています。200余りの他のモデルと同じAPIキーで呼び出せ、プロバイダーの定価のまま0%のマークアップで利用できます。つまり、プロバイダー側の値下げは次の請求サイクルを待たず、当日中にここへ反映されます。自動フェイルオーバーも備わっており、バックエンドが劣化した場合にも対応します。メモリハーネスにとって役立つのはルーティングDSLです。これは複数のモデルを1回の呼び出しにまとめるもので、2つ目のクライアントを構築することなく、ライターと回答モデルを単一のエンドポイントの背後で動かせる仕組みです。モデルフュージョンは、複数のモデルが一斉に回答するパネルを実行する機能で、専門特化したライターが汎用モデルよりも優れたバンクを生み出すかどうかを実証的に見極めるためのツールです。同じ会話に対して両方を実行し、回答を比較すれば、もう議論する必要はありません。

Hy-Memory-30B-A3Bは当社のカタログにはなく、当社ではホストしていません。 それを利用する道は、チームから提供されるチェックポイントとご自身のハードウェアです。セルフホストする場合でも、ルーターはループの残りの部分——バンクを読み戻すホスト型の回答モデルや、その周辺のプランニング呼び出し——を引き続きカバーします。さらに、ホスト型のエンドポイントと並べて独自のエンドポイントを登録できるため、フェイルオーバーとワンキーアクセスがその両方に適用されます。

誰が何をすべきか

今日、ホスト型の汎用モデルでメモリ書き込みを回しているなら、正直に最初に問うべきは乗り換えるべきかどうかではない。実際に月に何ターン書き込んでいるかだ。あなたにしか計算できないしきい値を下回るなら、トークン単価あたりでは Qwen3.8-27B が合理的な選択であり、Hy-Memory-30B-A3B のハードウェア要件は本質から目をそらすものだ — 特にメモリに画像が含まれるなら、その専門特化モデルには提供できるものがないのだから。

メモリを、トークンあたりの費目が本当に予算項目になっているような規模で書いているなら、Hy-Memory-30B-A3B はまさにその費目を狙った最初のオープンモデルであり、ホールドアウトされたフレームワークに対してテストされたという事実は、誰かがデモではなく汎化について考えた証拠だ。量子化ビルドを待て。チーム外の誰かがハーネスを実行するのを待て。それから決めればいい。

そして、自分たちのトラフィックで専門家がジェネラリストを上回るのかどうか、ただ純粋に知りたいだけなら、実験のセットアップは安価で、答えはどちらのカードにとってもではなく、自分たちのデータに固有のものになるでしょう。

最後に一つ、モデルカードには明記されていて表にはない点がある。Hy-Memory-30B-A3B は Apache 2.0 でライセンスされている。つまり、上記の実験は、誰かの法務チームと話をすることなく、自社のデータで商用として実行することが許されている。これがこのモデルの持つ最も強い論拠であり、55.49 が再現されるかどうかとは無関係だ。