Hy Memory 2.0 출시: Tencent, 메모리 작성기, 프레임워크, Mac 앱을 한 번에 오픈소스로 공개

텐센트 훈위안이 이번 주에 세 가지를 한꺼번에 내놓았는데, 그중 오늘 설치할 수 있는 것은 두 가지뿐이다. Hy-Memory-30B-A3B는 300억 개 파라미터의 전문가 혼합(MoE) 모델로, 그 존재 목적 전체가 기억을 쓰는 일, 즉 에이전트가 무엇을 남길지, 그것을 어떻게 표현할지, 새로운 증거가 기존 내용을 어떻게 덮어쓸지를 결정하는 것이다. Hy Memory 2.0은 그 모델을 둘러싼 프레임워크로, 채팅, 작업 기억, 코딩 기억을 아우르는 파이썬 패키지 hy-memory다. 그리고 MemHub는 앱으로, 열 가지 서로 다른 AI 도구에서 대화 기록과 코딩 흔적을 끌어와 사용자 자신의 디스크에 있는 하나의 기억 저장소로 모으는 로컬 우선(local-first) CLI 겸 macOS 제품이다. 발표 글의 헤드라인은 Hy-Memory-30B-A3B가 Claude Opus 5를 주요 기억 프레임워크 전반에서 앞선다는 것이다. 이는 사실이긴 하지만, 흥미로운 점은 그 범위다. 네 개 프레임워크 중 세 개에서는 격차가 0.6점 미만이고, 비교 전체가 각 벤치마크의 5분의 1에서만 이루어진다. 우리가 추적한 모든 제공자 장애와 롤백은 Orca AI Incident Archive에 기록되어 있으며, 이 아카이브에는 이번 사건과 인접한 항목들과 함께 전체 기록 세트가 담겨 있다.

아래의 모든 내용은 Tencent 자체 저장소, 패키지 레지스트리 및 기술 보고서에서 가져온 것이거나 Tencent 자체 주장으로 표시된 것입니다. 이 글을 쓰는 시점 기준으로 다른 누구도 이를 실행한 적이 없기 때문에, 여기에 있는 어떤 내용도 다른 누구에 의해 재현되지 않았습니다.

실제로 출시된 것과 그 시기

세 계층은 서로 약 24시간 이내에 적용되었고, 릴리스 노트는 그중 어떤 것이 완료되었는지에 대해 이례적으로 구체적으로 밝히고 있습니다:

• 이 모델 — tencent/Hy-Memory-30B-A3B는 2026년 10월 15일 09:52 UTC에 Apache 2.0 라이선스로 Hugging Face에 공개되었으며, 기술 보고서 arXiv 2610.22196도 같은 날 제출되었습니다.

• 프레임워크 — hy-memory==2.0.1은 2026년 10월 15일 17:24 UTC에 PyPI에 업로드되었으며, 모노레포는 같은 날 오픈소스로 공개되었습니다. GitHub v1.0.0 릴리스 태그는 10월 16일 08:44 UTC에 생성되었습니다.

• 앱 — MemHub의 릴리스 자산이 존재합니다: GitHub 기준 303MB의 공증된 macOS arm64 디스크 이미지와 245MB 및 251MB의 Linux arm64 및 x64 런타임 번들입니다. Windows는 지원되지 않는 것으로 표시됩니다.

• 격차 — 프로젝트 자체 체인지로그는 MemHub가 "아직 공개 릴리스가 없다"고, 소스 버전이 1.0.0(빌드 4)이라고, npm 게시와 GitHub Release 아티팩트가 모두 아직 보류 중이라고 명시합니다. 사용하려는 npm 패키지인 memhub-cli는 레지스트리에서 404를 반환합니다. 디스크 이미지는 릴리스에 첨부되어 있고, 이를 가져오기로 되어 있는 명령줄 설치 프로그램은 게시되지 않았습니다.

그 마지막 요점은 두 번 읽어볼 가치가 있습니다. 왜냐하면 그것이 출시와 릴리스 후보의 차이이기 때문입니다. Apple 빌드는 서명되고 공증되어 있으며, 이는 실제로 상당한 작업이고, 릴리스 페이지에는 얼마 안 되는 다운로드가 쌓였습니다. 하지만 문서에 안내된 설치 경로는 이 글을 쓰는 시점에 존재하지 않는 npm 패키지로 시작합니다. 이번 주에 MemHub를 써볼 계획이라면, 한 줄 설치가 아니라 소스 체크아웃을 염두에 두세요.

Hy-Memory-30B-A3B, 모델

설정 파일은 이번 릴리스 전체에서 가장 낭만적이지 않은, 그러나 가장 유용한 문서입니다. 그것은 이국적인 무언가가 아니라, 표준적이고 잘 이해된 MoE 형태를 설명합니다:

• 매개변수 — 총 30B, 토큰당 약 3B가 활성화되는데, 이것이 바로 A3B 접미사의 의미입니다.

• 아키텍처 — 48개 레이어, 그중 1개는 밀집형이고 47개는 희소 MoE; 블록당 128개 전문가, 상위 8 라우팅 및 공유 전문가 1개; 은닉 크기 2,048; 전문가 중간 너비 768; 쿼리-키 정규화를 갖춘 32개 어텐션 헤드 대 4개 키-값 헤드; 전문가 편향 항과 2.826의 스케일링 계수를 갖춘 시그모이드 라우터.

• 컨텍스트 — 262,144 포지션, RoPE 베이스 11,158,840.

• 저장 공간 — safetensors 샤드 51개, BF16 기준 약 60.1 GB. 이는 Tencent가 제공한 유일한 정밀도입니다.

• 서빙 — 이 카드는 vLLM을 중심으로 작성되었고, v0.31.0에 대해 테스트되었으며, OpenAI 호환 엔드포인트를 통해 제공됩니다. 또한 SGLang과 Docker Model Runner를 지원되는 런타임으로 명시합니다. 어떤 추론 제공업체에서도 배포되지 않았고, Hugging Face 검색 인덱스에서는 GGUF도, FP8 또는 NVFP4 빌드도, 파인튜닝도 나타나지 않습니다.

그 부재가 실질적인 장애물이다. 60GB BF16 체크포인트 하나만 내놓고 그 외에는 아무것도 제공하지 않는 벤더는 해당 모델이 어디에서 실행되기를 기대하는지 알려주는 것이며, 그 답은 이미 소유하고 있거나 데이터센터에서 임대하는 머신이다. 워크스테이션에서 누구나 평가할 수 있는 양자화된 형제 모델은 없다.

모델은 텐센트 자체의 퀵스타트에서 reasoning_effort: "no_think" 및 temperature 0.0으로 구동됩니다. 메모리 작성기는 매 대화 턴마다 실행되어 무엇을 유지할지 결정하므로, 숙고하는 것은 잘못된 선택입니다. 결정적이고, 출력이 짧고, 저렴해야 합니다. 그 설계 선택은 이 모델이 존재하는 가장 강력한 근거이기도 합니다. 왜냐하면 그것은 프런티어 채팅 모델이 가장 낭비적인 바로 그 워크로드이기 때문입니다.

제대로 읽어야 하는 55.49

Tencent는 세 가지 메모리 프레임워크 — Mem0, MemOS, 그리고 자체 개발한 Hy-Memory — 전반에서 작성기를 훈련한 다음, 훈련에서 완전히 제외된 네 번째 프레임워크인 EverMemOS에서 이를 평가했다. 하네스 하나를 따로 남겨두는 것은 전이 주장을 검증하는 올바른 방법이며, 프레임워크 간 전이는 이 논문의 전체 논지다.

T​encent 자체의 것이며 재현되지 않은 결과:

• Hy-Memory-30B-A3B — 네 개의 하네스 전체에서 55.49 매크로 평균.

• 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, 메모리 특화 훈련 이전의 동일 모델이며, 바로 여기서 대표적인 7.8포인트 학습 향상이 나옵니다.

• Qwen3-30B-A3B — 44.37.

하네스별로 쪼개 보면, 승리의 폭은 더 얇아진다. Claude Opus 5를 상대로 격차는 Mem0에서 54.02 대 53.43, Hy-Memory에서 60.55 대 60.53, MemOS에서 50.51 대 50.50, EverMemOS에서 56.89 대 54.04다. 그중 네 개 가운데 셋은 월계관을 쓴 통계적 잡음이다 — Hy-Memory 하네스에서 0.02점 앞선 것은 앞선 것이 아니다. 3B 활성 전문가와 프런티어 모델 사이의 전체 격차는 훈련에서 제외된 단 하나의 하네스에 달려 있으며, 그곳에서 격차는 2.85점이고 그 주장이 튜닝으로 맞춰졌을 가능성도 가장 낮다.

설계상의 두 가지 세부 사항은 숫자만큼이나 중요합니다. 메인 매트릭스의 모든 수치는 전체 벤치마크가 아니라 고정된 20% 서브샘플을 기반으로 하며, 평가는 작성자만 바꾸고 하네스, 프롬프트, 검색 구성, 답변 모델, 판정자는 고정합니다. 그 두 번째 선택은 좋은 실험 위생입니다 — 테스트 대상 변수를 분리해 주니까요 — 하지만 그것은 T​encent의 하네스이자 T​encent의 판정자입니다. 이 표를 리포지토리가 딸린 가설로 취급하세요. 그건 대부분의 출시 당일 주장이 함께 내놓는 것보다 더 많은 것을 갖추고 있지만, 결과에는 못 미칩니다.

프레임워크 수치가 더 큰 주장이다

모델 비교는 텐센트가 그 게시물에 넣은 인용이다. 프레임워크 비교는 그것이 맞는다면 독자의 아키텍처를 바꿔 놓을 바로 그 비교다.

회사 자체 사이트에서 Hy Memory 2.0은 오픈소스 메모리 프레임워크 중 네 가지 벤치마크에서 1위를 차지했습니다 — Mem0, MemOS, EverOS, OpenViking, RepoMemory, 그리고 단순한 슬라이딩 윈도우 RAG 베이스라인보다 앞서 — Hy Memory 2.0이 다루는 세 가지 장면 전반에서:

• 채팅 — 1,527개의 비적대적 질문 전반에 걸쳐 LoCoMo에서 72.6%.

• Working — MemoryArena(여행 계획 및 번들 쇼핑 스위트)에서 평균 55.31%를 기록하며 차순위 프레임워크를 10.2포인트 앞섰습니다.

• 코딩 — CodeMemoryBench 질의응답 64.2%, 해결률 35.6%, 그리고 SWE-ContextBench 해결률 28.3%.

• 풋프린트 — 입력 토큰의 6.06%에 불과한 메모리 저장량으로, 비교 대상 프레임워크들의 31.9%~41.2%와 대비된다.

훔칠 가치가 있는 것은 바로 풋프린트 수치다. 메모리 시스템이 프로덕션에서 실패하는 이유는 두 가지다: 잊지 말아야 할 것을 잊어버리고, 끝없이 커진다는 것이다. 요약하는 대화의 6퍼센트를 비용으로 요구하는 뱅크는 40퍼센트를 요구하는 뱅크와는 운영상 다른 제안이며, 바로 그 차원이 정확도 순위가 검증을 견뎌내는지와 무관하게 라우팅과 비용을 보는 독자층이 관심을 가져야 할 지점이다. 평가 프로토콜도 함께 공개된다: 메모리 모델 DeepSeek V4.1 Flash, 답변 및 판정 모델 GPT-5.6-sol, 저장량은 입력 토큰 대비 뱅크 토큰으로 측정하며, 뱅크는 생성된 메모리만 계산한다.

Tencent는 또한 금융, 뉴스, 지식 관리, 오피스 에이전트, 소셜 및 게임 전반에 걸쳐 내부 배포 사례들을 나열합니다 — 40포인트 멀티홉 개선을 보인 주식 어시스턴트 재현율 테스트, 지식 베이스 플러그인, 그리고 100점 만점에 평균 91.68점을 기록한 뉴스 앱 선호도 평가. 이들은 회사 자체의 제품 지표이지 벤치마크가 아니며, 이것이 어딘가 실제 환경에서 구동된다는 증거로 읽어야지 무엇이든 능가한다는 증거로 읽어서는 안 됩니다.

MemHub는 대부분의 독자가 실제로 활용할 수 있는 부분입니다

모델에는 GPU가 필요하다. 프레임워크에는 엔지니어링 팀이 필요하다. MemHub에는 노트북 한 대면 된다.

로컬 우선(local-first) 데스크톱 및 명령줄 제품으로, 이미 승인한 AI 도구들의 기록을 단일 관리형 런타임과 단일 데이터 디렉터리로 통합합니다 — 따라서 한 코딩 에이전트에서 설정한 기본 설정을 다음 에이전트에서도 사용할 수 있습니다. Tencent는 지원되는 열 가지 통합을 명시합니다: WorkBuddy, Cursor, Codex, Claude Code, OpenCode, OpenClaw, Qwen Code, Pi, Hermes, DeepSeek Harness. 명시된 데이터 경로는 ~/.one-memory이며, 작업 및 코딩 메타데이터에는 SQLite를, 기본 저장소로는 ChromaDB와 Kuzu를 사용합니다. 또한 보안 문서에서는 이 제품이 화면 내용, 접근성 트리, OCR, 클립보드 또는 백그라운드 오디오를 수집하지 않는다고 명확히 밝힙니다.

의심해야 할 주장은 삭제에 관한 것들이다. CLI는 세 가지 수준을 구분한다: npm 패키지를 제거하면 CLI만 제거되고, memhub uninstall은 서비스, 관리형 런타임, CLI 링크를 제거하지만 메모리는 유지하며, 별도의 memhub delete-data 명령만이 저장소를 삭제한다 — 런타임을 중지하고 정확한 경로를 확인한 뒤에 말이다. 이는 이 범주의 대부분 도구보다 나은 설계이며, 설치 프로그램이 아직 공개되지 않은 릴리스에서 의도된 동작을 설명한 것이기도 하다. 중요한 작업에 이를 도입하려는 사람은 누구든, 남아 있기를 원하지 않는 어떤 것이든 이 도구에 맡기기 전에 삭제 경로를 직접 확인해야 한다.

분명히 말하면, 아직 확인되지 않은 것은

• 어떤 종류의 독립적인 벤치마크도 없습니다. 제3자 하네스 실행도, 아레나 등재도 없으며, ​Tencent 외부에서 재현된 것도 없습니다.

• 교차 하네스 표의 재현 없음, 특히 단일 공급업체 실행에 전체 전이 명제를 걸고 있는 홀드아웃 EverMemOS 결과의 재현 없음.

• 양자화가 없으므로 60GB 미만의 측정된 메모리 사용량도 없고, 워크스테이션 규모의 평가 경로도 없습니다.

• 호스팅된 엔드포인트 없음, 모델 카드에 명시된 추론 제공자도 없음.

• MemHub에 대해 게시된 npm 패키지가 없으므로, 문서에 안내된 설치 경로는 아직 처음부터 끝까지 작동하지 않습니다.

• 대화당 비용 수치는 없습니다. 메모리 쓰기는 고빈도·단출력 워크로드입니다. 쓰기당 토큰 수나 메모리 지원 어시스턴트를 사용자당 월 단위로 실제 운영하는 데 드는 비용을 발표한 사람은 아무도 없습니다.

라우터가 적합한 경우와 그렇지 않은 경우

이 점은 정확히 말해야 합니다. 과장하기 쉬우니까요. Hy-Memory-30B-A3B는 OrcaRouter의 카탈로그에 없으며, 저희가 호스팅하지도 않습니다. 작성자로 가는 경로는 Hugging Face의 체크포인트와 여러분이 직접 보유한 하드웨어입니다. 라우팅 계층에 관한 어떤 것도 그 사실을 바꾸지 않습니다.

라우터가 담당하는 부분은 하네스의 나머지 절반입니다. 메모리 시스템은 쓰기 경로와 읽기 경로로 이루어져 있는데, T​encent가 공개한 평가는 읽기 경로가 대개 어떤 것인지 분명히 말해 줍니다. 작성자가 무엇을 저장할지 결정하고, 별도의 프런티어 모델이 메모리 뱅크를 다시 읽어 답변한다는 것입니다. T​encent 자체 구성에서 메모리 모델은 DeepSeek V4.1 Flash, 답변 및 심사 모델은 GPT-5.6-sol입니다.OrcaRouter는 두 모델 모두를 하나의 키로 정가에 마크업 없이 제공하므로, 공급업체의 가격 변경이 다음 계약 갱신 때가 아니라 같은 날 바로 우리 쪽에 반영됩니다.

라우팅 DSL은 바로 이 아키텍처에 꼭 맞는 부분입니다. 셀프 호스팅 엔드포인트와 호스팅 엔드포인트를 하나의 호출로 묶는데, 이는 메모리 시스템의 형태와 정확히 일치합니다 — 여러분이 직접 운영하는 쓰기 경로의 저렴한 전문 모델과 임대해서 쓰는 읽기 경로의 프런티어 모델이죠. 같은 구성이 위험한 부분을 견딜 만하게 만듭니다: 라이터를 여러분 자신의 Hy-Memory-30B-A3B 배포로 지정하고, 자동 장애 조치 뒤에 범용 모델을 두면, 쓰기 경로가 잘못되더라도 애플리케이션이 중단되는 대신 답변의 품질이 떨어질 뿐입니다. 이 패턴은 라이터를 가동하기 전에 미리 구축해 둘 가치가 있습니다. 쓰기 경로가 전문 체크포인트이든 메모리 프롬프트를 갖춘 범용 모델이든 동일하기 때문입니다.

누가 행동해야 하고, 누가 기다려야 하는가

장기 기억을 가진 에이전트를 운영하고 있고 이미 GPU를 갖고 있다면, 쓰기 경로는 일주일을 투자할 만한 정직한 곳이다: 체크포인트는 Apache 2.0이고, 메모리 작성기는 다른 누군가의 벤치마크 표가 아니라 자신의 트래픽에서 가치를 측정할 수 있는 드문 모델이다. 운영자가 아니라 사용자라면 MemHub가 흥미로운 쪽이고, 설치 프로그램이 존재하고 Tencent 바깥의 누군가가 삭제 경로를 실제로 실행해 본 뒤까지 기다려야 할 쪽이기도 하다. 그리고 발표의 힘에 기대어 모델을 고르고 있다면, 올바른 태도는 릴리스 자체가 권하는 태도다: 55.49 대 54.62는 세 개의 하네스에서는 동점이고 네 번째에서는 실제 격차이며, 네 번째는 아무도 확인하지 않은 쪽이다.