Hy-Memory-30B-A3B vs Granite 4.2 30B: Een geheugenschrijver en een redeneerder zijn niet dezelfde aankoop

Hy-Memory-30B-A3B en Granite 4.2 30B hebben beide ongeveer 30 miljard parameters, zijn beide open-weight, beide Apache 2.0, beide binnen zeven weken van elkaar uitgebracht — en ze zijn in geen enkele zin die een inkoopspreadsheet zou herkennen vervangers van elkaar. Hy-Memory-30B-A3B, open-source gemaakt door het Hunyuan-team op 15 oktober 2026, doet één ding: het voert het schrijfpad binnen een langetermijngeheugenframework uit, waarbij het bepaalt wat een agent behoudt en hoe nieuw bewijs het overschrijft. Granite 4.2 30B, gepubliceerd door IBM op Hugging Face op 25 augustus 2026, is een dense generalistisch redeneermodel met selecteerbare denkmodi, tool calling en een context van 128K die het kan uitrekken tot 512K. Het ene is een component. Het andere is een assistent. Dat gat tussen wat een scorebord meet en waar een deployment mee te maken krijgt, is de reden dat het verslag ertoe doet: de gedocumenteerde AI-fouten en agent-incidenten rond modellen in deze klasse zijn verzameld in the OrcaRouter AI Incident Archive waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwist-markering bevat.

De verleidelijke vergelijking — hun benchmarktabellen naast elkaar leggen en kijken wie wint — is de verkeerde vergelijking, en ze is op een manier verkeerd die je geld zou kosten. Ze zijn niet op dezelfde taken geëvalueerd, ze worden niet op dezelfde manier ingezet, en een van de twee kan niet worden gedownload in een vorm die de meeste mensen kunnen draaien. Wat volgt is de vergelijking die daadwerkelijk iets beslist: waarvoor elk dient, wat elk je aan hardware kost, en of je de een, de ander of beide nodig hebt.

Begin met de as die hen scheidt.

Granite 4.2 30B is dense, wat betekent dat elke parameter ervan wordt gelezen voor elk token dat het genereert. Het heeft drie redeneermodi — volledig nadenken, lage inspanning en geen — per verzoek selecteerbaar, en het is na-getraind met agentische reinforcement learning gericht op terminals, code-uitvoering en webzoekopdrachten in een sandbox. IBM's modelkaart claimt 57,00 op SWE-Bench Verified, 29,24 op Terminal-Bench 2.1, 89,17 op AIME 2025 en 77,60 op MMLU-Pro. Die zijn door de leverancier gerapporteerd en niet onafhankelijk gereproduceerd, en het model is twee maanden oud — oud genoeg dat een gebrek aan onafhankelijke scores enigszins opmerkelijk is, niet vernietigend.

Hy-Memory-30B-A3B is sparse, wat betekent dat het 30 miljard parameters bevat, maar ongeveer 3 miljard per token leest, en het werd getraind voor één enkele taak. De Hy-Memory-kaart beschrijft het als de vervanging van de LLM voor algemeen gebruik in Mem0, MemOS en Hy-Memory — die bepaalt wat er behouden moet blijven, hoe het precies moet worden gerepresenteerd, en hoe nieuw bewijs een persistente geheugenbank bijwerkt. Het werd vervolgens getest op EverMemOS, een framework dat volledig buiten de training werd gehouden, wat in beide releases het dichtst in de buurt komt van een echte generalisatietest. De belangrijkste claim: een macro-gemiddelde van 55,49 over vier testharnassen tegenover 54,62 voor Claude Opus 5.Ook door de leverancier gerapporteerd, ook niet gereproduceerd, en — anders dan de cijfers van Granite — geëvalueerd op een vaste deelsteekproef van 20% van elke benchmark in plaats van de volledige set.

De scores zijn dus niet met elkaar te vergelijken. De 57,00 van Granite op SWE-Bench Verified en het macrogemiddelde van 55,49 van Hy-Memory zijn getallen uit verschillende sporten, en ze in één kolom plaatsen zou een rekenkundige leugen zijn.

Het is ook het vermelden waard waar deze cijfers vandaan komen. De Hy-Memory-cijfers staan in een technisch rapport, arXiv 2610.22196, ingediend op dezelfde dag dat de gewichten verschenen — de primaire bron is openbaar en leesbaar, wat meer is dan veel tabellen op de dag van release bieden. Die van de andere partij staan op een modelkaart. Beide zijn afkomstig van de leverancier die zijn eigen huiswerk nakijkt, en geen van beide is door het testharnas van iemand anders gegaan.

De specs, dimensie voor dimensie

• Parameters — Hy-Memory-30B-A3B 30B totaal / ~3B actieve MoE vs Granite 4.2 30B ongeveer 29B dense, alle parameters actief op elk token.

• Laagopbouw — 48 lagen voor Hy-Memory-30B-A3B, één dense feed-forwardblok en 47 sparse MoE-blokken, 128 experts per blok bij top-8-routering plus een gedeelde expert, tegenover de standaard dense decoder-only transformer van Granite 4.2 30B met GQA, 32 attention-heads en 8 key-value-heads.

• Context — 262.144 posities voor Hy-Memory-30B-A3B uit zijn configuratiebestand versus 128K native en 512K uitgebreid voor Granite 4.2 30B.

• Voetafdruk van de gewichten — ongeveer 60,1 GB verdeeld over 51 BF16-safetensors-shards voor Hy-Memory-30B-A3B versus ruwweg 29 miljard dense parameters in BF16 voor Granite 4.2 30B, met daarnaast gepubliceerde FP8-, NVFP4/MXFP4- en GGUF-builds.

• Gequantiseerde opties — geen voor Hy-Memory-30B-A3B; het team leverde één BF16-checkpoint en verder niets. Granite 4.2 30B heeft een officiële FP8-build, twee 4-bits formaten en GGUF-conversies van verschillende community-uitgevers.

• Redeneerinstellingen — Hy-Memory-30B-A3B biedt een reasoning_effort-schakelaar, maar de eigen quickstart van het project draait het op no_think met temperatuur 0.0; Granite 4.2 30B heeft drie denkmodi, waaronder volledige chain-of-thought verpakt in think-tags.

• Licentie — Apache 2.0 voor beide, waardoor een van de twee vragen die een juridische toetsing anders zou stellen, wegvalt.

• Beschikbaarheid via hosting — geen van beide modellen wordt aangeboden via een gehost endpoint van een leverancier. De modelkaart van Granite 4.2 30B vermeldt een inferentieaanbieder; die van Hy-Memory-30B-A3B stelt ronduit dat geen enkele aanbieder het model inzet.

• Gepubliceerd doel — een geheugenschrijver tegenover een algemeen redeneermodel. Dit is de rij die alles erboven bepaalt.

Hardware is waar de keuze daadwerkelijk wordt gemaakt

Hier is de asymmetrie die een specificatieblad verbergt.

Hy-Memory-30B-A3B is 60 GB in BF16, zonder een gekwantiseerd alternatief. Dat is geen model dat je op een laptop evalueert, en het is geen model dat je even opstart op één workstation-kaart om te zien of de bewering uit de paper standhoudt. Een team dat de cijfers van Hy-Memory wil controleren, moet momenteel ongeveer dezelfde hardware regelen als voor een kleine productie-implementatie, nog voordat ze weten of het werkt.

Granite 4.2 30B, hoe dense het ook is, wordt geleverd in vormen die je vandaag daadwerkelijk kunt draaien. De FP8- en 4-bit-builds brengen het binnen het geheugen van één enkele accelerator, en de GGUF-conversies zetten een bruikbare versie op hardware die mensen al bezitten. Dat team heeft die builds bewust uitgebracht — een leverancier die vier kwantisatieformaten publiceert, zegt daarmee dat hij verwacht dat het model wordt gedraaid door de persoon die erover leest, niet gehuurd uit een datacenter.

Niets daarvan maakt Granite het betere model. Het maakt Granite het goedkopere model om iets over te weten te komen.

Het niet voor de hand liggende antwoord: deze horen in hetzelfde systeem

Een agent met langetermijngeheugen heeft beide functies nodig, en de frameworkarchitectuur maakt de splitsing expliciet in plaats van theoretisch.

Een memory-harness roept een writer aan op het schrijfpad — bij elke beurt afgevuurd, korte output, deterministisch, en hij mag nooit een feit verzinnen dat de gebruiker niet heeft gezegd. Dat is precies de hele taak van Hy-Memory-30B-A3B, en een 3B-actief model op een no-think-instelling is daar precies de juiste vorm voor: goedkoop per aanroep, want er zijn heel veel aanroepen. Granite 4.2 30B dingt niet mee naar die plek. Waar het thuishoort, is het leespad en de redenering eromheen — beslissen wat te doen met wat zich in de bank bevindt, plannen, tools aanroepen, het antwoord produceren. Dat zijn de frontier-facing aanroepen waar de diepgang van een dense reasoning-model zijn gewicht waard is.

Twee modellen, twee heel verschillende aanroepprofielen, en de interessante technische vraag is hoe je één sleutel voor beide zet. Daar is een routeringslaag voor bedoeld. OrcaRouter's routerings-DSL combineert meerdere modellen in één aanroep — je kunt het schrijfpad naar een zelfgehoste Hy-Memory-30B-A3B-endpoint richten en het leespad naar een gehost frontier-model, en beide aansturen met één API-sleutel via 200+ modellen met automatische failover als een backend verslechtert. Geen van deze twee modellen staat in onze catalogus en we hosten geen van beide; de beschikbaarheid voor beide loopt via je eigen hardware of de eigen kanalen van de leverancier. Wat wij bestrijken is de andere helft — de gehoste modellen rond een zelfgehoste writer — tegen 0% opslag op de lijstprijs van de provider.

Die combinatie is het waard om te begrijpen voordat een van beide modellen productieklaar voor je is, want het is dezelfde architectuur of het schrijfpad nu Hy-Memory-30B-A3B draait of een algemeen model met een aangeplakte geheugenprompt. Voor de router maakt het niet uit. Het ene later voor het andere omwisselen zou een aanpassing van de routingtabel moeten zijn, geen herschrijving.

Welke moet ik eerst bekijken?

Als je een langlopende agent met een geheugenframework hebt en het schrijfpad momenteel een frontier-model is waarvoor je frontier-prijzen betaalt om het bij elke beurt te draaien, dan is Hy-Memory-30B-A3B de interessantere van de twee en degene met een specifiek, gekwantificeerd probleem om op te lossen. Ga er eens naar kijken — maar ga met het besef dat je eerste taak het bouwen van de hardware is om het op te testen, en dat geen enkele derde partij de 55,49 nog heeft bevestigd.

Als je één open-weight model nodig hebt dat redeneert, tools aanroept en op een kaart draait die je zelf bezit, is Granite 4.2 30B het model om deze week te evalueren. Het is twee maanden oud, de kwantisaties bestaan, en de gepubliceerde cijfers zijn niet gereproduceerd — wat een normale situatie is voor een middelgroot open model en op zichzelf geen waarschuwingssignaal.

Als je het hele ding bouwt, is het eerlijke antwoord dat je waarschijnlijk beide wilt, in de twee rollen waarvoor ze zijn ontworpen, en het interessante werk is de routering tussen beide in plaats van de keuze tussen beide.