Hy-Memory-30B-A3B kontra Granite 4.2 30B: Model zapisujący pamięć i model rozumujący to nie ten sam zakup

Hy-Memory-30B-A3B i Granite 4.2 30B mają po około 30 miliardów parametrów, oba z otwartymi wagami, oba na licencji Apache 2.0, oba wydane w odstępie siedmiu tygodni od siebie — i nie są dla siebie zamiennikami w żadnym sensie, jaki rozpoznałby arkusz kalkulacyjny działu zakupów. Hy-Memory-30B-A3B, udostępniony jako otwarte źródło przez zespół Hunyuan 15 października 2026 r., robi jedną rzecz: realizuje ścieżkę zapisu wewnątrz frameworka pamięci długoterminowej, decydując, co agent zachowuje i jak nowe dowody to nadpisują. Granite 4.2 30B, opublikowany przez IBM na Hugging Face 25 sierpnia 2026 r., to gęsty model rozumowania ogólnego przeznaczenia z możliwością wyboru trybów myślenia, wywoływaniem narzędzi i kontekstem 128K, który można rozciągnąć do 512K. Jeden to komponent. Drugi to asystent. Ta różnica między tym, co mierzy tablica wyników, a tym, z czym mierzy się wdrożenie, jest powodem, dla którego ten zapis ma znaczenie: udokumentowane awarie AI i incydenty z agentami wokół modeli tej klasy są gromadzone w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności i flagę sporu.

Kuszące porównanie — zestawić ich tabele benchmarków i zobaczyć, kto wygrywa — jest niewłaściwym porównaniem, i to w sposób, który mógłby cię kosztować pieniądze. Nie zostały ocenione na tych samych zadaniach, nie są wdrażane w ten sam sposób, a jednego z nich nie można pobrać w formie, którą większość ludzi może uruchomić. To, co następuje, jest porównaniem, które faktycznie coś rozstrzyga: do czego każde z nich służy, ile kosztuje cię w sprzęcie i czy potrzebujesz jednego, drugiego, czy obu.

Zacznij od osi, która je oddziela

Granite 4.2 30B jest gęsty, co oznacza, że każdy jego parametr jest odczytywany przy każdym generowanym tokenie. Ma trzy tryby rozumowania — pełne myślenie, niski nakład pracy i brak — wybierane dla każdego żądania, a do dostrojenia go po treningu wstępnym użyto agentowego uczenia ze wzmocnieniem ukierunkowanego na terminale, wykonywanie kodu i wyszukiwanie w internecie wewnątrz piaskownicy. Karta IBM podaje 57,00 w SWE-Bench Verified, 29,24 w Terminal-Bench 2.1, 89,17 w AIME 2025 i 77,60 w MMLU-Pro. Są to wyniki podane przez dostawcę i nie zostały niezależnie odtworzone, a model ma dwa miesiące — na tyle dużo, że brak niezależnych wyników jest lekko zastanawiający, ale nie dyskwalifikujący.

Hy-Memory-30B-A3B jest rzadki (sparse), co oznacza, że zawiera 30 miliardów parametrów, ale odczytuje około 3 miliardów na token, i został wytrenowany do jednego zadania. Karta Hy-Memory opisuje go jako zastępujący ogólnego przeznaczenia LLM wewnątrz Mem0, MemOS i Hy-Memory — decydujący o tym, co zachować, jak to precyzyjnie przedstawić i jak nowe dowody aktualizują trwały bank pamięci. Następnie przetestowano go na EverMemOS, frameworku całkowicie wyłączonym z treningu, co jest najbliższym odpowiednikiem prawdziwego testu generalizacji w obu tych wydaniach. Jego główne twierdzenie: średnia makro 55,49 w czterech zestawach testowych wobec 54,62 dla Claude Opus 5.Również raportowane przez dostawcę, również nieodtworzone i — w odróżnieniu od liczb Granite — oceniane na stałej 20% podpróbie każdego benchmarku, a nie na pełnym zbiorze.

Zatem tych wyników nie da się porównać. Wynik Granite’a wynoszący 57,00 w SWE-Bench Verified i średnia makro Hy-Memory wynosząca 55,49 to liczby z różnych dyscyplin, a umieszczenie ich w jednej kolumnie byłoby kłamstwem arytmetycznym.

Warto również zauważyć, skąd pochodzą te liczby. Dane Hy-Memory znajdują się w raporcie technicznym, arXiv 2610.22196, przesłanym tego samego dnia, w którym pojawiły się wagi — źródło pierwotne jest publiczne i czytelne, co nie zawsze można powiedzieć o wielu tabelach publikowanych w dniu premiery. Dane drugiej strony znajdują się na karcie modelu. W obu przypadkach dostawca sam sobie wystawia ocenę, a żadne z nich nie przeszło przez cudze środowisko testowe.

Dane techniczne, wymiar po wymiarze

• Parametry — Hy-Memory-30B-A3B: 30B łącznie / ~3B aktywnych (MoE) w porównaniu z Granite 4.2 30B: około 29B gęstych, wszystkie parametry aktywne przy każdym tokenie.

• Kształt warstwy — 48 warstw dla Hy-Memory-30B-A3B, jeden gęsty blok feed-forward i 47 rzadkich bloków MoE, 128 ekspertów na blok przy routingu top-8 plus wspólny ekspert, w porównaniu ze standardowym gęstym transformerem typu decoder-only Granite 4.2 30B z GQA, 32 głowicami uwagi i 8 głowicami klucz-wartość.

• Kontekst — 262 144 pozycje dla Hy-Memory-30B-A3B z jego pliku konfiguracyjnego w porównaniu z 128K natywnych i 512K rozszerzonych pozycji dla Granite 4.2 30B.

• Ślad pamięciowy wag — około 60,1 GB w 51 shardach safetensors BF16 dla Hy-Memory-30B-A3B w porównaniu z około 29 mld gęstych parametrów w BF16 dla Granite 4.2 30B, wraz z opublikowanymi równolegle wersjami FP8, NVFP4/MXFP4 i GGUF.

• Opcje skwantyzowane — brak dla Hy-Memory-30B-A3B; zespół udostępnił jeden checkpoint BF16 i nic więcej. Granite 4.2 30B ma oficjalną wersję FP8, dwa formaty 4-bitowe i konwersje GGUF od kilku wydawców z społeczności.

• Sterowanie rozumowaniem — Hy-Memory-30B-A3B udostępnia reasoning_effort jako przełącznik, ale własny quickstart projektu uruchamia go w trybie no_think z temperaturą 0.0; Granite 4.2 30B ma trzy tryby myślenia, w tym pełny łańcuch rozumowania opakowany w znaczniki think.

• Licencja — Apache 2.0 dla obu, co usuwa jedno z dwóch pytań, które w przeciwnym razie zadałby przegląd prawny.

• Dostępność hostowana — żaden z modeli nie jest udostępniany przez hostowany punkt końcowy dostawcy. Karta Granite 4.2 30B wymienia dostawcę inferencji; karta Hy-Memory-30B-A3B wprost stwierdza, że żaden dostawca go nie wdraża.

• Opublikowany cel — mechanizm zapisu pamięci kontra ogólny model rozumowania. To jest wiersz, który decyduje o wszystkim powyżej.

To na poziomie sprzętu tak naprawdę podejmuje się wybór

Oto asymetria, którą ukrywa karta specyfikacji.

Hy-Memory-30B-A3B zajmuje 60 GB w BF16 i nie ma skwantyzowanej alternatywy. To nie jest model do testowania na laptopie ani taki, który uruchamia się na pojedynczej karcie stacji roboczej, żeby sprawdzić, czy twierdzenie z publikacji się potwierdza. Zespół, który chce sprawdzić liczby Hy-Memory, musi obecnie przygotować mniej więcej taki sam sprzęt jak w przypadku małego wdrożenia produkcyjnego, zanim dowie się, czy to w ogóle działa.

Granite 4.2 30B, mimo że gęsty, jest dostarczany w formach, które naprawdę możesz uruchomić już dziś. Wersje FP8 i 4-bitowe mieszczą go w pamięci pojedynczego akceleratora, a konwersje GGUF dają użyteczną wersję na sprzęcie, który ludzie już posiadają. Ten zespół celowo wydał te wersje — dostawca, który publikuje cztery formaty kwantyzacji, mówi ci, że oczekuje, iż model będzie uruchamiany przez osobę, która o nim czyta, a nie wynajmowany z centrum danych.

Nic z tego nie czyni Granite lepszym modelem. To czyni Granite modelem, o którym taniej można się dowiedzieć.

Nieoczywista odpowiedź: te należą do tego samego systemu

Agent z pamięcią długoterminową potrzebuje obu funkcji, a architektura frameworka sprawia, że ten podział jest jawny, a nie teoretyczny.

Uprząż pamięci wywołuje moduł zapisujący na ścieżce zapisu — uruchamiany co turę, krótkie wyniki, deterministyczny, i nigdy nie może wymyślić faktu, którego użytkownik nie powiedział. To całe zadanie Hy-Memory-30B-A3B, a model z 3B aktywnych parametrów w trybie no-think ma dokładnie odpowiedni do tego kształt: tani w przeliczeniu na wywołanie, bo wywołań jest mnóstwo. Granite 4.2 30B nie konkuruje o to miejsce. Jego miejsce to ścieżka odczytu i rozumowanie wokół niej — decydowanie, co zrobić z tym, co jest w banku, planowanie, wywoływanie narzędzi, tworzenie odpowiedzi. To są wywołania zwrócone ku frontierowi, w których głębia gęstego modelu rozumującego jest warta swojej wagi.

Dwa modele, dwa bardzo różne profile wywołań, a ciekawym pytaniem inżynierskim jest to, jak umieścić jeden klucz przed oboma. Do tego właśnie służy warstwa routingu. OrcaRouter DSL routingu łączy kilka modeli w jedno wywołanie — możesz skierować ścieżkę zapisu do samodzielnie hostowanego endpointu Hy-Memory-30B-A3B, a ścieżkę odczytu do hostowanego modelu frontier, i obsługiwać oba jednym kluczem API w ramach ponad 200 modeli z automatycznym przełączaniem awaryjnym, jeśli backend ulegnie degradacji. Żadnego z tych dwóch modeli nie ma w naszym katalogu i nie hostujemy żadnego z nich; kwestia dostępności obu to twój własny sprzęt lub własne kanały dostawcy. My zajmujemy się drugą połową — hostowanymi modelami, które otaczają samodzielnie hostowany writer — przy 0% narzutu na cenę katalogową dostawcy.

Ta kombinacja jest warta zrozumienia, zanim którykolwiek z tych modeli będzie dla ciebie gotowy do produkcji, ponieważ architektura jest ta sama niezależnie od tego, czy ścieżka zapisu obsługuje Hy-Memory-30B-A3B, czy model ogólnego przeznaczenia z doczepionym promptem pamięci. Router jest obojętny. Późniejsza zamiana jednego na drugi powinna być edycją tabeli routingu, a nie przepisaniem od nowa.

Na który najpierw spojrzeć?

Jeśli masz długotrwale działającego agenta z frameworkiem pamięci, a ścieżka zapisu jest obecnie modelem frontierowym, za którego uruchamianie w każdej turze płacisz ceny modeli frontierowych, to Hy-Memory-30B-A3B jest bardziej interesujący z tych dwóch i jest tym, który ma konkretny, skwantyfikowany problem do rozwiązania. Idź i spójrz na niego — ale idź ze świadomością, że twoim pierwszym zadaniem jest zbudowanie sprzętu, na którym go przetestujesz, i że żadna strona trzecia nie potwierdziła jeszcze 55,49.

Jeśli potrzebujesz jednego modelu z otwartymi wagami, który rozumuje, wywołuje narzędzia i działa na karcie, którą posiadasz, Granite 4.2 30B to ten, który warto ocenić w tym tygodniu. Ma dwa miesiące, jego kwantyzacje są dostępne, a opublikowane wyniki nie zostały odtworzone — co jest normalnym stanem dla średniej wielkości modelu otwartego i samo w sobie nie jest sygnałem ostrzegawczym.

Jeśli budujesz całość, uczciwa odpowiedź brzmi, że prawdopodobnie potrzebujesz obu — w tych dwóch rolach, do których zostały zaprojektowane — a interesująca praca polega na routingu między nimi, a nie na wyborze między nimi.