Hy-Memory-30B-A3B vs Qwen3.8-27B: Specjalista nie jest rywalem — to zamiennik do pracy, za którą już płacisz generaliście.

Nikt nie wybiera między Hy-Memory-30B-A3B a Qwen3.8-27Bpod względem możliwości, bo nie ścigają się w tej samej lidze. Qwen3.8-27B to gęsty model wizyjno-językowy laboratorium z 27 miliardami parametrów — Apache 2.0, natywny kontekst 262 144 tokenów, wydany 14 sierpnia 2026, i udostępniany w OrcaRouter za 0,33 USD za milion tokenów wejściowych i 2,40 USD za milion wyjściowych. Hy-Memory-30B-A3B to pisarz pamięci zespołu Hunyuan — 30 mld parametrów łącznie, z około 3 mld aktywnych, otwartoźródłowy 15 października 2026, i nieudostępniany nigdzie, także przez nas. Jeden to generalista, którego można wynająć za tokeny. Drugi to komponent, który musisz hostować samodzielnie. Benchmarki się starzeją, a ceny się zmieniają; rejestr awarii nie: udokumentowane incydenty AI i awarie agentów stojące za modelami tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności i oznaczenie spornego charakteru.

Powód, dla którego mimo wszystko stawia się je obok siebie, jest taki, że Hy-Memory-30B-A3B istnieje po to, by zastąpić konkretną rzecz, a tą rzeczą bardzo często jest Qwen3.8-27B. Frameworki pamięci wywołują model ogólnego przeznaczenia przy każdej turze, aby zdecydować, co zachować. Jeśli do tego używasz Qwen3.8-27B — a przy $0.33/$2.40 to naturalny wybór — to uczciwe pytanie nie brzmi, który model jest lepszy. Brzmi ono: czy specjalista z 3B aktywnymi parametrami wykonuje tę samą pracę wystarczająco dobrze, by uzasadnić ten sprzęt — a z tym pytaniem wiąże się cena, którą można faktycznie obliczyć.

Czym jest Qwen3.8-27B, w kategoriach istotnych dla systemu pamięci

Dense, co oznacza, że każdy z jego parametrów jest odczytywany dla każdego tokenu. 64 warstwy przy rozmiarze ukrytym 5120, ze wzorcem 16 do 1, naprzemiennie bloki liniowej uwagi Gated DeltaNet i bloki pełnej uwagi — projekt, który sprawia, że okno o rozmiarze ćwierć miliona tokenów jest w ogóle możliwe do obsłużenia. Przyjmuje tekst, obrazy i wideo, a zwraca tekst, co ma tutaj znaczenie z przyziemnego powodu: duża część tego, co ludzie chcą, aby agent pamiętał, przychodzi jako zrzut ekranu lub dokument, a nie jako proza.

Własna karta dostawcy podaje 90,3 w LiveCodeBench v6, 89,2 w GPQA Diamond, 73,0 w Terminal-Bench 2.1, 84,3 w OSWorld-Verified i 79,5 w IFBench — wszystkie raportowane przez dostawcę, niepowtórzone przez nas ani przez nikogo, na kogo moglibyśmy wskazać, konkretnie w przypadku obciążenia związanego z zapisywaniem pamięci. Od premiery model zdobył niezależne pozycje, w tym miejsce w pierwszej dziesiątce rankingu areny tworzenia stron internetowych, ale żadna z nich nie mierzy, czy dobrze zapisuje pamięć. Jak dotąd nie mierzy tego nic.

Tym, co czyni go obecnym domyślnym wyborem do tego zadania, nie są żadne z tych wyników. Jest nim to, że precyzyjnie wykonuje instrukcje, akceptuje schemat JSON, ma okno 262K, dzięki czemu można mu przekazać długą rozmowę bez gimnastyki z dzieleniem na fragmenty, i jest wystarczająco tani, by uruchamiać go w każdej turze.

Powyższa strona to praktyczna różnica między tymi dwoma modelami na jednym ekranie: Qwen3.8-27B ma stawkę i trasę, a Hy-Memory-30B-A3B nie ma ani jednego, ani drugiego.

Co Hy-Memory-30B-A3B robi inaczej

Model Hy-Memory jest trenowany dokładnie do jednego zadania i jego karta mówi o tym bez ogródek: zastępuje LLM ogólnego przeznaczenia wewnątrz Mem0, MemOS i Hy-Memory, decydując, jakie informacje zachować, jak precyzyjnie je reprezentować i jak nowe dowody powinny aktualizować trwały bank. Następnie jest oceniany na EverMemOS, frameworku w całości wyłączonym z treningu — to jedna decyzja projektowa w tym wydaniu, która zasługuje na największe uznanie, ponieważ transfer między frameworkami jest całym założeniem.

Jej trening jest dwuetapowy, a ciekawszy jest ten drugi etap. Memory On-Policy Distillation dostarcza gęstego nadzoru na stanach pamięci, które student wytworzył samodzielnie. Attributed Memory Reinforcement Learning buduje następnie banki z rolloutów, ocenia je fragment po fragmencie, karze nadmierne przechowywanie i — a to właśnie ta część, która sprawia, że trening pozostaje rzetelny — przenosi wybrany bank dalej przez kolejne okna, zamiast resetować go między nimi. Wdrożony bank nigdy nie jest pusty, więc trenowanie go względem pustego banku oznaczałoby przygotowywanie go na sytuację, która nie istnieje.

Architektonicznie ma 48 warstw: jeden gęsty blok i 47 rzadkich bloków MoE, 128 ekspertów przy routingu top-8 oraz wspólnego eksperta, kontekst o długości 262 144 pozycji i 60,1 GB wag BF16 w 51 shardach. Nie opublikowano skwantyzowanej wersji.

Robić arytmetykę, której karty nie robią

Oba modele uruchamiają się przy każdej turze długiej rozmowy. To sprawia, że ścieżka zapisu staje się problemem wolumenu, a wolumen to obszar, w którym powinna się uwidocznić mniejsza liczba aktywnych parametrów modelu specjalistycznego.

Przyjmij konkretne, podane założenie, a nie zmierzone: moduł zapisujący przetwarza około 800 tokenów rozmowy na turę i generuje około 150 tokenów ustrukturyzowanej pamięci. W ciągu 1000 tur to 800 000 tokenów wejściowych i 150 000 tokenów wyjściowych na użytkownika. W cenniku OrcaRouter dla Qwen3.8-27B — cena katalogowa dostawcy przekazywana przy 0% narzutu, czyli 0,33 USD i 2,40 USD za milion — ta rozmowa kosztuje około 0,26 USD na wejściu i 0,36 USD na wyjściu, czyli około 0,62 USD, plus to, ile kosztuje ścieżka odczytu, gdy model odpowiedzi otwiera bank. To arytmetyka na publikowanych stawkach, a nie benchmark, a twoja liczba tokenów na turę będzie inna.

Dla Hy-Memory-30B-A3B te same 1 000 tur nie kosztuje nic w przeliczeniu na token, a miesięcznie — coś znacznie większego, ponieważ nie ma cennika. Model jest hostowany samodzielnie, a samodzielny hosting 60 GB w BF16 bez skwantyzowanej alternatywy oznacza akcelerator z pamięcią wystarczającą, by go pomieścić — zanim jeszcze dowiesz się, czy średnia makro 55,49 się utrzyma.

Nie chodzi więc o wybór między tanim a drogim. To rozliczanie za zużycie kontra nakłady kapitałowe, a punkt przecięcia zależy w całości od tego, ile tur faktycznie zapisujesz miesięcznie. Zespół prowadzący kilka tysięcy rozmów miesięcznie prawie na pewno lepiej wyjdzie, płacąc stawkę za token Qwen3.8-27B i w ogóle nie zajmując się kwestią sprzętu. Zespół zapisujący pamięć w milionach tur tak czy inaczej eksploatuje sprzęt, a wtedy specjalista staje się interesujący.

Powyższa karta to punkt, od którego zaczyna się arytmetyka: za stawką 0,33 USD stoi możliwy do pobrania checkpoint 27B, a jeśli Twój wolumen jest wystarczająco duży, by uzasadnić uruchomienie go samodzielnie, jest to obsługiwana ścieżka, za którą stoją opublikowane kwantyzacje.

Trzy rzeczy, które ukrywa porównanie cen

Koszt na token to najłatwiejsza oś i jednocześnie najmniej rozstrzygająca. Trzy pozostałe mają większe znaczenie.

Multimodalność. Qwen3.8-27B przyjmuje obrazy i wideo. Karta Hy-Memory-30B-A3B określa wejście tekstowe, angielski i chiński. Jeśli pamięć twojego agenta obejmuje zrzuty ekranu, zeskanowane dokumenty lub klatki wideo, generalista wykonuje pracę, której specjalista strukturalnie nie może wykonać, a żadna przewaga kosztowa tego nie zniweluje.

Kontekst. Oba podają 262 144 pozycji, co jest prawdziwym zbiegiem okoliczności — i to przydatnym: żaden nie ma przewagi w tym, ile rozmowy możesz mu przekazać za jednym razem.

Opublikowana precyzja. Qwen3.8-27B jest udostępniany jako BF16, z oficjalną kompilacją FP8 i konwersjami GGUF od kilku wydawców, a OrcaRouter udostępnia wersję block-FP8 z wieżą wizyjną w pełnej precyzji. Hy-Memory-30B-A3B jest udostępniany jako BF16 i nic więcej. Ten wiersz decyduje o tym, czy możesz go ocenić na pożyczonej karcie, czy musisz zarezerwować jedną.

Odpowiedź dotycząca routingu, która różni się w zależności od tego, który model wybierzesz.

Tu właśnie obie ścieżki rozchodzą się wyraźnie i warto zachować precyzję zamiast tonu promocyjnego.

Qwen3.8-27B znajduje się w katalogu OrcaRouter. Wywołujesz go tym samym kluczem API co ponad 200 innych modeli, w cenie katalogowej dostawcy z 0% marży — więc obniżka ceny od dostawcy obowiązuje tu tego samego dnia, a nie dopiero w kolejnym cyklu rozliczeniowym — z automatycznym przełączaniem awaryjnym w razie degradacji backendu. W przypadku harnessu pamięci najbardziej przydatna jest DSL routingu: komponuje ona kilka modeli w jedno wywołanie, dzięki czemu uruchamiasz model piszący i model odpowiadający za jednym punktem końcowym, bez budowania drugiego klienta. Fuzja modeli, która uruchamia panel modeli odpowiadających wspólnie, to narzędzie do empirycznego ustalenia, czy wyspecjalizowany model piszący tworzy lepsze banki pamięci niż model ogólny — uruchom oba na tej samej rozmowie, porównaj odpowiedzi i przestań się o to spierać.

Hy-Memory-30B-A3B nie znajduje się w naszym katalogu i nie hostujemy go. Droga do niego prowadzi przez checkpoint od zespołu i własny sprzęt. Jeśli hostujesz go samodzielnie, router i tak obsługuje resztę pętli — hostowany model odpowiedzi, który odczytuje bank z powrotem, wywołania planowania wokół niego — i pozwala zarejestrować własny endpoint obok hostowanych, dzięki czemu failover i dostęp jednym kluczem obejmują oba.

Kto co powinien zrobić?

Jeśli dziś zajmujesz się zapisywaniem pamięci na hostowanym modelu ogólnym, uczciwym pierwszym pytaniem nie jest to, czy warto się przełączyć. Lecz ile tur faktycznie zapisujesz miesięcznie. Poniżej progu, który tylko Ty możesz obliczyć, Qwen3.8-27B przy rozliczeniu za token jest racjonalnym wyborem, a wymagania sprzętowe Hy-Memory-30B-A3B to rozproszenie uwagi — zwłaszcza jeśli Twoja pamięć zawiera obrazy, gdzie specjalista nie ma nic do zaoferowania.

Jeśli zapisujesz pamięć w takiej skali, że koszt na token stał się realną pozycją budżetową, to Hy-Memory-30B-A3B jest pierwszym otwartym modelem wymierzonym wprost w tę pozycję, a fakt, że przetestowano go na wydzielonym frameworku, jest oznaką, że ktoś pomyślał o generalizacji, a nie o demie. Poczekaj na wersję skwantyzowaną. Poczekaj, aż ktoś spoza zespołu uruchomi zestaw testowy. Wtedy zdecyduj.

A jeśli jesteś po prostu ciekaw, czy specjalista bije generalistę na Twoim własnym ruchu, ten eksperyment jest tani w przygotowaniu, a odpowiedź będzie dotyczyć konkretnie Twoich danych, a nie którejkolwiek z tych dwóch kart.

Na koniec jeszcze jedna rzecz, którą karta modelu mówi wprost, a tabele nie. Hy-Memory-30B-A3B jest objęty licencją Apache 2.0, co oznacza, że powyższy eksperyment możesz przeprowadzić komercyjnie, na własnych danych, bez rozmowy z czyimkolwiek działem prawnym. To najsilniejszy argument, jaki ma ten model, i jest niezależny od tego, czy 55.49 się odtworzy.