Lançamento discreto do Hy-Memory-30B-A3B: Tencent colocou um escritor de memória no Hugging Face sem post de lançamento

Hy-Memory-30B-A3B é um modelo de mistura de especialistas com 30 bilhões de parâmetros da equipe Hunyuan que não responde a perguntas. Ele escreve memória. Ele decide o que um agente de longa execução deve manter, com que precisão formulá-lo, e como um novo fato deve sobrescrever um antigo dentro de um banco de memória persistente — a etapa que todo framework de agentes, até agora, tem delegado a um modelo de chat de uso geral. Os pesos foram publicados no Hugging Face em 15 de outubro de 2026, o relatório técnico foi divulgado no mesmo dia sob o identificador arXiv 2610.22196, o repositório do GitHub foi aberto naquela tarde, e a tag v1.0.0 foi criada em 16 de outubro. No momento em que escrevo, o repositório registra zero downloads e uma contagem de curtidas de um dígito no cartão do modelo. Não há página de lançamento do fornecedor, nem preços, nem endpoint hospedado, nem qualquer anúncio que tenhamos conseguido encontrar fora do próprio README do projeto. Benchmarks envelhecem e preços mudam; o registro de falhas não: os incidentes documentados de IA e falhas de agentes por trás dos modelos dessa classe estão reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de contestação.

That is the honest shape of this release: a paper, a repo, a checkpoint, and an evaluation table that claims to beat Claude Opus 5. Everything below is either read directly out of the repository or labelled as the vendor's own unverified claim. Nothing here has been reproduced by a third party, because nothing here has been run by a third party.

O que está realmente no repositório, e o que não está

Os fatos verificáveis, um por linha:

• Modelo — tencent/Hy-Memory-30B-A3B, publicado sob Apache 2.0, marcado como inglês e chinês.

• Tamanho — 30B parâmetros no total, aproximadamente 3B ativos por token, que é o que o sufixo A3B significa.

• Arquitetura — 48 camadas, das quais 1 é um bloco denso feed-forward e 47 são blocos MoE esparsos; 128 especialistas por bloco com roteamento top-8 mais um especialista compartilhado; dimensão oculta de 2.048; largura intermediária do especialista de 768; 32 cabeças de atenção em relação a 4 cabeças chave-valor com normalização query-key; um roteador sigmoide com um termo de viés de especialista.

• Contexto — 262.144 posições do arquivo de configuração, com uma base RoPE de 11.158.840.

• Pegada — 51 shards safetensors totalizando cerca de 60,1 GB em BF16.

• Servido com — vLLM, testado com a v0.31.0, por trás de um endpoint compatível com OpenAI. O card não nomeia nenhum outro runtime nem provedor de inferência.

• Não presente — não há GGUF, nem build FP8 ou NVFP4, nem fine-tune, nem quantização, e nenhum derivado de qualquer tipo no índice de busca do Hugging Face. A equipe lançou um checkpoint BF16 em uma única precisão.

Essa última linha importa mais do que aparenta. A equipe do Granite lançou versões FP8, MXFP4, NVFP4 e GGUF do Granite 4.2 30B poucos dias depois dos pesos base. A Liquid AI disponibiliza um GGUF Q4_K_M do LFM2.5-24B-A2B com 14,5 GB. Esses fornecedores estão dizendo onde esperam que o modelo seja executado. Um checkpoint BF16 de 60 GB sem caminho de quantização indica que este é voltado para quem já tem as GPUs — muito provavelmente as pessoas que operam infraestrutura de memória em escala, que é exatamente o público que o cartão do modelo nomeia.

Para que o modelo realmente serve

A distinção entre um escritor de memória e um agente é o ponto central deste lançamento, e é fácil não perceber, porque o cartão do modelo se lê como qualquer outro cartão do modelo.

Um framework de agente — Mem0, MemOS, Hy-Memory, EverMemOS — fica entre uma conversa e um armazenamento persistente. A cada turno, algo precisa ler a troca de mensagens recebida, decidir quais fragmentos valem a pena manter, formulá-los de modo que possam ser encontrados mais tarde e conciliá-los com o que já está armazenado. Hoje, esse algo é um modelo de chat de fronteira com um prompt específico do framework acoplado. O enquadramento do problema feito pelo artigo é o custo e a transferência: um modelo geral por trás de um prompt de memória é caro de executar a cada turno, e um escritor ajustado para o protocolo de um framework não se transfere de forma limpa para o de outro.

Hy-Memory-30B-A3B is trained to be that writer across three frameworks at once — Mem0, MemOS and the project's own Hy-Memory, across chat, working and coding scenes — and it is then tested on a fourth, EverMemOS, that was held out of training entirely. The held-out harness is the most interesting design decision in the paper. Cross-framework transfer is the claim the entire model rests on, and holding one framework back is how you would test it if you were being serious about it.

The model is driven with reasoning_effort: "no_think" and temperature 0.0 in the project's own quickstart, which is a telling default. A writer does not need to deliberate; it needs to be deterministic and cheap, because it fires on every single turn.

O treinamento em duas etapas, em termos simples

O cartão descreve a receita como Memory On-Policy Distillation seguida de Attributed Memory Reinforcement Learning, e é no segundo estágio que reside a contribuição do artigo.

No primeiro estágio, um professor fornece supervisão densa sobre os estados de memória que o próprio aluno produziu — on-policy, de modo que o aluno é corrigido com base nos próprios erros, e não nas trajetórias de um professor. No segundo estágio, o framework constrói bancos de memória a partir de rollouts, pontua-os chunk a chunk e leva o banco selecionado adiante ao longo das janelas, em vez de reiniciá-lo entre elas. Essa continuidade é o que mantém o treinamento alinhado à forma como o modelo é realmente implantado, na qual um banco nunca está vazio e cada escrita se acumula sobre tudo o que foi escrito antes. O crédito é atribuído no nível do chunk, com uma penalidade explícita para o armazenamento excessivo — um escritor que guarda tudo é inútil, então a recompensa precisa precificar isso.

Nada disso é verificado de forma independente. É uma descrição coerente de um método de treinamento, publicada com um repositório que contém o código, o que é mais do que a maioria das alegações de lançamento costuma trazer.

A avaliação, lida da forma como deveria ser lida

Here is the headline, and here is everything wrong with taking it at face value.

• Hy-Memory-30B-A3B — média macro de 55.49 em quatro harnesses.

• Claude Opus 5 — 54.62.

• DeepSeek V4.1 Flash — 53,64.

• Hy3 — 51,63.

• Qwen3.6-35B-A3B — 50,37.

• Qwen3-30B-A3B — 44,37.

A 3B-active specialist beating a frontier model by 0.87 of a point on a memory task is a plausible result — the task is narrow and the specialist was trained for it, which is the same argument that makes small code-completion models competitive on single-file edits. But the caveats are load-bearing. Every benchmark in the main matrix runs on a fixed 20% subsample rather than the full set. The evaluation changes only the writer, holding the harness, prompts, retrieval configuration, answer model and judge fixed, which is the right experimental design, but the design and the harness are the project's own. The per-harness spread is also wider than the macro average suggests: the model leads on Mem0 at 54.02 and Hy-Memory at 60.55, and its MemOS result of 50.51 is 0.01 of a point above Claude Opus 5's 50.50 — a dead heat dressed as a win. Its strongest number, 56.89 on the held-out EverMemOS harness, is the one that would matter most if it reproduced, and the one nobody has tried to reproduce.

Trate tudo isso como relato do fornecedor. Não como suspeito — mas como não reproduzido, o que é outra coisa. Um modelo lançado ontem, com um repositório e um artigo, conquistou o direito de ser testado, não o direito de ser acreditado.

Essa página é a única fonte primária de todo o lançamento. Não há post de blog, nem anúncio do fornecedor, nem análise de terceiros para cruzar com ela.

O que ainda não foi confirmado, dito claramente.

• Não existe nenhum benchmark independente de qualquer tipo. Nada no Artificial Analysis, nenhuma colocação em arena, nenhuma execução de harness de terceiros.

• Sem reprodução da tabela cross-harness. O resultado held-out do EverMemOS, em particular, é uma única execução de um fornecedor.

• Nenhum valor de custo no mundo real. As gravações de memória são uma carga de trabalho de alta frequência e saída curta, mas ninguém publicou tokens por gravação nem um custo por conversa neste modelo.

• Sem quantização, portanto nenhum consumo de memória medido abaixo de 60 GB.

• Nenhuma evidência sobre o que ele faz quando o framework de memória muda seu protocolo — o artigo testa a transferência entre frameworks, não entre versões de um mesmo framework.

• Se a equipe pretende hospedá-lo. O card afirma que o modelo não é implantado por nenhum provedor de inferência, e nada no repositório sugere que um endpoint hospedado esteja por vir.

Se você quiser executá-lo, e onde um roteador se encaixa

Realisticamente, esta é uma decisão de self-hosting. O caminho no card é o vLLM 0.31.0 por trás de uma API compatível com OpenAI, o que significa que o modelo encaixa numa infraestrutura existente como uma troca de URL base. Essa é a parte barata. A parte cara é que um checkpoint BF16 de 60 GB sem um equivalente quantizado exige hardware sério antes mesmo de escrever uma única vez na memória.

Vale a pena ser preciso sobre o que um roteador faz e não faz aqui. O Hy-Memory-30B-A3B não está no catálogo do OrcaRouter e nós não o hospedamos — o caminho até ele é o checkpoint e suas próprias GPUs. O que um roteador cobre é a outra metade do harness. Um escritor de memória é invocado junto com um modelo de resposta, e o modelo de resposta geralmente é um modelo de fronteira hospedado que lê o banco de volta e responde. O OrcaRouter oferece a você uma única chave de API entre mais de 200 modelos hospedados com 0% de markup, então os cortes de preço dos provedores são repassados no mesmo dia, com failover automático se um backend se degradar. A DSL de roteamento é a peça que se encaixa especificamente nesta arquitetura: ela compõe um endpoint auto-hospedado e um hospedado em uma única chamada, que é exatamente o formato de um sistema de memória — um especialista barato no caminho de escrita, um modelo de fronteira no caminho de leitura, uma única chave à frente de ambos.

Vale a pena construir o padrão mesmo antes de você ter o escritor em execução, porque ele é idêntico quer o caminho de escrita seja o Hy-Memory-30B-A3B, quer seja um modelo geral com um prompt de memória. O roteador não se importa com qual dos dois é usado, e trocar um pelo outro mais tarde deve ser uma edição na tabela de roteamento, não uma reescrita.

O que assistir

Três coisas fariam isto passar de um artigo para um produto. Uma build quantizada: um checkpoint FP8 ou Q4 é a diferença entre um modelo de datacenter e um que alguém consegue avaliar numa workstation, e a sua ausência é o maior obstáculo para qualquer pessoa verificar os números. Uma execução independente de harness: a alegação de transferência EverMemOS em held-out é a tese inteira, e merece ser testada por alguém sem qualquer interesse nela. E um endpoint hospedado: não porque a auto-hospedagem esteja errada, mas porque o design do próprio modelo — determinístico, sem pensamento, saídas curtas, disparado a cada turno — se encaixa naturalmente numa API, e a sua ausência sugere que a equipa vê isto como infraestrutura que entrega a pessoas que já operam infraestrutura.

Até então, a postura correta é aquela que o próprio lançamento convida. Leia o repositório, execute o quickstart em qualquer hardware que você tenha e trate a tabela como uma hipótese.