Hy-Memory-30B-A3B vs. Qwen3.8-27B: O especialista não é o rival — é o substituto para o trabalho que você já está pagando um generalista para fazer

Ninguém está escolhendo entre Hy-Memory-30B-A3B e Qwen3.8-27B com base em capacidade, porque eles não estão na mesma corrida. O Qwen3.8-27B é o modelo denso de visão-linguagem de 27 bilhões de parâmetros do laboratório — Apache 2.0, contexto nativo de 262.144 tokens, lançado em 14 de agosto de 2026, e servido no OrcaRouter a US$ 0,33 por milhão de tokens de entrada e US$ 2,40 por milhão de saída. O Hy-Memory-30B-A3B é o escritor de memória da equipe Hunyuan — 30B no total, com cerca de 3B ativos, aberto em 15 de outubro de 2026, e não é servido em lugar nenhum, inclusive por nós. Um é um generalista que você pode alugar por token. O outro é um componente que você mesmo precisa hospedar. Os benchmarks envelhecem e os preços mudam; o registro de falhas, não: os incidentes de IA e falhas de agentes documentados por trás de modelos dessa classe estão reunidos em o Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.

A razão para colocá-los lado a lado de qualquer forma é que o Hy-Memory-30B-A3B existe para substituir uma coisa específica, e essa coisa é muito frequentemente um Qwen3.8-27B. Frameworks de memória chamam um modelo de uso geral a cada turno para decidir o que manter. Se você está executando o Qwen3.8-27B para isso — e, a $0.33/$2.40, ele é uma escolha natural —, então a pergunta honesta não é qual modelo é melhor. É se um especialista com 3B ativos faz o mesmo trabalho bem o suficiente para justificar o hardware, e essa pergunta tem um preço associado que você consegue de fato calcular.

O que é o Qwen3.8-27B, nos termos que um sistema de memória considera relevantes

Denso, o que significa que cada um de seus parâmetros é lido para cada token. 64 camadas com tamanho oculto de 5.120, com um padrão de 16 para 1 alternando blocos de atenção linear do Gated DeltaNet e blocos de atenção completa — um design que é o que torna minimamente viável servir uma janela de um quarto de milhão de tokens. Ele recebe texto, imagens e vídeo como entrada e retorna texto, o que importa aqui por um motivo prosaico: grande parte do que as pessoas querem que um agente se lembre chega como uma captura de tela ou um documento, e não como prosa.

A própria ficha do fornecedor afirma 90,3 no LiveCodeBench v6, 89,2 no GPQA Diamond, 73,0 no Terminal-Bench 2.1, 84,3 no OSWorld-Verified e 79,5 no IFBench — todos reportados pelo fornecedor, não reproduzidos por nós nem por ninguém que possamos indicar especificamente para a carga de trabalho de escrita de memória. O modelo conquistou colocações independentes desde o lançamento, incluindo um lugar entre os 10 primeiros em um ranking de arena de desenvolvimento web, mas nenhuma delas mede se ele escreve uma boa memória. Nada mede isso ainda.

O que o torna a escolha natural para este trabalho não é nenhuma dessas pontuações. É que ele segue instruções com precisão, aceita um esquema JSON, tem uma janela de 262K para que você possa entregar a ele uma conversa longa sem malabarismos de fragmentação, e é barato o suficiente para executar em cada turno.

A página acima mostra, em uma única tela, a diferença prática entre esses dois modelos: o Qwen3.8-27B tem uma taxa e uma rota, e o Hy-Memory-30B-A3B não tem nenhuma das duas.

O que o Hy-Memory-30B-A3B faz de diferente

O modelo Hy-Memory é treinado para exatamente uma tarefa e seu cartão diz isso sem meias-palavras: ele substitui o LLM de uso geral dentro do Mem0, do MemOS e do Hy-Memory, decidindo quais informações reter, com que precisão representá-las e como novas evidências devem atualizar um banco persistente. Ele é então avaliado no EverMemOS, um framework mantido inteiramente fora do treinamento — a decisão de design do lançamento que mais merece crédito, porque a transferência entre frameworks é a premissa inteira.

Seu treinamento é em dois estágios, e o segundo estágio é o interessante. Memory On-Policy Distillation fornece supervisão densa sobre estados de memória que o próprio aluno produziu. Attributed Memory Reinforcement Learning então constrói bancos a partir de rollouts, pontua-os bloco a bloco, penaliza o armazenamento excessivo e — esta é a parte que mantém o treinamento honesto — leva o banco selecionado adiante ao longo das janelas, em vez de reiniciá-lo entre elas. Um banco implantado nunca está vazio, então treiná-lo contra um banco vazio seria treiná-lo para uma situação que não existe.

Arquiteturalmente, são 48 camadas, um bloco denso e 47 blocos MoE esparsos, 128 especialistas com roteamento top-8 mais um especialista compartilhado, um contexto de 262.144 posições e 60,1 GB de pesos BF16 distribuídos em 51 shards. Nenhuma versão quantizada foi publicada.

Fazendo as contas que os cartões não fazem

Ambos os modelos disparam a cada turno de uma conversa longa. Isso transforma o caminho de escrita em um problema de volume, e é no volume que a contagem menor de parâmetros ativos de um especialista deve se destacar.

Considere uma premissa concreta e declarada, em vez de uma medida: um writer processa cerca de 800 tokens de conversa por turno e emite cerca de 150 tokens de memória estruturada. Ao longo de 1.000 turnos, isso dá 800.000 tokens de entrada e 150.000 tokens de saída por usuário. Na tabela de preços do OrcaRouter para o Qwen3.8-27B — o preço de tabela do fornecedor repassado com margem de 0%, ou seja, $0.33 e $2.40 por milhão —, essa conversa custa cerca de $0.26 de entrada e $0.36 de saída, aproximadamente $0.62, mais o que custar o caminho de leitura quando um modelo de resposta abre o banco. Isso é aritmética sobre tarifas publicadas, não um benchmark, e seus tokens por turno vão variar.

Para o Hy-Memory-30B-A3B, os mesmos 1.000 turnos não custam nada por token e custam algo consideravelmente maior por mês, porque não há tabela de preços. O modelo é autoalojado, e autoalojar 60 GB de BF16 sem alternativa quantizada exige um acelerador com memória suficiente para o suportar — antes de saber se a média macro de 55.49 se mantém.

Então, a escolha não é entre barato e caro. É tarifado por uso contra capital, e o ponto de cruzamento depende inteiramente de quantos turnos você realmente escreve por mês. Uma equipe que realiza alguns milhares de conversas por mês quase certamente sai ganhando ao pagar a tarifa por token do Qwen3.8-27B e nunca precisar lidar com a questão do hardware. Uma equipe que grava memória em milhões de turnos vai usar hardware de qualquer forma, e o especialista se torna interessante.

O card acima é onde a aritmética começa: há um checkpoint 27B disponível para download por trás da tarifa de $0,33, e se o seu volume for alto o suficiente para justificar executá-lo por conta própria, esse é um caminho suportado com quantizações publicadas por trás dele.

Três coisas que a comparação de preços esconde

O custo por token é o eixo mais fácil e o menos decisivo. Outros três importam mais.

Multimodalidade. O Qwen3.8-27B aceita imagens e vídeo. O cartão do Hy-Memory-30B-A3B especifica entrada de texto, em inglês e chinês. Se a memória do seu agente inclui capturas de ecrã, documentos digitalizados ou fotogramas de vídeo, o generalista está a fazer um trabalho que o especialista, estruturalmente, não consegue fazer, e nenhuma vantagem de custo compensa isso.

Contexto. Ambos publicam 262.144 posições, o que é uma coincidência genuína e útil — nenhum deles leva vantagem na quantidade de conversa que você pode entregar de uma só vez.

Precisão publicada. O Qwen3.8-27B é distribuído em BF16 com uma build oficial em FP8 e conversões GGUF de vários publicadores, e o OrcaRouter disponibiliza uma versão block-FP8 com a torre de visão em precisão total. O Hy-Memory-30B-A3B é distribuído em BF16 e nada mais. Essa linha decide se você pode avaliá-lo em uma placa emprestada ou se precisa reservar uma.

A resposta de roteamento, que é diferente dependendo de qual modelo você escolher

É aqui que os dois caminhos se separam de forma clara, e vale a pena ser preciso em vez de promocional.

Qwen3.8-27B está no catálogo da OrcaRouter. Você o chama pela mesma chave de API usada por cerca de 200 outros modelos, ao preço de tabela do provedor com 0% de acréscimo — então um corte de preço do provedor já vale aqui no mesmo dia, em vez de no próximo ciclo de cobrança — com failover automático se um backend se degradar. Para um harness de memória, a parte útil é a DSL de roteamento: ela compõe vários modelos em uma única chamada, que é como você executa um redator e um modelo de resposta atrás de um único endpoint sem construir um segundo cliente. Fusão de modelos, que executa um painel de modelos que respondem em conjunto, é a ferramenta para descobrir empiricamente se um redator especializado produz bancos de memória melhores do que o generalista — execute ambos na mesma conversa, compare as respostas e pare de discutir sobre isso.

O Hy-Memory-30B-A3B não está no nosso catálogo e não o hospedamos. A rota até ele é o checkpoint da equipe e o seu próprio hardware. Se você o hospedar por conta própria, um roteador ainda cobre o restante do loop — o modelo de resposta hospedado que lê o banco de volta, as chamadas de planejamento em torno dele — e permite que você registre seu próprio endpoint ao lado dos hospedados, para que failover e acesso com uma única tecla se apliquem a ambos.

Quem deve fazer o quê

Se você está executando escrita de memória em um generalista hospedado hoje, a primeira pergunta honesta não é se deve trocar. É quantos turnos você realmente escreve por mês. Abaixo de um limiar que só você pode calcular, o Qwen3.8-27B a uma taxa por token é a escolha racional, e o requisito de hardware do Hy-Memory-30B-A3B é uma distração — especialmente se sua memória contém imagens, caso em que o especialista não tem nada a oferecer.

Se você está escrevendo memória em um volume em que a linha por token se tornou um item orçamentário de verdade, o Hy-Memory-30B-A3B é o primeiro modelo aberto voltado diretamente para essa linha, e o fato de ele ter sido testado contra um framework reservado é o sinal de que alguém pensou em generalização, e não em uma demonstração. Espere por uma build quantizada. Espere que alguém de fora da equipe execute o harness. Só então decida.

E se você estiver simplesmente curioso para saber se um especialista supera um generalista no seu próprio tráfego, o experimento é barato de montar, e a resposta será específica aos seus dados, e não a um ou outro card.

Uma última coisa que o card deixa clara e que as tabelas não deixam. O Hy-Memory-30B-A3B está licenciado sob Apache 2.0, o que significa que o experimento acima é um que você tem permissão para executar comercialmente, com seus próprios dados, sem precisar de uma conversa com a equipe jurídica de ninguém. Esse é o argumento mais forte que o modelo tem, e é independente de o 55.49 se reproduzir.