Hy Memory 2.0 har släppts: Tencent har öppnat källkoden för en minnesskrivare, ett ramverk och en Mac-app i ett enda släpp

T​encent H​unyuan släppte tre saker samtidigt den här veckan, och bara två av dem går att installera i dag. Hy-Memory-30B-A3B är en mixture-of-experts-modell med 30 miljarder parametrar vars hela uppgift är att skriva minne – att avgöra vad en agent behåller, hur den formulerar det och hur nya bevis skriver över gammalt. Hy Memory 2.0 är ramverket runt det: ett Python-paket, hy-memory, som täcker chatt-, arbets- och kodningsminne. Och MemHub är appen – en local-first-CLI och macOS-produkt som hämtar konversationshistorik och kodningsspår från tio olika AI-verktyg till en gemensam minneslagring på din egen disk. Rubriken i inlägget om lanseringen är att Hy-Memory-30B-A3B slår Claude Opus 5 inom ledande minnesramverk. Det är sant så långt det räcker, och det intressanta är hur långt det räcker: i tre av de fyra ramverken är marginalen under sex tiondels poäng, och hela jämförelsen körs på en femtedel av varje benchmark. Varje leverantörsavbrott och återställning vi har spårat loggas i Orca AI Incident Archive, som innehåller hela postuppsättningen tillsammans med angränsande poster för den här incidenten.

Allt nedan är antingen hämtat från Tencents eget förråd, paketregister och tekniska rapport, eller märkt som Tencents eget påstående. Inget här har återskapats av någon annan, eftersom ingen annan har kört det vid tiden för skrivandet.

Vad som faktiskt levererades, och när

De tre lagren landade inom ungefär 24 timmar från varandra, och versionsinformationen är ovanligt specifik om vilka av dem som är färdiga:

• Modellen — tencent/Hy-Memory-30B-A3B publicerades på Hugging Face den 15 oktober 2026 (09:52 UTC), under Apache 2.0, med den tekniska rapporten, arXiv 2610.22196, inlämnad samma dag.

• Ramverket — hy-memory==2.0.1 laddades upp till PyPI den 15 oktober 2026 kl. 17:24 UTC, och monorepot släpptes som öppen källkod samma dag. GitHub-releasetaggen v1.0.0 skapades den 16 oktober kl. 08:44 UTC.

• Appen — MemHubs release-tillgångar finns: en notariserad macOS arm64-diskavbildning på 303 MB enligt GitHubs beräkning, plus Linux arm64- och x64-runtimepaket på 245 MB och 251 MB. Windows anges som ej stött.

• Gapet — projektets egen ändringslogg säger att MemHub "ännu inte har någon offentlig utgåva", att dess källversion är 1.0.0 (build 4), och att både publicering till npm och GitHub Release-artefakter fortfarande återstår. npm-paketet som det tänker använda, memhub-cli, returnerar 404 från registret. Diskavbildningarna är bifogade till utgåvan; kommandoradsinstalleraren som ska hämta dem är inte publicerad.

Den sista punkten är värd att läsa två gånger, eftersom det är skillnaden mellan en lansering och en releasekandidat. Apple-bygget är signerat och notariserat, vilket är riktigt arbete, och releasesidan har fått en liten handfull nedladdningar. Men den dokumenterade installationsvägen börjar med ett npm-paket som inte finns vid skrivandet. Om du planerade att prova MemHub den här veckan bör du räkna med en källkodsutcheckning i stället för en enradsinstallation.

Hy-Memory-30B-A3B, modellen

Konfigurationsfilen är det minst romantiska och mest användbara dokumentet i hela utgåvan. Den beskriver en standardmässig, välförstådd MoE-form snarare än något exotiskt:

• Parametrar — 30B totalt, ungefär 3B aktiva per token, vilket är vad suffixet A3B betyder.

• Arkitektur — 48 lager, varav ett är tätt och 47 är glesa MoE-lager; 128 experter per block med top-8-routning plus en delad expert; dold storlek 2 048; expertmellanbredd 768; 32 attention-huvuden mot 4 nyckel-värde-huvuden med query-key-normalisering; en sigmoid-router med en expert-biasterm och en skalfaktor på 2,826.

• Kontext — 262 144 positioner, med en RoPE-bas på 11 158 840.

• Fotavtryck — 51 safetensors-shardar, cirka 60,1 GB i BF16. Det är den enda precisionen som Tencent släppte.

• Servering — kortet är skrivet kring vLLM, testat mot v0.31.0, bakom en OpenAI-kompatibel slutpunkt, och det namnger även SGLang och Docker Model Runner som stödda körtider. Det är inte driftsatt av någon inferensleverantör, och Hugging Faces sökindex hittar ingen GGUF, ingen FP8- eller NVFP4-build och ingen finjustering.

Den avsaknaden är det praktiska hindret. En leverantör som släpper en 60 GB BF16-checkpoint och inget annat talar om var den förväntar sig att modellen ska köras, och svaret är en maskin som du redan äger eller hyr i ett datacenter. Det finns ingen kvantiserad syskonmodell som någon kan utvärdera på en arbetsstation.

Modellen drivs med reasoning_effort: "no_think" och temperature 0.0 i Tencents egen snabbstart. En minnesskrivare aktiveras vid varje konversationsvändning för att avgöra vad som ska behållas, så att resonera är fel avvägning: den måste vara deterministisk, kort i utdata och billig. Det designvalet är också det starkaste argumentet för att modellen överhuvudtaget finns, eftersom det är exakt den arbetsbelastning där en frontier-chattmodell är som mest slösaktig.

55.49, läst så som den borde läsas

Tencent tränade skrivaren över tre minnesramverk – Mem0, MemOS och sitt eget Hy-Memory – och utvärderade den sedan på ett fjärde, EverMemOS, som hölls helt utanför träningen. Att hålla ett testramverk utanför är rätt sätt att pröva ett överföringspåstående, och överföring mellan ramverk är hela tesen i artikeln.

Resultaten, som är Tencents egna och inte reproducerade:

• Hy-Memory-30B-A3B — 55,49 i macrogenomsnitt över de fyra harnessarna.

• Claude Opus 5 — 54,62.

• DeepSeek V4.1 Flash — 53,64.

• Tencent Hy3 — 51,63.

• Qwen3.6-35B-A3B — 50,37.

• Hy3-A3B Base — 47,66, samma modell före minnesspecifik träning, vilket är varifrån den omtalade träningsvinsten på 7,8 poäng härrör.

• Qwen3-30B-A3B — 44,37.

Uppdelat per testrigg blir vinsten mindre. Mot Claude Opus 5 är marginalerna 54,02 mot 53,43 på Mem0, 60,55 mot 60,53 på Hy-Memory, 50,51 mot 50,50 på MemOS och 56,89 mot 54,04 på EverMemOS. Tre av dessa fyra är statistiskt brus som bär en lagerkrans – en ledning på två hundradelar av en poäng på Hy-Memory-testriggen är ingen ledning. Hela separationen mellan en 3B-aktiv specialist och en frontiermodell ligger i den enda testrigg som hölls utanför träningen, där gapet är 2,85 poäng och där det också är minst troligt att påståendet har trimmats mot.

Två designdetaljer spelar lika stor roll som siffrorna. Varje värde i huvudmatrisen körs på ett fast 20-procentigt delurval i stället för hela benchmarken, och utvärderingen varierar endast skribenten, medan utvärderingsramverket, promptarna, hämtningskonfigurationen, svarsmodellen och bedömaren hålls fasta. Det andra valet är god experimentell hygien — det isolerar variabeln som testas — men det är Tencents utvärderingsramverk och Tencents bedömare. Betrakta tabellen som en hypotes med ett repositorium kopplat till sig, vilket är mer än vad de flesta anspråk på lanseringsdagen levereras med och mindre än ett resultat.

Ramverkets siffror är det större påståendet.

Modelljämförelsen är det citat som T​encent lade in i inlägget. Ramverksjämförelsen är den som skulle förändra en läsares arkitektur om den håller.

På företagets egen webbplats rankas Hy Memory 2.0 som etta bland minnesramverk med öppen källkod i fyra benchmarktester – före Mem0, MemOS, EverOS, OpenViking, RepoMemory och en enkel RAG-baslinje med glidande fönster – inom de tre scener den täcker:

• Chat — 72,6 % på LoCoMo, över 1 527 icke-adversariella frågor.

• Working — 55,31 % i genomsnitt på MemoryArena (en svit för reseplanering och paketerad shopping), 10,2 poäng före nästa ramverk.

• Kodning — 64,2 % på frågebesvarande i CodeMemoryBench och 35,6 % lösningsgrad, plus 28,3 % lösningsgrad på SWE-ContextBench.

• Fotavtryck — minneslagring på 6,06 % av indata-tokens, jämfört med 31,9 % till 41,2 % för de ramverk som det jämförs mot.

Siffran för avtrycket är den som är värd att stjäla. Minnesystem misslyckas i produktion av två skäl: de glömmer fel saker, och de växer utan gräns. En bank som kostar sex procent av konversationen den sammanfattar är en annan operativ affär än en som kostar fyrtio, och det är den dimensionen som en publik inriktad på routning och kostnad bör bry sig om, oavsett om noggrannhetsordningen håller vid närmare granskning. Utvärderingsprotokollet publiceras vid sidan om: minnesmodell DeepSeek V4.1 Flash, svars- och bedömningsmodell GPT-5.6-sol, lagring mätt som bank-tokens delat med indata-tokens, där banken endast räknar genererat minne.

Tencent listar också interna driftsättningar — ett återkallningstest för aktieassistent med en 40-poängsförbättring för multi-hop, en kunskapsbas-plugin och en preferensutvärdering för nyhetsapp med ett genomsnitt på 91,68 av 100 — inom finans, nyheter, kunskapshantering, kontorsagenter, sociala medier och spel. Det är företagets egna produktmätvärden, inte riktmärken, och de bör läsas som bevis för att saken körs någonstans på riktigt snarare än som bevis för att den slår något.

MemHub är den del som de flesta läsare faktiskt skulle kunna ha nytta av

Modellen behöver GPU:er. Ramverket behöver ett ingenjörsteam. MemHub behöver en laptop.

Det är en lokal-först desktop- och kommandoradsprodukt som sammanställer historik från AI-verktyg som du redan har auktoriserat till en enda hanterad körtid och en enda datakatalog — så att en inställning du ställer in i en kodningsagent är tillgänglig för nästa. T​encent namnger tio stödda integreringar: WorkBuddy, Cursor, Codex, C​laude Code, OpenCode, OpenClaw, Q​wen Code, Pi, Hermes och D​eepSeek Harness. Den angivna datasökvägen är ~/.one-memory, med SQLite för arbets- och kodningsmetadata och ChromaDB plus Kuzu som standardlager, och säkerhetsdokumentationen är tydlig med att produkten inte samlar in skärminnehåll, tillgänglighetsträd, OCR, urklipp eller bakgrundsljud.

De påståenden man bör vara skeptisk till är de som rör radering. CLI:t skiljer mellan tre nivåer: att avinstallera npm-paketet tar bara bort CLI:t, memhub uninstall tar bort tjänsterna, den hanterade runtime-miljön och CLI-länkarna men behåller ditt minne, och endast det separata kommandot memhub delete-data raderar lagret – efter att runtime-miljön har stoppats och den exakta sökvägen har bekräftats. Det är en bättre design än de flesta verktyg i den här kategorin, och det är också en beskrivning av avsett beteende i en version vars installationsprogram ännu inte har publicerats. Den som tar det i bruk för arbete som har betydelse bör själv verifiera raderingsvägen innan man anförtror det något man inte vill ska behållas.

Vad som fortfarande är obekräftat, sagt i klartext

• Ingen oberoende benchmark av något slag. Ingen tredjeparts-testrigg har körts, ingen arenaplacering, och ingenting har reproducerats utanför T​encent.

• Ingen reproduktion av cross-harness-tabellen, och i synnerhet inte av det undanhållna EverMemOS-resultatet, vilket bär hela överföringstesen på en enda leverantörskörning.

• Ingen kvantisering, alltså ingen uppmätt minnesförbrukning under 60 GB och ingen utvärderingsväg på arbetsstationsnivå.

• Ingen hostad slutpunkt och ingen inferensleverantör namngiven på modellkortet.

• Inget publicerat npm-paket för MemHub, så den dokumenterade installationsvägen fungerar ännu inte hela vägen.

• Ingen siffra för kostnad per konversation. Minneskrivning är en arbetsbelastning med hög frekvens och kort utdata; ingen har publicerat tokens per skrivning eller vad en minnesaktiverad assistent faktiskt kostar att driva per användare och månad.

Var en router passar in, och var den inte gör det

Var precis om detta, för det vore lätt att överdriva. Hy-Memory-30B-A3B finns inte i OrcaRouters katalog och vi hostar det inte. Vägen till skribenten går via checkpointen på Hugging Face och din egen hårdvara. Ingenting i ett routningslager ändrar på det.

Det som en router täcker är den andra halvan av ramverket. Ett minnessystem är en skrivväg och en läsväg, och Tencents publicerade utvärdering säger rakt ut vad läsvägen vanligtvis är: skrivaren bestämmer vad som ska lagras, och en separat frontiermodell läser minnesbanken och svarar. I Tencents egen konfiguration är det DeepSeek V4.1 Flash som minnesmodell och GPT-5.6-sol som svarare och domare. OrcaRouter tillhandahåller båda med en enda nyckel till listpris utan påslag, så en prisändring från leverantören slår igenom hos oss samma dag i stället för vid nästa avtalsförnyelse.

Routing-DSL:en är pusselbiten som passar just den här arkitekturen. Den komponerar en självhostad endpoint och en hostad till ett enda anrop, vilket är exakt formen på ett minnessystem — en billig specialist på skrivvägen som du kör själv, en frontier-modell på läsvägen som du hyr. Samma uppsättning gör den riskfyllda delen överlevbar: peka skrivaren mot din egen Hy-Memory-30B-A3B-distribution, håll en generell modell bakom automatisk failover, och en dålig skrivväg försämrar svaret i stället för att fälla applikationen. Det mönstret är värt att bygga innan du har skrivaren igång, eftersom det är identiskt oavsett om skrivvägen är en specialistcheckpoint eller en generell modell med en minnesprompt.

Vem bör agera, och vem bör vänta

Om du kör agenter med långlivat minne och redan har GPU:er, är skrivvägen den ärliga platsen att lägga en vecka på: checkpointen är Apache 2.0, och en minnesskrivare är den sällsynta modell vars värde du kan mäta på din egen trafik i stället för på någons benchmarktabell. Om du är användare snarare än operatör, är MemHub den intressanta, och det är också den man bör vänta med tills installationsprogrammet finns och någon utanför Tencent har testat raderingsvägen. Och om du väljer en modell utifrån tillkännagivandet, är det korrekta förhållningssättet det som utgåvan själv bjuder in till: 55,49 mot 54,62 är ett oavgjort resultat på tre testramverk och en reell skillnad på det fjärde, och det fjärde är det som ingen har kontrollerat.