Hy-Memory-30B-A3B vs Granite 4.2 30B: En minnesskrivare och en resonerare är inte samma typ av köp

Hy-Memory-30B-A3B och Granite 4.2 30B har båda omkring 30 miljarder parametrar, båda med öppna vikter, båda under Apache 2.0, båda släppta inom sju veckor från varandra – och de är inte utbytbara mot varandra i någon mening som ett inköpsark skulle känna igen. Hy-Memory-30B-A3B, öppen källkod från Hunyuan-teamet den 15 oktober 2026, gör en sak: den kör skrivvägen inuti ett långtidsminnesramverk och avgör vad en agent behåller och hur ny evidens skriver över det. Granite 4.2 30B, publicerad av IBM på Hugging Face den 25 augusti 2026, är en tät generalistisk resonemangsmodell med valbara tankelägen, verktygsanrop och ett 128K-kontextfönster som den kan sträcka ut till 512K. Den ena är en komponent. Den andra är en assistent. Klyftan mellan vad en resultattavla mäter och vad en driftsättning möter är anledningen till att registret spelar roll: de dokumenterade AI-felen och agentincidenterna kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Den frestande jämförelsen – att ställa upp deras benchmarktabeller sida vid sida och se vem som vinner – är fel jämförelse, och den är fel på ett sätt som skulle kosta dig pengar. De utvärderades inte på samma uppgifter, de driftsätts inte på samma sätt, och en av dem kan inte laddas ner i en form som de flesta kan köra. Det som följer är jämförelsen som faktiskt avgör något: vad var och en är till för, vad var och en kostar dig i hårdvara, och om du behöver den ena, den andra eller båda.

Börja med axeln som skiljer dem åt

Granite 4.2 30B är en dense-modell, vilket innebär att var och en av dess parametrar läses för varje token den genererar. Den har tre resonemangslägen – fullt tänkande, låg ansträngning och inget – valbara per begäran, och den eftertränades med agentisk förstärkningsinlärning inriktad på terminaler, kodexekvering och webbsökning i en sandlåda. IBMs modellkort uppger 57,00 på SWE-Bench Verified, 29,24 på Terminal-Bench 2.1, 89,17 på AIME 2025 och 77,60 på MMLU-Pro. De är leverantörsrapporterade och inte oberoende reproducerade, och modellen är två månader gammal – tillräckligt gammal för att avsaknaden av oberoende poäng är en aning anmärkningsvärd, inte graverande.

Hy-Memory-30B-A3B är gles, vilket innebär att den rymmer 30 miljarder parametrar men läser omkring 3 miljarder per token, och den tränades för en enda uppgift. Hy-Memory-kortet beskriver den som ersättaren till den generella LLM:en i Mem0, MemOS och Hy-Memory — den avgör vad som ska behållas, hur det ska representeras exakt och hur nya bevis uppdaterar en beständig minnesbank. Den testades sedan på EverMemOS, ett ramverk som hölls helt utanför träningen, vilket är det närmaste man kommer ett verkligt generaliseringstest i någon av utgåvorna. Dess huvudpåstående: ett makrogenomsnitt på 55,49 över fyra testramverk mot 54,62 för Claude Opus 5. Även detta är leverantörsrapporterat, även detta oreproducerat, och — till skillnad från Granites siffror — utvärderat på ett fast 20-procentigt delurval av varje benchmark i stället för hela uppsättningen.

Så poängen går inte att jämföra. Granites 57,00 på SWE-Bench Verified och Hy-Memorys 55,49 i makrogenomsnitt är siffror från olika sporter, och att sätta dem i samma kolumn vore en aritmetisk lögn.

Det är också värt att notera var dessa siffror kommer ifrån. Hy-Memory-siffrorna finns i en teknisk rapport, arXiv 2610.22196, inlämnad samma dag som vikterna dök upp — den primära källan är offentlig och läsbar, vilket är mer än vad många tabeller från lanseringsdagen levereras med. Den andra sidans siffror finns på ett modellkort. Båda kommer från leverantören, som rättar sin egen läxa, och ingen av dem har gått genom någon annans testbänk.

Specifikationerna, dimension för dimension

• Parametrar — Hy-Memory-30B-A3B 30B totalt / ~3B aktiva MoE vs Granite 4.2 30B ungefär 29B dense, alla parametrar aktiva för varje token.

• Lagerstruktur — 48 lager för Hy-Memory-30B-A3B, ett tätt feed-forward-block och 47 glesa MoE-block, 128 experter per block vid top-8-routning plus en delad expert, jämfört med Granite 4.2 30B:s vanliga täta decoder-only-transformer med GQA, 32 attention-huvuden och 8 key-value-huvuden.

• Kontext — 262 144 positioner för Hy-Memory-30B-A3B från dess konfigurationsfil kontra 128K inbyggt och 512K utökat för Granite 4.2 30B.

• Viktsfotavtryck – cirka 60,1 GB fördelat över 51 BF16-safetensors-shardar för Hy-Memory-30B-A3B jämfört med ungefär 29B täta parametrar i BF16 för Granite 4.2 30B, med FP8-, NVFP4/MXFP4- och GGUF-byggen publicerade parallellt.

• Kvantiserade alternativ – inga för Hy-Memory-30B-A3B; teamet släppte en BF16-checkpoint och inget annat. Granite 4.2 30B har en officiell FP8-version, två 4-bitarsformat och GGUF-konverteringar från flera utgivare i communityn.

• Resonemangsstyrning — Hy-Memory-30B-A3B exponerar en reasoning_effort-växel men projektets egen snabbstart kör den i no_think med temperature 0.0; Granite 4.2 30B har tre tänkandelägen, inklusive fullständig tankekedja inkapslad i think-taggar.

• Licens — Apache 2.0 för båda, vilket tar bort en av de två frågorna som en juridisk granskning annars skulle ställa.

• Hostad tillgänglighet – ingen av modellerna serveras via en värdleverantörs endpoint. Granite 4.2 30B:s modellkort listar en inferensleverantör; Hy-Memory-30B-A3B:s anger tydligt att ingen leverantör driftsätter den.

• Publicerat syfte – en minnesskrivare gentemot en allmän resonemangsmodell. Det här är raden som avgör allt ovanför den.

Hårdvara är där valet faktiskt görs

Här är asymmetrin som ett specifikationsblad döljer.

Hy-Memory-30B-A3B är 60 GB i BF16 utan något kvantiserat alternativ. Det är inte en modell man utvärderar på en bärbar dator, och det är inte en modell man drar igång på ett enda arbetsstationskort för att se om artikelns påstående håller. Ett team som vill kontrollera Hy-Memorys siffror behöver för närvarande anskaffa ungefär samma hårdvara som en liten produktionsdriftsättning, innan de vet om det fungerar.

Granite 4.2 30B, trots att den är dense, levereras i former du faktiskt kan köra idag. FP8- och 4-bitarsbyggena gör att den ryms i minnet hos en enda accelerator, och GGUF-konverteringarna lägger en användbar version på hårdvara som folk redan äger. Det teamet släppte de byggena medvetet – en leverantör som publicerar fyra kvantiseringsformat säger dig att den förväntar sig att modellen ska köras av personen som läser om den, inte hyras från ett datacenter.

Inget av det gör Granite till den bättre modellen. Det gör Granite till den billigare modellen att få information om.

Det icke uppenbara svaret: dessa hör hemma i samma system

En agent med långtidsminne behöver båda funktionerna, och ramverkets arkitektur gör uppdelningen explicit snarare än teoretisk.

En minnesrigg anropar en skrivare i skrivvägen – avfyras varje tur, korta utdata, deterministisk, och den får aldrig hitta på ett faktum som användaren inte har sagt. Det är Hy-Memory-30B-A3B:s hela uppgift, och en modell med 3B aktiva parametrar i ett no-think-läge är exakt rätt form för det: billig per anrop, eftersom det är många anrop. Granite 4.2 30B konkurrerar inte om den platsen. Där den hör hemma är i läsvägen och resonemanget kring den – att avgöra vad man ska göra med det som finns i banken, planera, anropa verktyg, producera svaret. Det är de frontlinjeinriktade anropen där en tät resonemangsmodells djup är värt sin vikt.

Två modeller, två mycket olika anropsprofiler, och den intressanta ingenjörsfrågan är hur man sätter en nyckel framför båda. Det är vad ett routningslager är till för. OrcaRouters routnings-DSL komponerar flera modeller till ett enda anrop – du kan rikta skrivvägen mot en självhostad Hy-Memory-30B-A3B-endpoint och läsvägen mot en hostad frontier-modell, och styra båda från en API-nyckel över 200+ modeller med automatisk failover om en backend försämras. Ingen av dessa två modeller finns i vår katalog och vi hostar ingen av dem; tillgänglighetslinjen för båda är din egen hårdvara eller leverantörens egna kanaler. Det vi täcker är den andra halvan – de hostade modellerna som ligger runt en självhostad skrivmodell – till 0 % påslag på leverantörens listpris.

Den kombinationen är värd att förstå innan någon av modellerna är produktionsklar för dig, eftersom det är samma arkitektur oavsett om skrivvägen kör Hy-Memory-30B-A3B eller en allmän modell med en minnesprompt påklistrad. Routern är likgiltig. Att byta ut den ena mot den andra senare bör vara en redigering av routingtabellen, inte en omskrivning.

Vilken ska man titta på först?

Om du har en långvarig agent med ett minnesramverk och skrivvägen för närvarande är en frontiermodell som du betalar frontierpriser för att köra vid varje tur, är Hy-Memory-30B-A3B den mer intressanta av de två och den med ett specifikt, kvantifierat problem att lösa. Gå och titta på den – men gå in i det med förståelsen att din första uppgift är att bygga hårdvaran för att testa den på, och att ingen tredje part ännu har bekräftat 55.49.

Om du behöver en modell med öppna vikter som resonerar, anropar verktyg och körs på ett kort du äger, är Granite 4.2 30B den du bör utvärdera den här veckan. Den är två månader gammal, dess kvantiseringar finns och dess publicerade siffror är inte reproducerade – vilket är ett normalt tillstånd för en medelstor öppen modell och inte i sig ett varningstecken.

Om du bygger hela grejen är det ärliga svaret att du förmodligen vill ha båda, i de två roller de konstruerades för, och det intressanta arbetet är routningen mellan dem snarare än valet mellan dem.