Hy Memory 2.0 เปิดตัวแล้ว: Tencent เปิดโอเพนซอร์ส Memory Writer, เฟรมเวิร์ก และแอป Mac มาพร้อมกันในครั้งเดียว

Tencent Hunyuan ปล่อยของออกมาสามอย่างพร้อมกันในสัปดาห์นี้ และมีเพียงสองอย่างเท่านั้นที่ติดตั้งได้แล้ววันนี้ Hy-Memory-30B-A3Bเป็นโมเดลแบบ mixture-of-experts ขนาด 30,000 ล้านพารามิเตอร์ที่มีหน้าที่ทั้งหมดคือการเขียนหน่วยความจำ — ตัดสินใจว่าเอเจนต์จะเก็บอะไร จะเรียบเรียงอย่างไร และหลักฐานใหม่จะเขียนทับของเก่าได้อย่างไร Hy Memory 2.0คือเฟรมเวิร์กที่ห่อหุ้มมันไว้ ทั้งแพ็กเกจ Python ชื่อ hy-memory ซึ่งครอบคลุมหน่วยความจำสำหรับแชต การทำงาน และการเขียนโค้ด และ MemHubคือแอป — ทั้ง CLI แบบ local-first และผลิตภัณฑ์สำหรับ macOS ที่ดึงประวัติการสนทนาและร่องรอยการเขียนโค้ดจากเครื่องมือ AI สิบตัวเข้ามาไว้ในที่จัดเก็บหน่วยความจำเดียวบนดิสก์ของคุณเอง พาดหัวข่าวในโพสต์ประกาศคือ Hy-Memory-30B-A3B เอาชนะ Claude Opus 5ได้ในเฟรมเวิร์กหน่วยความจำหลัก ๆ ซึ่งก็เป็นความจริงเท่าที่มันไปได้ และส่วนที่น่าสนใจคือมันไปได้ไกลแค่ไหน: ในสามจากสี่เฟรมเวิร์ก ส่วนต่างอยู่ต่ำกว่าหกส่วนสิบของจุด และการเปรียบเทียบทั้งหมดรันบนหนึ่งในห้าของแต่ละเบนช์มาร์ก ทุกเหตุการณ์ที่ผู้ให้บริการล่มและโรลแบ็กที่เราติดตามไว้จะถูกบันทึกไว้ใน Orca AI Incident Archive ซึ่งเก็บชุดบันทึกฉบับเต็มไว้พร้อมกับรายการข้างเคียงของเหตุการณ์นี้

ทุกอย่างด้านล่างนี้อ่านมาจากรีโพซิทอรี ทะเบียนแพ็กเกจ และรายงานทางเทคนิคของ Tencent เอง หรือถูกระบุว่าเป็นคำกล่าวอ้างของ Tencent เอง ไม่มีสิ่งใดในนี้ที่ถูกทำซ้ำโดยผู้อื่น เพราะ ณ เวลาที่เขียนนี้ ยังไม่มีใครอื่นรันมัน

อะไรที่ปล่อยออกมาจริง และเมื่อไหร่

เลเยอร์ทั้งสามเปิดตัวห่างกันภายในเวลาราว 24 ชั่วโมง และบันทึกการเผยแพร่ก็ระบุเจาะจงอย่างผิดปกติว่าเลเยอร์ใดในนั้นเสร็จสมบูรณ์แล้ว:

• โมเดล — tencent/Hy-Memory-30B-A3B ถูกเผยแพร่ไปยัง Hugging Face เมื่อวันที่ 15 ตุลาคม 2026 (09:52 UTC) ภายใต้สัญญาอนุญาต Apache 2.0 พร้อมกับรายงานทางเทคนิค arXiv 2610.22196 ที่ส่งในวันเดียวกัน

• เฟรมเวิร์กนี้ — hy-memory==2.0.1 ถูกอัปโหลดขึ้น PyPI เมื่อวันที่ 15 ตุลาคม 2026 เวลา 17:24 UTC และโมโนรีโปได้ถูกเปิดซอร์สในวันเดียวกัน แท็กการเผยแพร่ GitHub v1.0.0 ถูกสร้างขึ้นเมื่อวันที่ 16 ตุลาคม เวลา 08:44 UTC

• แอป — แอสเซ็ตที่เผยแพร่ของ MemHub มีอยู่จริง: ดิสก์อิมเมจ macOS arm64 ที่ผ่านการรับรอง ขนาด 303 MB ตามการนับของ GitHub พร้อมกับบันเดิลรันไทม์ Linux arm64 และ x64 ขนาด 245 MB และ 251 MB โดย Windows ถูกระบุว่าไม่รองรับ

• ช่องว่าง — แฟ้มบันทึกการเปลี่ยนแปลงของโปรเจกต์เองระบุว่า MemHub "ยังไม่มีการเปิดตัวแบบสาธารณะ" ว่าเวอร์ชันซอร์สของมันคือ 1.0.0 (บิลด์ 4) และทั้งการเผยแพร่บน npm และอาร์ติแฟกต์ของ GitHub Release ยังคงค้างอยู่ แพ็กเกจ npm ที่มันตั้งใจจะใช้ คือ memhub-cli ส่งคืน 404 จากรีจิสทรี ดิสก์อิมเมจถูกแนบไปกับรีลีส ส่วนตัวติดตั้งแบบบรรทัดคำสั่งที่ควรจะดึงมันมาไม่ถูกเผยแพร่

ประเด็นสุดท้ายนั้นคุ้มค่าที่จะอ่านซ้ำอีกครั้ง เพราะมันคือความแตกต่างระหว่างการเปิดตัวกับรีลีสแคนดิเดต บิลด์ของ Apple ถูกเซ็นชื่อและผ่านการรับรองแล้ว ซึ่งเป็นงานจริง และหน้าดาวน์โหลดก็มียอดดาวน์โหลดอยู่ไม่กี่ครั้ง แต่เส้นทางการติดตั้งตามเอกสารนั้นเริ่มต้นด้วยแพ็กเกจ npm ที่ยังไม่มีอยู่ ณ เวลาที่เขียน หากคุณวางแผนจะลอง MemHub สัปดาห์นี้ ให้เผื่อเวลาไว้สำหรับการเช็กเอาต์ซอร์สโค้ด แทนที่จะเป็นการติดตั้งเพียงบรรทัดเดียว

Hy-Memory-30B-A3B โมเดล

ไฟล์การกำหนดค่าเป็นเอกสารที่โรแมนติกน้อยที่สุดและมีประโยชน์ที่สุดในรีลีสทั้งหมด มันอธิบายรูปแบบ MoE มาตรฐานที่เข้าใจกันดี แทนที่จะเป็นอะไรที่แปลกใหม่:

• พารามิเตอร์ — รวมทั้งหมด 30B โดยเปิดใช้งานประมาณ 3B ต่อโทเคน ซึ่งนั่นคือความหมายของส่วนต่อท้าย A3B

• สถาปัตยกรรม — 48 เลเยอร์ โดย 1 เลเยอร์เป็นแบบหนาแน่น และ 47 เลเยอร์เป็น MoE แบบเบาบาง; ผู้เชี่ยวชาญ 128 ตัวต่อบล็อก พร้อมการเลือกเส้นทางแบบ top-8 และผู้เชี่ยวชาญที่ใช้ร่วมกันอีก 1 ตัว; ขนาด hidden 2,048; ความกว้าง intermediate ของผู้เชี่ยวชาญ 768; attention head 32 หัว เทียบกับ key-value head 4 หัว พร้อมการนอร์มัลไลเซชัน query-key; เราเตอร์แบบ sigmoid พร้อมพจน์ไบแอสของผู้เชี่ยวชาญ และตัวคูณสเกล 2.826

• บริบท — {{1}}262,144{{/1}} ตำแหน่ง โดยมีฐาน RoPE ที่ {{2}}11,158,840{{/2}}

• ขนาดพื้นที่จัดเก็บ — 51 safetensors shards ประมาณ 60.1 GB ใน BF16 นั่นคือความละเอียดเดียวที่ Tencent ปล่อยออกมา

• การให้บริการ — การ์ดนี้เขียนขึ้นโดยอิงกับ vLLM ทดสอบกับ v0.31.0 ผ่านปลายทางที่เข้ากันได้กับ OpenAI และยังระบุชื่อ SGLang และ Docker Model Runner เป็นรันไทม์ที่รองรับ มันไม่ได้ถูกดีพลอยโดยผู้ให้บริการอินเฟอเรนซ์ใดๆ และดัชนีการค้นหาของ Hugging Face ไม่พบ GGUF ไม่มีบิลด์ FP8 หรือ NVFP4 และไม่มีการไฟน์จูน

การไม่มีเวอร์ชันนั้นคืออุปสรรคในทางปฏิบัติ ผู้ขายที่ส่งเฉพาะเช็กพอยต์ขนาด 60 GB แบบ BF16 โดยไม่มีอย่างอื่น กำลังบอกคุณว่าพวกเขาคาดหวังให้โมเดลไปรันที่ไหน และคำตอบคือเครื่องที่คุณมีอยู่แล้วหรือเช่าใช้ในดาต้าเซ็นเตอร์ ไม่มีเวอร์ชันควอนไทซ์คู่กันให้ใครสักคนประเมินบนเวิร์กสเตชันได้

โมเดลนี้ถูกขับเคลื่อนด้วย reasoning_effort: "no_think" และ temperature 0.0 ใน quickstart ของ Tencent เอง ตัวเขียนหน่วยความจำจะทำงานในทุกเทิร์นของบทสนทนาเพื่อตัดสินใจว่าจะเก็บสิ่งใดไว้ ดังนั้นการครุ่นคิดไตร่ตรองจึงเป็นการแลกเปลี่ยนที่ไม่คุ้ม: มันจำเป็นต้องให้ผลลัพธ์ที่แน่นอน (deterministic) มีเอาต์พุตสั้น และมีต้นทุนต่ำ ทางเลือกการออกแบบนี้ยังเป็นข้อโต้แย้งที่หนักแน่นที่สุดสำหรับการมีอยู่ของโมเดลนี้เลยทีเดียว เพราะนี่คือภาระงานที่โมเดลแชตระดับแนวหน้าสิ้นเปลืองมากที่สุดพอดี

55.49 นั้น อ่านในแบบที่มันควรจะอ่าน

Tencent ฝึกนักเขียนข้ามเฟรมเวิร์กหน่วยความจำสามแบบ — Mem0, MemOS และ Hy-Memory ของตัวเอง — แล้วประเมินบนเฟรมเวิร์กที่สี่คือ EverMemOS ซึ่งถูกกันออกจากการฝึกโดยสิ้นเชิง การเก็บฮาร์เนสหนึ่งตัวไว้ทดสอบเป็นวิธีที่ถูกต้องในการทดสอบข้ออ้างเรื่องการถ่ายโอน และการถ่ายโอนข้ามเฟรมเวิร์กคือแก่นสำคัญทั้งหมดของบทความนี้

ผลลัพธ์ ซึ่งเป็นของ Tencent เองและยังไม่ถูกทำซ้ำ:

• Hy-Memory-30B-A3B — ค่าเฉลี่ยมาโคร 55.49 จากฮาร์เนสทั้งสี่

• 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 โมเดลเดียวกันนี้ก่อนการฝึกที่เจาะจงเรื่องหน่วยความจำโดยเฉพาะ ซึ่งเป็นที่มาของตัวเลข 7.8 จุดที่ได้จากการฝึกซึ่งเป็นพาดหัวข่าว

• Qwen3-30B-A3B — 44.37

เมื่อแยกออกตามฮาร์เนส ชัยชนะก็บางลง เมื่อเทียบกับ Claude Opus 5 ช่องว่างอยู่ที่ 54.02 ต่อ 53.43 บน Mem0, 60.55 ต่อ 60.53 บน Hy-Memory, 50.51 ต่อ 50.50 บน MemOS และ 56.89 ต่อ 54.04 บน EverMemOS สามในสี่ของช่องว่างเหล่านี้เป็นเพียงสัญญาณรบกวนทางสถิติที่สวมมาลัยชัยชนะ—การนำอยู่สองในร้อยของจุดบนฮาร์เนส Hy-Memory ไม่ถือเป็นการนำ ช่องว่างทั้งหมดระหว่างโมเดลเฉพาะทางแบบ 3B-active กับโมเดลระดับแนวหน้า อยู่บนฮาร์เนสเดียวที่ถูกกันไว้จากการฝึก โดยช่องว่างอยู่ที่ 2.85 จุด และเป็นจุดที่ข้ออ้างมีโอกาสน้อยที่สุดที่จะถูกปรับจูนเข้าหาเช่นกัน

รายละเอียดการออกแบบสองอย่างสำคัญพอ ๆ กับตัวเลข ทุกตัวเลขในเมทริกซ์หลักรันบนตัวอย่างย่อยคงที่ 20% แทนที่จะเป็นชุดทดสอบมาตรฐานทั้งหมด และการประเมินเปลี่ยนแปลงเฉพาะ writer โดยตรึง harness, prompts, การตั้งค่าการดึงข้อมูล, โมเดลตอบ และ judge ให้คงที่ ทางเลือกที่สองนั้นเป็นแนวปฏิบัติที่ดีในการทดลอง — เพราะมันแยกตัวแปรที่กำลังทดสอบออกมา — แต่มันเป็น harness ของ Tencent และ judge ของ Tencent ให้ถือว่าตารางนี้เป็นสมมติฐานที่แนบ repository มาด้วย ซึ่งมากกว่าที่คำกล่าวอ้างในวันเปิดตัวส่วนใหญ่มีมาด้วย และน้อยกว่าผลลัพธ์

ตัวเลขของกรอบการทำงานคือคำกล่าวอ้างที่ใหญ่กว่า

การเปรียบเทียบโมเดลคือคำพูดที่ Tencent ยกมาใส่ในโพสต์ ส่วนการเปรียบเทียบเฟรมเวิร์กคือสิ่งที่จะเปลี่ยนสถาปัตยกรรมของผู้อ่านได้ หากมันเป็นจริง

บนเว็บไซต์ของบริษัทเอง Hy Memory 2.0 ถูกจัดอันดับให้เป็นที่หนึ่งในบรรดาเฟรมเวิร์กหน่วยความจำโอเพนซอร์สบนเบนช์มาร์กสี่รายการ — นำหน้า Mem0, MemOS, EverOS, OpenViking, RepoMemory และ baseline RAG แบบ sliding-window ธรรมดา — ครอบคลุมสามฉากที่รองรับ:

• แชท — 72.6% บน LoCoMo จากคำถามที่ไม่เป็นปฏิปักษ์ 1,527 ข้อ

• Working — ค่าเฉลี่ย 55.31% บน MemoryArena (ชุดวางแผนการเดินทางและช้อปปิ้งแบบรวมชุด) นำหน้าเฟรมเวิร์กถัดไป 10.2 จุด

• การเขียนโค้ด — 64.2% ในการตอบคำถามบน CodeMemoryBench และอัตราการแก้ปัญหา 35.6% รวมถึงอัตราการแก้ปัญหา 28.3% บน SWE-ContextBench

• Footprint — การจัดเก็บหน่วยความจำคิดเป็น 6.06% ของโทเค็นอินพุต เมื่อเทียบกับ 31.9% ถึง 41.2% สำหรับเฟรมเวิร์กที่นำมาเปรียบเทียบด้วย

ตัวเลข footprint คือตัวเลขที่น่าขโมย ระบบหน่วยความจำล้มเหลวในการใช้งานจริงด้วยสองเหตุผล: พวกมันลืมสิ่งผิด ๆ และมันเติบโตอย่างไร้ขอบเขต คลังหน่วยความจำที่กินต้นทุนร้อยละหกของบทสนทนาที่มันสรุปเป็นข้อเสนอเชิงปฏิบัติการที่ต่างจากคลังที่กินต้นทุนร้อยละสี่สิบ และนั่นคือมิติที่ผู้สนใจเรื่องการจัดเส้นทางและต้นทุนควรให้ความสำคัญ ไม่ว่าลำดับความแม่นยำจะผ่านการตรวจสอบหรือไม่ โปรโตคอลการประเมินถูกเผยแพร่ควบคู่กัน: โมเดลหน่วยความจำ DeepSeek V4.1 Flash, โมเดลตอบและตัดสิน GPT-5.6-sol, พื้นที่จัดเก็บวัดเป็นอัตราส่วนโทเคนของคลังต่อโทเคนอินพุต โดยคลังนับเฉพาะหน่วยความจำที่สร้างขึ้นเท่านั้น

เทนเซ็นต์ยังระบุถึงการนำไปใช้งานภายในองค์กรของตัวเองด้วย — การทดสอบ recall ของผู้ช่วยด้านหุ้นที่ทำได้ดีขึ้น 40 จุดในงานแบบ multi-hop, ปลั๊กอินฐานความรู้ และการประเมินความพึงพอใจของแอปข่าวที่ได้คะแนนเฉลี่ย 91.68 จาก 100 — ครอบคลุมทั้งด้านการเงิน ข่าว การจัดการความรู้ เอเจนต์ในสำนักงาน โซเชียล และเกม สิ่งเหล่านี้เป็นตัวชี้วัดผลิตภัณฑ์ของบริษัทเอง ไม่ใช่ benchmark และควรอ่านในฐานะหลักฐานว่าตัวระบบทำงานได้จริงในสภาพการใช้งานจริงที่ใดที่หนึ่ง มากกว่าจะอ่านในฐานะหลักฐานว่ามันเอาชนะสิ่งใดได้

MemHub คือส่วนที่ผู้อ่านส่วนใหญ่สามารถนำไปใช้ได้จริง

โมเดลต้องใช้ GPU เฟรมเวิร์กต้องมีทีมวิศวกรรม MemHub ต้องใช้แล็ปท็อป

เป็นผลิตภัณฑ์เดสก์ท็อปและบรรทัดคำสั่งแบบ local-first ที่รวบรวมประวัติจากเครื่องมือ AI ที่คุณได้อนุญาตไปแล้ว ให้อยู่ในรันไทม์ที่ได้รับการจัดการหนึ่งเดียวและไดเรกทอรีข้อมูลหนึ่งเดียว — ดังนั้นค่ากำหนดที่คุณตั้งไว้ในเอเจนต์เขียนโค้ดตัวหนึ่งจะพร้อมใช้กับตัวถัดไป Tencent ระบุชื่อการผสานรวมที่รองรับสิบรายการ ได้แก่ WorkBuddy, Cursor, Codex, Claude Code, OpenCode, OpenClaw, Qwen Code, Pi, Hermes และ DeepSeek Harness พาธข้อมูลที่ระบุคือ ~/.one-memory โดยใช้ SQLite สำหรับข้อมูลเมตาของการทำงานและการเขียนโค้ด และใช้ ChromaDB ร่วมกับ Kuzu เป็นที่จัดเก็บเริ่มต้น และเอกสารด้านความปลอดภัยระบุชัดเจนว่าผลิตภัณฑ์นี้ไม่เก็บเนื้อหาหน้าจอ แผนผังการเข้าถึง OCR คลิปบอร์ด หรือเสียงเบื้องหลัง

ข้อกล่าวอ้างที่ควรตั้งข้อกังขาคือข้อกล่าวอ้างเกี่ยวกับการลบข้อมูล CLI แยกความแตกต่างสามระดับ: การถอนการติดตั้งแพ็กเกจ npm จะลบเฉพาะ CLI, memhub uninstall จะลบบริการ รันไทม์ที่ถูกจัดการ และลิงก์ของ CLI แต่ยังคงหน่วยความจำของคุณไว้ และมีเพียงคำสั่ง memhub delete-data แยกต่างหากเท่านั้นที่จะลบที่เก็บข้อมูล — หลังจากหยุดรันไทม์และยืนยันพาธที่แน่นอนแล้ว นั่นเป็นการออกแบบที่ดีกว่าเครื่องมือส่วนใหญ่ในหมวดนี้ และยังเป็นคำอธิบายพฤติกรรมที่ตั้งใจไว้ในรีลีสที่ยังไม่ได้เผยแพร่ตัวติดตั้ง ใครก็ตามที่นำไปใช้กับงานที่สำคัญควรตรวจสอบเส้นทางการลบด้วยตนเองก่อนจะไว้วางใจมันกับสิ่งใดที่พวกเขาไม่ต้องการให้ถูกเก็บไว้

สิ่งที่ยังไม่ได้รับการยืนยัน กล่าวอย่างตรงไปตรงมา

• ไม่มีการวัดประสิทธิภาพโดยอิสระใด ๆ ทั้งสิ้น ไม่มีการรันชุดทดสอบของบุคคลที่สาม ไม่มีการจัดอันดับในอารีนา และไม่มีการทำซ้ำใด ๆ จากภายนอก Tencent

• ไม่มีการทำซ้ำตาราง cross-harness และโดยเฉพาะอย่างยิ่งผลลัพธ์ EverMemOS ที่ถูกกันไว้เป็นชุดทดสอบ ซึ่งเป็นสิ่งที่แบกรับข้อสรุปเรื่องการถ่ายโอนทั้งหมดบนการรันของผู้ขายรายเดียว

• ไม่มีการควอนไทซ์ จึงไม่มีหน่วยความจำที่วัดได้ต่ำกว่า 60 GB และไม่มีเส้นทางการประเมินในระดับเวิร์กสเตชัน

• ไม่มีเอนด์พอยต์แบบโฮสต์ และไม่มีผู้ให้บริการอินเฟอเรนซ์ที่ระบุไว้ใน model card

• ยังไม่มีแพ็กเกจ npm ที่เผยแพร่สำหรับ MemHub ดังนั้นเส้นทางการติดตั้งตามที่ระบุไว้ในเอกสารจึงยังใช้งานไม่ได้ครบวงจร

• ไม่มีตัวเลขต้นทุนต่อการสนทนา การเขียนหน่วยความจำเป็นงานที่มีความถี่สูงและมีเอาต์พุตสั้น ไม่มีใครเผยแพร่จำนวนโทเคนต่อการเขียน หรือต้นทุนจริงในการรันผู้ช่วยที่เปิดใช้หน่วยความจำต่อผู้ใช้หนึ่งคนต่อเดือน

จุดที่เราเตอร์เหมาะ และจุดที่มันไม่เหมาะ

พูดให้ชัดเจนเรื่องนี้นะ เพราะมันเป็นเรื่องง่ายที่จะพูดเกินจริง Hy-Memory-30B-A3B ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และเราไม่ได้โฮสต์โมเดลนี้ เส้นทางที่จะไปถึงผู้เขียนคือเช็กพอยต์บน Hugging Face และฮาร์ดแวร์ของคุณเอง ไม่มีอะไรเกี่ยวกับเลเยอร์การจัดเส้นทางที่เปลี่ยนข้อเท็จจริงนี้ได้

สิ่งที่เราเตอร์ครอบคลุมคืออีกครึ่งหนึ่งของฮาร์เนส ระบบหน่วยความจำคือเส้นทางการเขียนและเส้นทางการอ่าน และการประเมินที่เผยแพร่ของ Tencent กล่าวอย่างชัดเจนว่าโดยปกติแล้วเส้นทางการอ่านคืออะไร: ผู้เขียนตัดสินใจว่าจะจัดเก็บอะไร และโมเดลแนวหน้าอีกตัวหนึ่งอ่านแบงก์กลับมาแล้วตอบ ในการตั้งค่าของ Tencent เอง สิ่งเหล่านั้นคือ DeepSeek V4.1 Flash บนโมเดลหน่วยความจำ และ GPT-5.6-sol ในฐานะตัวตอบและผู้ตัดสิน OrcaRouter ให้บริการทั้งสองบนคีย์เดียวในราคาตามรายการโดยไม่บวกเพิ่ม ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายจึงมีผลในฝั่งเราภายในวันเดียวกัน แทนที่จะเป็นตอนต่อสัญญาครั้งถัดไป

routing DSL คือชิ้นส่วนที่เข้ากับสถาปัตยกรรมนี้โดยเฉพาะ มันรวมเอนด์พอยต์ที่โฮสต์เองกับเอนด์พอยต์ที่โฮสต์ไว้ให้เป็นคอลเดียว ซึ่งเป็นรูปร่างของระบบหน่วยความจำพอดี — ผู้เชี่ยวชาญราคาถูกบนเส้นทางการเขียนที่คุณรันเอง โมเดลระดับแนวหน้าบนเส้นทางการอ่านที่คุณเช่า การตั้งค่าแบบเดียวกันนี้ทำให้ส่วนที่มีความเสี่ยงนั้นอยู่รอดได้: ชี้ตัวเขียนไปที่การดีพลอย Hy-Memory-30B-A3B ของคุณเอง เก็บโมเดลทั่วไปไว้เบื้องหลังการสลับไปใช้ระบบสำรองอัตโนมัติ และเส้นทางการเขียนที่แย่ก็จะทำให้คำตอบด้อยลงแทนที่จะทำให้แอปพลิเคชันล่ม รูปแบบนี้คุ้มค่าที่จะสร้างก่อนที่คุณจะมีตัวเขียนทำงานอยู่ เพราะมันเหมือนกันไม่ว่าเส้นทางการเขียนจะเป็นเช็กพอยต์เฉพาะทางหรือโมเดลทั่วไปที่มีพรอมป์หน่วยความจำ

ใครควรลงมือ และใครควรรอ

ถ้าคุณรันเอเจนต์ที่มีหน่วยความจำอายุยืนยาวและมี GPU อยู่แล้ว เส้นทางการเขียนคือจุดที่ควรใช้เวลาหนึ่งสัปดาห์อย่างแท้จริง: เช็กพอยต์เป็น Apache 2.0 และตัวเขียนหน่วยความจำคือโมเดลหายากที่คุณวัดคุณค่าได้จากทราฟฟิกของคุณเอง แทนที่จะวัดจากตารางเบนช์มาร์กของใครสักคน ถ้าคุณเป็นผู้ใช้ไม่ใช่ผู้ดำเนินการ MemHub คือตัวที่น่าสนใจ และยังเป็นตัวที่ควรรอก่อนจนกว่าจะมีตัวติดตั้งและมีคนนอก T​encent ได้ทดสอบเส้นทางการลบแล้ว และถ้าคุณกำลังเลือกโมเดลโดยอาศัยความน่าเชื่อถือของประกาศ ท่าทีที่ถูกต้องคือท่าทีที่การเปิดตัวนี้เชิญชวนให้มี: 55.49 เทียบกับ 54.62 คือการเสมอกันบนฮาร์เนสสามตัว และเป็นช่องว่างจริงบนตัวที่สี่ และตัวที่สี่คือตัวที่ยังไม่มีใครตรวจสอบ