Hy-Memory-30B-A3B vs Qwen3.8-27B: ผู้เชี่ยวชาญไม่ใช่คู่แข่ง — แต่คือตัวแทนสำหรับงานที่คุณจ่ายให้นักอเนกประสงค์ทำอยู่แล้ว

ไม่มีใครเลือกอยู่ระหว่าง Hy-Memory-30B-A3B กับ Qwen3.8-27B ในแง่ของความสามารถ เพราะทั้งสองไม่ได้อยู่ในสนามแข่งเดียวกัน Qwen3.8-27B คือโมเดลภาษา-ภาพแบบ dense ขนาด 27,000 ล้านพารามิเตอร์ของห้องแล็บนี้ — Apache 2.0, บริบทพื้นเมือง 262,144 โทเคน เปิดตัวเมื่อ 14 สิงหาคม 2026 และให้บริการบน OrcaRouter ในราคา $0.33 ต่อโทเคนอินพุต 1 ล้านโทเคน และ $2.40 ต่อโทเคนเอาต์พุต 1 ล้านโทเคน Hy-Memory-30B-A3B คือตัวเขียนความจำ (memory writer) ของทีม Hunyuan — รวม 30B โดยมีประมาณ 3B ที่ทำงานอยู่ เปิดโอเพนซอร์สเมื่อ 15 ตุลาคม 2026 และไม่ได้ให้บริการที่ไหนเลย รวมถึงเราเองด้วย ตัวหนึ่งคือโมเดลอเนกประสงค์ที่คุณเช่าใช้ได้ตามจำนวนโทเคน อีกตัวคือองค์ประกอบที่คุณต้องโฮสต์เอง เบนช์มาร์กนั้นเก่าไปตามกาลเวลาและราคาก็เปลี่ยน แต่บันทึกความล้มเหลวไม่เปลี่ยน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิงของตัวเอง ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะถูกโต้แย้ง

เหตุผลที่ยังควรวางมันไว้เคียงกันก็คือ Hy-Memory-30B-A3B มีอยู่เพื่อแทนที่สิ่งใดสิ่งหนึ่งโดยเฉพาะ และสิ่งนั้นก็มักเป็น Qwen3.8-27B อยู่บ่อยครั้ง กรอบงานด้านหน่วยความจำจะเรียกใช้โมเดลอเนกประสงค์ในทุก ๆ เทิร์นเพื่อตัดสินใจว่าจะเก็บอะไรไว้ หากคุณรัน Qwen3.8-27B เพื่อทำหน้าที่นั้น — และด้วยราคา $0.33/$2.40 มันก็เป็นตัวเลือกที่เป็นธรรมชาติ — คำถามที่ตรงไปตรงมาจึงไม่ใช่ว่าโมเดลไหนดีกว่า หากแต่เป็นว่าโมเดลเฉพาะทางที่มีพารามิเตอร์ใช้งานจริง 3B จะทำงานเดียวกันได้ดีพอที่จะคุ้มกับฮาร์ดแวร์หรือไม่ และคำถามนั้นมีป้ายราคาติดอยู่ซึ่งคุณคำนวณออกมาได้จริง

Qwen3.8-27B คืออะไร ในแง่ที่ระบบความจำให้ความสำคัญ

แบบ Dense ซึ่งหมายความว่าพารามิเตอร์ทุกตัวของมันถูกอ่านสำหรับทุกโทเคน 64 เลเยอร์ที่ขนาดฮิดเดน 5,120 โดยมีรูปแบบ 16 ต่อ 1 ที่สลับระหว่างบล็อก linear attention ของ Gated DeltaNet กับบล็อก full attention — การออกแบบนี้เองที่ทำให้หน้าต่างขนาด 250,000 โทเคนสามารถให้บริการได้จริงในต้นทุนที่รับไหว มันรับข้อความ รูปภาพ และวิดีโอเข้า แล้วส่งคืนข้อความ ซึ่งสำคัญตรงนี้ด้วยเหตุผลธรรมดา ๆ ว่า ข้อมูลจำนวนมากที่ผู้คนอยากให้เอเจนต์จดจำมานั้นมาในรูปภาพหน้าจอหรือเอกสาร มากกว่าในรูปของข้อความร้อยเรียง

การ์ดของผู้ขายเองอ้างว่า 90.3 บน LiveCodeBench v6, 89.2 บน GPQA Diamond, 73.0 บน Terminal-Bench 2.1, 84.3 บน OSWorld-Verified และ 79.5 บน IFBench — ทั้งหมดเป็นตัวเลขที่ผู้ขายรายงานเอง ยังไม่ถูกทำซ้ำโดยเราหรือใครก็ตามที่เราชี้ไปได้ สำหรับภาระงานการเขียนหน่วยความจำโดยเฉพาะ โมเดลนี้ได้รับการจัดอันดับจากแหล่งอิสระตั้งแต่เปิดตัว รวมถึงติด 10 อันดับแรกในลีดเดอร์บอร์ดอารีนาสำหรับการพัฒนาเว็บ แต่ไม่มีสิ่งใดในนั้นวัดได้ว่ามันเขียนหน่วยความจำได้ดีหรือไม่ จนถึงตอนนี้ยังไม่มีสิ่งใดทำได้

สิ่งที่ทำให้มันเป็นตัวเลือกประจำสำหรับงานนี้ไม่ใช่คะแนนใด ๆ เหล่านั้น แต่เป็นเพราะมันปฏิบัติตามคำสั่งได้อย่างแม่นยำ มันยอมรับสคีมา JSON มันมีหน้าต่างขนาด 262K คุณจึงสามารถส่งบทสนทนายาว ๆ ให้มันได้โดยไม่ต้องทำการแบ่งส่วนที่ยุ่งยาก และมันมีราคาถูกพอที่จะรันในทุกเทิร์น

หน้าข้างต้นแสดงให้เห็นความแตกต่างในทางปฏิบัติระหว่างสองโมเดลนี้ภายในหน้าจอเดียว: Qwen3.8-27B มีทั้งอัตราและเส้นทาง ส่วน Hy-Memory-30B-A3B ไม่มีทั้งสองอย่าง

Hy-Memory-30B-A3B แตกต่างตรงไหน

โมเดล Hy-Memory ถูกฝึกมาเพื่องานเดียวเท่านั้น และการ์ดของมันก็ระบุเช่นนั้นอย่างตรงไปตรงมาโดยไม่เลี่ยงความกำกวม: มันเข้าไปแทนที่ LLM อเนกประสงค์ภายใน Mem0, MemOS และ Hy-Memory โดยตัดสินใจว่าข้อมูลใดควรเก็บไว้ จะแทนข้อมูลนั้นอย่างแม่นยำเพียงใด และหลักฐานใหม่ควรอัปเดตคลังข้อมูลแบบถาวรอย่างไร จากนั้นจึงประเมินบน EverMemOS ซึ่งเป็นเฟรมเวิร์กที่ถูกกันออกจากการฝึกโดยสิ้นเชิง — เป็นการตัดสินใจเชิงออกแบบหนึ่งเดียวในการเปิดตัวครั้งนี้ที่คู่ควรแก่การยกความดีความชอบมากที่สุด เพราะการถ่ายโอนข้ามเฟรมเวิร์กคือข้อตั้งต้นทั้งหมด

การฝึกของมันมีสองขั้นตอน และขั้นตอนที่สองคือขั้นตอนที่น่าสนใจ Memory On-Policy Distillation ให้การกำกับดูแลอย่างหนาแน่นบนสถานะหน่วยความจำที่นักเรียนสร้างขึ้นเอง จากนั้น Attributed Memory Reinforcement Learning จะสร้างคลังจากโรลเอาต์ ให้คะแนนทีละส่วน ลงโทษการจัดเก็บเกิน และ — นี่คือส่วนที่ทำให้การฝึกมีความซื่อสัตย์ — นำคลังที่เลือกไว้ส่งต่อข้ามหน้าต่างต่างๆ แทนที่จะรีเซ็ตระหว่างหน้าต่างเหล่านั้น คลังที่นำไปใช้งานแล้วจะไม่ว่างเปล่า ดังนั้นการฝึกมันกับคลังที่ว่างเปล่าจะเป็นการฝึกมันสำหรับสถานการณ์ที่ไม่มีอยู่จริง

ในเชิงสถาปัตยกรรม มันมี 48 เลเยอร์ เป็นบล็อก dense หนึ่งบล็อก และบล็อก MoE แบบ sparse 47 บล็อก มีผู้เชี่ยวชาญ 128 ตัวที่การจัดเส้นทางแบบ top-8 บวกกับ shared expert หนึ่งตัว มีบริบท 262,144 ตำแหน่ง และน้ำหนัก BF16 ขนาด 60.1 GB กระจายอยู่บน 51 shard ไม่มีการเผยแพร่บิลด์แบบควอนไทซ์

ทำการคำนวณที่ไพ่ไม่ได้ทำ

ทั้งสองโมเดลทำงานในทุกเทิร์นของการสนทนายาว ๆ สิ่งนี้ทำให้เส้นทางการเขียนกลายเป็นปัญหาด้านปริมาณ และปริมาณคือจุดที่จำนวนพารามิเตอร์ที่ใช้งานจริงที่น้อยกว่าของโมเดลเฉพาะทางควรจะแสดงให้เห็น

ลองใช้สมมติฐานที่เป็นรูปธรรมและระบุไว้ชัดเจน แทนที่จะเป็นค่าที่วัดได้จริง: ตัวเขียนประมวลผลบทสนทนาประมาณ 800 โทเคนต่อเทิร์น และสร้างหน่วยความจำแบบมีโครงสร้างประมาณ 150 โทเคน เมื่อครบ 1,000 เทิร์น นั่นคือโทเคนอินพุต 800,000 และโทเคนเอาต์พุต 150,000 ต่อผู้ใช้ ตามเรตการ์ดของ OrcaRouter สำหรับ Qwen3.8-27B — ราคาตามรายการของผู้ขายที่ส่งผ่านมาโดยคิดมาร์กอัป 0%, ดังนั้น $0.33 และ $2.40 ต่อล้าน — บทสนทนานั้นมีค่าใช้จ่ายประมาณ $0.26 สำหรับอินพุต และ $0.36 สำหรับเอาต์พุต รวมประมาณ $0.62 บวกกับค่าใช้จ่ายของเส้นทางการอ่านไม่ว่าจะเท่าไรก็ตาม เมื่อโมเดลตอบคำถามเปิดคลังความจำ สิ่งเหล่านี้เป็นการคำนวณจากอัตราที่เผยแพร่ ไม่ใช่การทดสอบประสิทธิภาพ และจำนวนโทเคนต่อเทิร์นของคุณจะแตกต่างออกไป

สำหรับ Hy-Memory-30B-A3B การสนทนา 1,000 รอบแบบเดียวกันนั้นไม่มีค่าใช้จ่ายต่อโทเคน และมีค่าใช้จ่ายต่อเดือนที่สูงกว่าอย่างมาก เพราะไม่มีตารางราคา โมเดลนี้โฮสต์เอง และการโฮสต์เอง 60 GB ของ BF16 โดยไม่มีทางเลือกแบบควอนไทซ์หมายถึงต้องใช้ตัวเร่งที่มีหน่วยความจำมากพอจะเก็บมันไว้ — ก่อนที่คุณจะรู้ว่าค่าเฉลี่ยมาโคร 55.49 จะยังคงอยู่หรือไม่

ดังนั้นการแลกเปลี่ยนนี้ไม่ใช่เรื่องถูกกับแพง แต่เป็นแบบคิดตามปริมาณการใช้งาน เทียบกับ เงินลงทุน และจุดตัดจะขึ้นอยู่กับจำนวนรอบที่คุณเขียนจริงต่อเดือนทั้งหมด ทีมที่รันบทสนทนาสองสามพันรายการต่อเดือนแทบจะแน่นอนว่าคุ้มกว่าที่จะจ่ายตามอัตราต่อโทเค็นของ Qwen3.8-27B และไม่ต้องแตะต้องคำถามเรื่องฮาร์ดแวร์เลย ทีมที่เขียนหน่วยความจำบนหลายล้านรอบไม่ว่าจะทางไหนก็ต้องรันฮาร์ดแวร์อยู่ดี และตัวเลือกเฉพาะทางก็เริ่มน่าสนใจ

การ์ดด้านบนคือจุดที่การคำนวณเริ่มต้น: เบื้องหลังอัตรา $0.33 นั้นมีเช็กพอยต์ 27B ที่ดาวน์โหลดได้ และหากปริมาณการใช้งานของคุณสูงพอที่จะคุ้มค่ากับการรันด้วยตัวเอง นั่นก็เป็นเส้นทางที่รองรับ ซึ่งมีควอนไทเซชันที่เผยแพร่แล้วรองรับอยู่

สามสิ่งที่การเปรียบเทียบราคาปกปิดไว้

ต้นทุนต่อโทเคนเป็นแกนที่ง่ายที่สุดและเป็นแกนที่ชี้ขาดน้อยที่สุด อีกสามแกนสำคัญกว่า

มัลติโมดัล Qwen3.8-27B รับภาพและวิดีโอ การ์ดของ Hy-Memory-30B-A3B ระบุอินพุตข้อความ ภาษาอังกฤษและภาษาจีน หากหน่วยความจำของเอเจนต์ของคุณรวมภาพหน้าจอ เอกสารสแกน หรือเฟรมวิดีโอ โมเดลทั่วไปกำลังทำงานที่โมเดลเฉพาะทางทำไม่ได้โดยโครงสร้าง และความได้เปรียบด้านต้นทุนไม่ว่าจะมากเพียงใดก็ปิดช่องว่างนั้นไม่ได้

บริบททั้งสองเผยแพร่ 262,144 ตำแหน่ง ซึ่งเป็นเรื่องบังเอิญจริง ๆ และเป็นความบังเอิญที่มีประโยชน์ — ไม่มีฝ่ายใดได้เปรียบในเรื่องปริมาณบทสนทนาที่คุณป้อนให้มันได้ในคราวเดียว

ความแม่นยำที่ประกาศไว้ Qwen3.8-27B มาพร้อมกับ BF16 โดยมีบิลด์ FP8 อย่างเป็นทางการและการแปลงเป็น GGUF จากผู้เผยแพร่หลายราย และ OrcaRouter ให้บริการเวอร์ชัน block-FP8 โดยที่ vision tower อยู่ในความแม่นยำเต็มรูปแบบ ส่วน Hy-Memory-30B-A3B มาพร้อมกับ BF16 เท่านั้น แถวนั้นเป็นตัวตัดสินว่าคุณจะประเมินมันบนการ์ดที่ยืมมาได้ หรือจำเป็นต้องจองการ์ดไว้

คำตอบการจัดเส้นทาง ซึ่งจะแตกต่างกันไปขึ้นอยู่กับโมเดลที่คุณเลือก

นี่คือจุดที่สองเส้นทางแยกออกจากกันอย่างชัดเจน และควรพูดให้แม่นยำมากกว่าที่จะเป็นเชิงโปรโมต

Qwen3.8-27B อยู่ในแค็ตตาล็อกของ OrcaRouterคุณเรียกใช้มันผ่าน API key เดียวกับโมเดลอื่นอีกราว 200 กว่าโมเดล ในราคาตามที่ผู้ให้บริการระบุโดยไม่บวกเพิ่ม 0% — ดังนั้นถ้าผู้ให้บริการลดราคา ที่นี่ก็อัปเดตทันทีในวันเดียวกัน ไม่ต้องรอรอบบิลถัดไป — พร้อมด้วยการสลับไปใช้ระบบสำรองอัตโนมัติหากแบ็กเอนด์มีปัญหา สำหรับ memory harness ส่วนที่มีประโยชน์คือ routing DSL: มันประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียว ซึ่งเป็นวิธีที่คุณรันโมเดลนักเขียนและโมเดลตอบคำถามไว้เบื้องหลัง endpoint เดียวโดยไม่ต้องสร้างไคลเอนต์ตัวที่สอง การผสานโมเดลซึ่งรันคณะโมเดลที่ตอบร่วมกัน เป็นเครื่องมือสำหรับหาคำตอบเชิงประจักษ์ว่าโมเดลนักเขียนเฉพาะทางสร้างแบงก์ได้ดีกว่าโมเดลเอนกประสงค์หรือไม่ — ลองรันทั้งสองกับบทสนทนาเดียวกัน เปรียบเทียบคำตอบ แล้วเลิกเถียงกันได้เลย

Hy-Memory-30B-A3B ไม่ได้อยู่ในแค็ตตาล็อกของเรา และเราไม่ได้โฮสต์มัน เส้นทางไปสู่มันคือเช็กพอยต์จากทีมและฮาร์ดแวร์ของคุณเอง หากคุณโฮสต์มันเอง เราเตอร์ยังคงครอบคลุมส่วนที่เหลือของลูป — โมเดลคำตอบที่โฮสต์ไว้ซึ่งอ่านข้อมูลจากแบงก์กลับมา การเรียกใช้สำหรับวางแผนรอบๆ มัน — และมันให้คุณลงทะเบียนเอนด์พอยต์ของคุณเองควบคู่ไปกับเอนด์พอยต์ที่โฮสต์ไว้ เพื่อให้การสลับเมื่อเกิดข้อขัดข้องและการเข้าถึงด้วยคีย์เดียวมีผลกับทั้งสอง

ใครควรทำอะไร

หากวันนี้คุณกำลังรันการเขียนความจำบนโมเดลอเนกประสงค์แบบโฮสต์ คำถามแรกที่ตรงไปตรงมาไม่ใช่ว่าควรเปลี่ยนหรือไม่ แต่คือคุณเขียนจริงกี่เทิร์นต่อเดือน ต่ำกว่าเกณฑ์ที่คุณเท่านั้นที่คำนวณได้ Qwen3.8-27B ในอัตราคิดตามโทเคนคือตัวเลือกที่สมเหตุสมผล และข้อกำหนดฮาร์ดแวร์ของ Hy-Memory-30B-A3B ก็เป็นเรื่องที่ทำให้ไขว้เขว — โดยเฉพาะหากความจำของคุณมีรูปภาพ ซึ่งโมเดลผู้เชี่ยวชาญไม่มีอะไรจะเสนอ

หากคุณกำลังเขียนหน่วยความจำในปริมาณที่ค่าใช้จ่ายต่อโทเคนกลายเป็นรายการงบประมาณจริงจัง Hy-Memory-30B-A3B คือโมเดลเปิดตัวแรกที่มุ่งเป้าตรงมาที่รายการนั้น และการที่มันถูกทดสอบกับเฟรมเวิร์กแบบ held-out ก็เป็นสัญญาณว่ามีคนคิดถึงการวางนัยทั่วไป ไม่ใช่แค่การทำเดโม รอบิลด์ที่ผ่านการควอนไทซ์ก่อน รอให้คนนอกทีมรันฮาร์เนสก่อน แล้วค่อยตัดสินใจ

และหากคุณเพียงแค่สงสัยว่าผู้เชี่ยวชาญเฉพาะทางจะเอาชนะผู้เชี่ยวชาญแบบทั่วไปบนทราฟฟิกของคุณเองได้หรือไม่ การตั้งการทดลองนี้ก็มีค่าใช้จ่ายต่ำ และคำตอบจะจำเพาะเจาะจงกับข้อมูลของคุณเอง มากกว่าที่จะขึ้นอยู่กับการ์ดใบใดใบหนึ่ง

สิ่งสุดท้ายที่การ์ดระบุไว้อย่างชัดเจน แต่ตารางไม่ได้ระบุ Hy-Memory-30B-A3B ได้รับสัญญาอนุญาต Apache 2.0 ซึ่งหมายความว่าการทดลองข้างต้นเป็นสิ่งที่คุณได้รับอนุญาตให้รันเชิงพาณิชย์ บนข้อมูลของคุณเอง โดยไม่ต้องพูดคุยกับทีมกฎหมายของใคร นั่นคือข้อโต้แย้งที่แข็งแกร่งที่สุดที่โมเดลนี้มี และมันเป็นอิสระจากว่าค่า 55.49 จะทำซ้ำได้หรือไม่