Hy-Memory-30B-A3B vs Granite 4.2 30B: Một Trình Viết Bộ Nhớ và Một Trình Suy Luận Không Phải Là Cùng Một Thứ Để Mua

Hy-Memory-30B-A3B và Granite 4.2 30B đều có khoảng 30 tỷ tham số, đều là trọng số mở, đều dùng Apache 2.0, đều được phát hành trong vòng bảy tuần của nhau — và chúng không thay thế được cho nhau theo bất kỳ nghĩa nào mà một bảng tính mua sắm có thể nhận ra. Hy-Memory-30B-A3B, được nhóm Hunyuan mở mã nguồn vào ngày 15 tháng 10 năm 2026, chỉ làm đúng một việc: nó thực thi đường ghi bên trong một khung bộ nhớ dài hạn, quyết định điều gì một tác nhân giữ lại và cách bằng chứng mới ghi đè lên điều đó. Granite 4.2 30B, do IBM công bố trên Hugging Face vào ngày 25 tháng 8 năm 2026, là một mô hình suy luận đa dụng dày đặc với các chế độ tư duy có thể chọn, khả năng gọi công cụ và ngữ cảnh 128K có thể kéo dài tới 512K. Một cái là một thành phần. Một cái là một trợ lý. Khoảng cách giữa những gì một bảng điểm đo lường và những gì một triển khai thực tế gặp phải chính là lý do bản ghi này quan trọng: các thất bại AI và sự cố tác nhân được ghi nhận liên quan tới các mô hình thuộc lớp này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter, nơi mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Phép so sánh đầy cám dỗ — kê các bảng benchmark của chúng cạnh nhau và xem ai thắng — là phép so sánh sai lầm, và nó sai theo cách sẽ khiến bạn tốn tiền. Chúng không được đánh giá trên cùng các tác vụ, chúng không được triển khai theo cùng một cách, và một trong hai không thể tải xuống ở dạng mà hầu hết mọi người có thể chạy. Phần tiếp theo là phép so sánh thực sự quyết định mọi thứ: mỗi thứ dùng để làm gì, mỗi thứ tốn của bạn bao nhiêu về phần cứng, và liệu bạn cần cái này, cái kia, hay cả hai.

Bắt đầu với trục phân tách chúng

Granite 4.2 30B là mô hình dense, nghĩa là mọi tham số của nó đều được đọc cho mỗi token mà nó sinh ra. Nó có ba chế độ suy luận — full thinking, low-effort và none — có thể chọn theo từng yêu cầu, và nó đã được huấn luyện hậu kỳ bằng học tăng cường agentic hướng đến terminal, thực thi mã và tìm kiếm web bên trong sandbox. Thẻ thông số của IBM công bố 57.00 trên SWE-Bench Verified, 29.24 trên Terminal-Bench 2.1, 89.17 trên AIME 2025 và 77.60 trên MMLU-Pro. Đây là các số liệu do nhà cung cấp báo cáo và chưa được tái lập độc lập, và mô hình đã ra mắt được hai tháng — đủ lâu để việc thiếu điểm số độc lập là điều đáng chú ý nhẹ, chứ không phải điều đáng ngờ nghiêm trọng.

Hy-Memory-30B-A3B là mô hình thưa, nghĩa là nó chứa 30 tỷ tham số nhưng chỉ đọc khoảng 3 tỷ tham số mỗi token, và nó được huấn luyện cho một tác vụ duy nhất. Thẻ Hy-Memory mô tả nó như thay thế LLM đa dụng bên trong Mem0, MemOS và Hy-Memory — quyết định cái gì sẽ được giữ lại, cách biểu diễn nó một cách chính xác, và cách bằng chứng mới cập nhật một ngân hàng bộ nhớ thường trú. Sau đó nó được kiểm thử trên EverMemOS, một framework được giữ hoàn toàn ngoài quá trình huấn luyện, đây là thứ gần nhất với một bài kiểm tra tổng quát hóa thực sự trong cả hai bản phát hành. Tuyên bố nổi bật của nó: trung bình macro 55,49 trên bốn bộ đánh giá, so với 54,62 của Claude Opus 5. Cũng do nhà cung cấp báo cáo, cũng chưa được tái lập, và — khác với các con số của Granite — được đánh giá trên một mẫu phụ cố định 20% của mỗi bộ đánh giá thay vì toàn bộ tập.

Vậy nên các điểm số không thể so sánh với nhau. 57,00 của Granite trên SWE-Bench Verified và mức trung bình macro 55,49 của Hy-Memory là những con số thuộc các môn thể thao khác nhau, và việc đặt chúng vào cùng một cột sẽ là một lời dối trá của số học.

Cũng đáng lưu ý xem những con số này đến từ đâu. Các số liệu của Hy-Memory nằm trong một báo cáo kỹ thuật, arXiv 2610.22196, được gửi cùng ngày trọng số xuất hiện — nguồn chính là công khai và có thể đọc được, điều mà nhiều bảng số liệu ngày ra mắt không có được. Còn số liệu của phía bên kia nằm trên một thẻ mô hình. Cả hai đều là việc nhà cung cấp tự chấm bài của chính mình, và không bên nào đã qua khung đánh giá của bất kỳ ai khác.

Các thông số kỹ thuật, từng chiều một

• Tham số — Hy-Memory-30B-A3B: tổng 30B / MoE kích hoạt ~3B so với Granite 4.2 30B, dense khoảng 29B, tất cả tham số đều hoạt động trên mỗi token.

• Cấu trúc tầng — 48 lớp cho Hy-Memory-30B-A3B, một khối feed-forward dày đặc và 47 khối MoE thưa, 128 chuyên gia mỗi khối với định tuyến top-8 cùng một chuyên gia chia sẻ, so với transformer chỉ có decoder dày đặc tiêu chuẩn của Granite 4.2 30B với GQA, 32 đầu chú ý và 8 đầu khóa-giá trị.

• Ngữ cảnh — 262.144 vị trí cho Hy-Memory-30B-A3B từ tệp cấu hình của nó so với 128K gốc và 512K mở rộng cho Granite 4.2 30B.

• Kích thước trọng số — khoảng 60,1 GB trải trên 51 shard safetensors BF16 cho Hy-Memory-30B-A3B, so với khoảng 29 tỷ tham số dense ở BF16 cho Granite 4.2 30B, cùng với các bản dựng FP8, NVFP4/MXFP4 và GGUF được phát hành song song.

• Tùy chọn lượng tử hóa — không có cho Hy-Memory-30B-A3B; nhóm đã phát hành một checkpoint BF16 duy nhất và không có gì khác. Granite 4.2 30B có bản dựng FP8 chính thức, hai định dạng 4-bit và các bản chuyển đổi GGUF từ nhiều nhà phát hành cộng đồng.

• Điều khiển suy luận — Hy-Memory-30B-A3B cung cấp một reasoning_effort công tắc nhưng bản quickstart của chính dự án chạy nó ở no_think với temperature 0.0; Granite 4.2 30B có ba chế độ suy nghĩ bao gồm toàn bộ chuỗi suy luận được bọc trong thẻ think.

• Giấy phép — Apache 2.0 cho cả hai, điều này loại bỏ một trong hai câu hỏi mà nếu không thì một cuộc đánh giá pháp lý sẽ phải hỏi.

• Khả dụng dưới dạng dịch vụ lưu trữ — không mô hình nào được phục vụ bởi endpoint nhà cung cấp dịch vụ lưu trữ. Thẻ của Granite 4.2 30B liệt kê một nhà cung cấp suy luận; thẻ của Hy-Memory-30B-A3B nói rõ rằng không có nhà cung cấp nào triển khai nó.

• Mục đích công bố — một bộ ghi nhớ đối chiếu với một mô hình suy luận tổng quát. Đây là hàng quyết định mọi thứ bên trên nó.

Phần cứng là nơi lựa chọn thực sự được đưa ra

Đây là sự bất đối xứng mà một bảng thông số kỹ thuật che giấu.

Hy-Memory-30B-A3B ở BF16 là 60 GB và không có phương án lượng tử hóa thay thế. Đó không phải là một mô hình mà bạn đánh giá trên laptop, cũng không phải là mô hình bạn khởi động trên một card workstation đơn lẻ để xem liệu tuyên bố trong bài báo có đứng vững hay không. Một nhóm muốn kiểm tra các con số của Hy-Memory hiện cần chuẩn bị phần cứng gần tương đương với một triển khai production nhỏ, trước khi họ biết liệu thứ đó có hoạt động không.

Granite 4.2 30B, dù là mô hình dense, vẫn được phát hành dưới những dạng mà bạn thực sự có thể chạy ngay hôm nay. Các bản dựng FP8 và 4-bit đưa nó lọt vào bộ nhớ của một bộ tăng tốc duy nhất, và các bản chuyển đổi GGUF đặt một phiên bản dùng được lên phần cứng mà mọi người đã sở hữu. Nhóm đó đã phát hành những bản dựng ấy một cách có chủ đích — một nhà cung cấp công bố bốn định dạng lượng tử hóa đang nói với bạn rằng họ kỳ vọng mô hình sẽ được chạy bởi chính người đang đọc về nó, chứ không phải được thuê từ một trung tâm dữ liệu.

Không điều nào trong số đó khiến Granite trở thành mô hình tốt hơn. Nó khiến Granite trở thành mô hình rẻ hơn để tìm hiểu.

Câu trả lời không hiển nhiên: những thứ này thuộc cùng một hệ thống.

Một tác nhân có bộ nhớ dài hạn cần cả hai chức năng, và kiến trúc của framework khiến sự phân tách này trở nên rõ ràng thay vì chỉ mang tính lý thuyết.

Một khung điều phối bộ nhớ gọi một bộ ghi trên luồng ghi — được kích hoạt mỗi lượt, đầu ra ngắn, có tính xác định, và nó không bao giờ được bịa ra một sự thật mà người dùng không nói. Đó chính là toàn bộ công việc của Hy-Memory-30B-A3B, và một mô hình 3B-active ở chế độ no-think đúng là hình dạng phù hợp cho việc đó: rẻ trên mỗi lần gọi, vì có rất nhiều lần gọi. Granite 4.2 30B không cạnh tranh cho vị trí đó. Nơi nó thuộc về là luồng đọc và phần suy luận xung quanh nó — quyết định làm gì với những gì có trong kho, lập kế hoạch, gọi công cụ, đưa ra câu trả lời. Đó là những lệnh gọi hướng tới frontier, nơi chiều sâu của một mô hình suy luận dense xứng đáng với trọng lượng của nó.

Hai mô hình, hai hồ sơ gọi vô cùng khác biệt, và câu hỏi kỹ thuật thú vị là làm sao bạn đặt một key duy nhất trước cả hai. Đó chính là vai trò của một lớp định tuyến. OrcaRouter DSL định tuyến kết hợp nhiều mô hình thành một lời gọi duy nhất — bạn có thể trỏ luồng ghi vào một endpoint Hy-Memory-30B-A3B tự vận hành và luồng đọc vào một mô hình frontier được host, rồi điều khiển cả hai bằng một API key duy nhất trên hơn 200 mô hình với khả năng tự động chuyển đổi dự phòng nếu một backend suy giảm. Cả hai mô hình này đều không nằm trong danh mục của chúng tôi và chúng tôi không vận hành mô hình nào trong số đó; nguồn cung cho cả hai là phần cứng của chính bạn hoặc các kênh riêng của nhà cung cấp. Phần chúng tôi đảm nhiệm là nửa còn lại — những mô hình được host nằm xung quanh một writer tự vận hành — ở mức markup 0% so với giá niêm yết của nhà cung cấp.

Sự kết hợp đó đáng để hiểu rõ trước khi một trong hai mô hình sẵn sàng cho sản xuất đối với bạn, vì kiến trúc vẫn là một dù đường ghi chạy Hy-Memory-30B-A3B hay một mô hình tổng quát được gắn thêm prompt bộ nhớ. Bộ định tuyến không hề phân biệt. Việc hoán đổi mô hình này cho mô hình kia về sau chỉ nên là một chỉnh sửa trên bảng định tuyến, chứ không phải một lần viết lại.

Nên xem cái nào trước?

Nếu bạn có một agent chạy dài hạn với một framework bộ nhớ và đường ghi hiện tại là một mô hình tiên tiến mà bạn đang trả mức giá tiên tiến để chạy nó ở mỗi lượt, thì Hy-Memory-30B-A3B là cái thú vị hơn trong hai cái và là cái có một bài toán cụ thể, định lượng được để giải. Hãy đi xem nó — nhưng hãy đi với hiểu biết rằng nhiệm vụ đầu tiên của bạn là xây dựng phần cứng để thử nghiệm nó, và rằng chưa có bên thứ ba nào xác nhận con số 55.49.

Nếu bạn cần một mô hình trọng số mở biết suy luận, gọi công cụ và chạy trong một card bạn sở hữu, Granite 4.2 30B là cái nên đánh giá trong tuần này. Nó đã hai tháng tuổi, các bản lượng tử hóa của nó đã tồn tại, và những con số được công bố của nó chưa được tái lập — đó là trạng thái bình thường đối với một mô hình mở cỡ trung bình và tự nó không phải là dấu hiệu cảnh báo.

Nếu bạn đang xây dựng toàn bộ mọi thứ, thì câu trả lời trung thực là có lẽ bạn muốn cả hai, ở hai vai trò mà chúng được thiết kế cho, và công việc thú vị nằm ở việc định tuyến giữa chúng chứ không phải ở việc lựa chọn giữa chúng.