Hy-Memory-30B-A3B vs Qwen3.8-27B: Chuyên gia không phải là đối thủ — mà là sự thay thế cho công việc mà bạn đang trả tiền để một mô hình đa dụng làm.

Không ai đang lựa chọn giữa Hy-Memory-30B-A3B và Qwen3.8-27B dựa trên năng lực, bởi vì chúng không cùng một cuộc đua. Qwen3.8-27B là mô hình ngôn ngữ-thị giác dày đặc 27 tỷ tham số của phòng thí nghiệm — Apache 2.0, ngữ cảnh gốc 262.144 token, ra mắt ngày 14 tháng 8 năm 2026, và được phục vụ trên OrcaRouter với mức 0,33 đô-la cho mỗi triệu token đầu vào và 2,40 đô-la cho mỗi triệu token đầu ra. Hy-Memory-30B-A3B là trình ghi bộ nhớ của nhóm Hunyuan — tổng cộng 30B với khoảng 3B tham số hoạt động, được mở mã nguồn ngày 15 tháng 10 năm 2026, và hoàn toàn không được phục vụ ở bất kỳ đâu, kể cả bởi chúng tôi. Một bên là mô hình đa dụng mà bạn có thể thuê theo từng token. Bên còn lại là một thành phần mà bạn phải tự vận hành lấy. Các phép đo hiệu năng sẽ cũ đi và giá cả thì thay đổi; nhưng hồ sơ thất bại thì không: những sự cố AI và thất bại của tác nhân đã được ghi nhận đằng sau các mô hình thuộc lớp này được tập hợp trong Kho lưu trữ Sự cố AI của OrcaRouter nơi mỗi mục đều đi kèm nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.

Lý do để đặt chúng cạnh nhau dù sao là Hy-Memory-30B-A3B tồn tại để thay thế một thứ cụ thể, và thứ đó rất thường là Qwen3.8-27B. Các framework bộ nhớ gọi một mô hình đa dụng ở mỗi lượt để quyết định giữ lại gì. Nếu bạn đang chạy Qwen3.8-27B cho việc đó — và với mức $0.33/$2.40 thì nó là một lựa chọn tự nhiên — thì câu hỏi trung thực không phải là mô hình nào tốt hơn. Mà là liệu một chuyên gia 3B-active có làm cùng công việc đó đủ tốt để biện minh cho phần cứng hay không, và câu hỏi đó có kèm một mức giá mà bạn thực sự có thể tính ra.

Qwen3.8-27B là gì, theo những thuật ngữ mà một hệ thống bộ nhớ quan tâm

Dày đặc, nghĩa là mọi tham số của nó đều được đọc cho từng token. 64 lớp với kích thước ẩn 5.120, theo tỷ lệ 16:1 xen kẽ các khối chú ý tuyến tính Gated DeltaNet và các khối chú ý đầy đủ — một thiết kế chính là thứ khiến cửa sổ một phần tư triệu token trở nên khả thi để phục vụ ngay từ đầu. Nó nhận văn bản, hình ảnh và video vào rồi trả về văn bản, điều này quan trọng ở đây vì một lý do tầm thường: phần lớn những gì người ta muốn một agent ghi nhớ đến dưới dạng ảnh chụp màn hình hoặc tài liệu chứ không phải văn xuôi.

Thẻ do chính nhà cung cấp công bố tuyên bố 90,3 trên LiveCodeBench v6, 89,2 trên GPQA Diamond, 73,0 trên Terminal-Bench 2.1, 84,3 trên OSWorld-Verified và 79,5 trên IFBench — tất cả đều do nhà cung cấp báo cáo, chưa được chúng tôi hoặc bất kỳ ai mà chúng tôi có thể chỉ ra tái lập, cụ thể là đối với khối lượng công việc ghi bộ nhớ. Mô hình đã có được các vị trí xếp hạng độc lập kể từ khi phát hành, bao gồm một thành tích lọt vào top 10 trên bảng xếp hạng đấu trường phát triển web, nhưng không có cái nào trong số đó đo lường liệu nó có ghi bộ nhớ tốt hay không. Hiện vẫn chưa có gì làm được điều đó.

Điều khiến nó trở thành lựa chọn đương nhiệm cho công việc này không phải là bất kỳ điểm số nào trong số đó. Mà là vì nó tuân thủ hướng dẫn một cách chính xác, nó chấp nhận một JSON schema, nó có cửa sổ 262K nên bạn có thể đưa cho nó một cuộc hội thoại dài mà không cần những màn chia nhỏ rắc rối, và nó đủ rẻ để chạy ở mọi lượt.

Trang ở trên thể hiện sự khác biệt thực tế giữa hai mô hình này trong một màn hình: Qwen3.8-27B có mức giá và lộ trình, còn Hy-Memory-30B-A3B thì không có cả hai.

Hy-Memory-30B-A3B có gì khác biệt

Mô hình Hy-Memory được huấn luyện cho đúng một nhiệm vụ và thẻ của nó nói rõ điều đó không hề úp mở: nó thay thế LLM đa dụng bên trong Mem0, MemOS và Hy-Memory, quyết định thông tin nào cần giữ lại, cần biểu diễn thông tin đó chính xác đến đâu, và bằng chứng mới nên cập nhật một ngân hàng lưu trữ liên tục như thế nào. Sau đó, nó được đánh giá trên EverMemOS, một framework được giữ hoàn toàn ngoài quá trình huấn luyện — quyết định thiết kế duy nhất trong bản phát hành đáng được ghi công nhất, bởi vì chuyển giao giữa các framework chính là toàn bộ tiền đề.

Quá trình huấn luyện của nó gồm hai giai đoạn, và giai đoạn thứ hai mới là phần thú vị. Memory On-Policy Distillation cung cấp giám sát dày đặc trên các trạng thái bộ nhớ do chính mô hình học sinh tạo ra. Attributed Memory Reinforcement Learning sau đó xây dựng các ngân hàng từ các rollout, chấm điểm chúng theo từng chunk, xử phạt việc lưu trữ quá mức, và — đây là phần giữ cho quá trình huấn luyện trung thực — mang ngân hàng được chọn đi tiếp qua các cửa sổ thay vì thiết lập lại giữa chúng. Một ngân hàng đã được triển khai không bao giờ trống, nên huấn luyện nó với một ngân hàng trống sẽ là huấn luyện nó cho một tình huống không hề tồn tại.

Về mặt kiến trúc, đây là 48 lớp, một khối dense và 47 khối MoE thưa, 128 chuyên gia với định tuyến top-8 cùng một chuyên gia chia sẻ, ngữ cảnh 262.144 vị trí và 60,1 GB trọng số BF16 trải trên 51 shard. Không có bản dựng lượng tử hóa nào được công bố.

Thực hiện phép tính mà các loại thẻ không làm được

Cả hai mô hình đều kích hoạt ở mỗi lượt của một cuộc hội thoại dài. Điều đó khiến đường ghi trở thành một bài toán về khối lượng, và khối lượng chính là nơi số lượng tham số hoạt động nhỏ hơn của một mô hình chuyên biệt đáng lẽ phải thể hiện được lợi thế.

Hãy lấy một giả định cụ thể, được nêu rõ thay vì một giả định đo lường được: một writer xử lý khoảng 800 token hội thoại mỗi lượt và phát ra khoảng 150 token bộ nhớ có cấu trúc. Qua 1.000 lượt, đó là 800.000 token đầu vào và 150.000 token đầu ra cho mỗi người dùng. Theo bảng giá của OrcaRouter cho Qwen3.8-27B — giá niêm yết của nhà cung cấp được chuyển nguyên với mức markup 0%, tức 0,33 USD và 2,40 USD mỗi triệu token — cuộc hội thoại đó tốn khoảng 0,26 USD cho đầu vào và 0,36 USD cho đầu ra, tổng khoảng 0,62 USD, cộng thêm chi phí của đường đọc bất cứ khi nào một mô hình trả lời mở bank. Đó là phép tính trên các mức giá đã công bố, không phải một phép đánh giá chuẩn, và số token mỗi lượt của bạn sẽ khác.

Đối với Hy-Memory-30B-A3B, cùng 1.000 lượt sẽ không tốn gì trên mỗi token và tốn một khoản lớn hơn đáng kể mỗi tháng, vì không có bảng giá. Mô hình được tự triển khai, và việc tự triển khai 60 GB BF16 mà không có bản lượng tử hóa nào thay thế đồng nghĩa với việc cần một bộ tăng tốc có đủ bộ nhớ để chứa nó — trước khi bạn biết liệu mức trung bình macro 55,49 có trụ vững hay không.

Vậy sự đánh đổi không phải là rẻ so với đắt. Đó là tính theo mức dùng so với vốn, và điểm giao nhau phụ thuộc hoàn toàn vào số lượt bạn thực sự viết mỗi tháng. Một nhóm chạy vài nghìn cuộc hội thoại mỗi tháng gần như chắc chắn sẽ tốt hơn nếu trả mức giá theo token của Qwen3.8-27B và không bao giờ đụng đến câu hỏi phần cứng. Một nhóm ghi bộ nhớ trên hàng triệu lượt thì dù sao cũng đang chạy phần cứng, và giải pháp chuyên dụng trở nên đáng quan tâm.

Thẻ ở trên là nơi phép tính bắt đầu: đằng sau mức giá $0.33 là một checkpoint 27B có thể tải xuống, và nếu khối lượng của bạn đủ lớn để biện minh cho việc tự chạy nó, thì đó là một hướng được hỗ trợ với các bản lượng tử hóa đã công bố đằng sau nó.

Ba điều mà việc so sánh giá che giấu

Chi phí trên mỗi token là trục dễ nhất và cũng là trục ít mang tính quyết định nhất. Ba trục khác mới quan trọng hơn.

Đa phương thức. Qwen3.8-27B tiếp nhận hình ảnh và video. Thẻ thông số của Hy-Memory-30B-A3B ghi rõ đầu vào văn bản, tiếng Anh và tiếng Trung. Nếu bộ nhớ của agent của bạn bao gồm ảnh chụp màn hình, tài liệu quét hoặc khung hình video, thì mô hình tổng quát đang làm công việc mà mô hình chuyên biệt về mặt cấu trúc không thể làm được, và không một lợi thế chi phí nào có thể bù đắp được điều đó.

Ngữ cảnh.Cả hai đều công bố 262.144 vị trí, đây là một sự trùng hợp thực sự và hữu ích — không bên nào có lợi thế về lượng hội thoại mà bạn có thể đưa cho nó cùng một lúc.

Độ chính xác được công bố. Qwen3.8-27B được phát hành ở dạng BF16 cùng với bản dựng FP8 chính thức và các bản chuyển đổi GGUF từ một số nhà phát hành, còn OrcaRouter cung cấp phiên bản block-FP8 với tháp thị giác ở độ chính xác đầy đủ. Hy-Memory-30B-A3B chỉ phát hành BF16 và không có gì khác. Hàng đó quyết định liệu bạn có thể đánh giá nó trên một card mượn hay cần phải dành riêng một card.

Câu trả lời định tuyến, vốn khác nhau tùy thuộc vào mô hình bạn chọn

Đây là điểm mà hai con đường tách biệt rạch ròi, và đáng để nói chính xác thay vì mang tính quảng bá.

Qwen3.8-27B có trong danh mục của OrcaRouter. Bạn gọi nó qua cùng một API key như hơn 200 mô hình khác, với giá niêm yết của nhà cung cấp và mức chênh lệch 0% — nên khi nhà cung cấp giảm giá, mức giá mới có hiệu lực ngay tại đây trong cùng ngày thay vì phải chờ đến kỳ thanh toán kế tiếp — cùng với tự động chuyển đổi dự phòng nếu một backend gặp trục trặc. Với một memory harness, phần hữu ích nằm ở routing DSL: nó gộp nhiều mô hình vào một lời gọi duy nhất, đó là cách bạn chạy một mô hình writer và một mô hình trả lời sau một endpoint duy nhất mà không cần dựng thêm client thứ hai. Model fusion, tức chạy một nhóm mô hình cùng trả lời, là công cụ để xác định bằng thực nghiệm liệu một writer chuyên biệt có tạo ra các bank tốt hơn so với mô hình tổng quát hay không — hãy chạy cả hai trên cùng một cuộc hội thoại, so sánh câu trả lời, và thôi tranh cãi về chuyện đó.

Hy-Memory-30B-A3B không có trong danh mục của chúng tôi và chúng tôi không lưu trữ nó. Đường đến với nó là checkpoint từ đội ngũ và phần cứng của chính bạn. Nếu bạn tự lưu trữ nó, một router vẫn bao quát phần còn lại của vòng lặp — mô hình trả lời được lưu trữ đọc lại ngân hàng, các cuộc gọi lập kế hoạch xung quanh nó — và nó cho phép bạn đăng ký endpoint của riêng mình bên cạnh những endpoint được lưu trữ, để tính năng chuyển đổi dự phòng và truy cập một phím áp dụng cho cả hai.

Ai nên làm gì

Nếu hôm nay bạn đang chạy ghi bộ nhớ trên một mô hình tổng quát được host, câu hỏi đầu tiên cần trả lời một cách trung thực không phải là có nên chuyển hay không. Mà là mỗi tháng bạn thực sự đang ghi bao nhiêu lượt. Dưới một ngưỡng mà chỉ bạn mới tính được, Qwen3.8-27B với mức giá theo token là lựa chọn hợp lý, còn yêu cầu phần cứng của Hy-Memory-30B-A3B chỉ là chuyện gây xao nhãng — đặc biệt nếu bộ nhớ của bạn chứa hình ảnh, khi mà mô hình chuyên dụng chẳng có gì để cung cấp.

Nếu bạn đang ghi bộ nhớ ở mức mà chi phí theo từng token đã trở thành một mục ngân sách thực sự, thì Hy-Memory-30B-A3B là mô hình mở đầu tiên nhắm thẳng vào mục đó, và việc nó được kiểm thử trên một framework held-out chính là dấu hiệu rằng ai đó đã nghĩ về khả năng tổng quát hóa thay vì nghĩ về một bản demo. Hãy chờ một bản dựng lượng tử hóa. Hãy chờ ai đó ngoài nhóm chạy harness. Rồi hãy quyết định.

Và nếu bạn chỉ đơn thuần tò mò liệu một chuyên gia chuyên sâu có đánh bại một chuyên gia tổng quát trên lưu lượng truy cập của chính bạn hay không, thì việc thiết lập thử nghiệm rất rẻ và câu trả lời sẽ đặc thù cho dữ liệu của bạn chứ không phải cho một trong hai thẻ.

Một điều cuối cùng mà thẻ nói rõ còn các bảng thì không. Hy-Memory-30B-A3B được cấp phép theo Apache 2.0, nghĩa là thí nghiệm ở trên là thứ bạn được phép chạy cho mục đích thương mại, trên dữ liệu của chính mình, mà không cần trao đổi với đội ngũ pháp lý của bất kỳ ai. Đó là lập luận mạnh nhất mà mô hình có, và nó độc lập với việc liệu 55.49 có tái lập được hay không.