Hy-Memory-30B-A3B 对比 Granite 4.2 30B：记忆写入器与推理器不是同一种采购

Hy-Memory-30B-A3B 和 Granite 4.2 30B 都是约 300 亿参数，都是开放权重，都是 Apache 2.0，发布时间相隔不到七周——而且，在任何采购表格所能识别的意义上，它们都不是彼此的替代品。Hy-Memory-30B-A3B 由混元团队开源，发布于2026年10月15日，只做一件事：它执行长期记忆框架内的写入路径，决定智能体保留什么以及新证据如何覆盖它。Granite 4.2 30B 由 IBM 在 Hugging Face 上发布，发布于2026年8月25日，是一个密集的通用推理模型，具有可选思考模式、工具调用以及可扩展至 512K 的 128K 上下文。一个是组件。一个是助手。 记分板所衡量的内容与部署所遇到的内容之间的这种差距，正是该记录重要的原因：这一类模型的已记录 AI 故障和智能体事件都收集在OrcaRouter AI Incident Archive中，其中每一条目都带有自己的来源、严重性、置信度等级和争议标记。

那种诱人的比较——把它们的基准测试表格排在一起，看谁赢——是错误的比较，而且错的方式会让你付出代价。它们并不是在相同的任务上被评估的，也不是以相同的方式部署的，而且其中一个无法以大多数人能运行的形式下载。接下来要说的，才是真正能决定任何事情的比较：它们各自的用途是什么、它们会让你在硬件上付出多少成本，以及你到底需要其中一个、另一个，还是两者都需要。

从将它们分开的轴开始

Granite 4.2 30B 是稠密模型，这意味着它每生成一个 token，都要读取其全部参数。它有三种推理模式——完整思考、低投入和无——可按请求选择，并且它通过智能体强化学习进行了后训练，目标场景是沙箱内的终端、代码执行和网络搜索。IBM 的模型卡声称，其在 SWE-Bench Verified 上得分 57.00，在 Terminal-Bench 2.1 上得分 29.24，在 AIME 2025 上得分 89.17，在 MMLU-Pro 上得分 77.60。这些都是厂商报告的数据，并未经过独立复现，而且该模型已发布两个月——这个时间已经久到，缺乏独立评分虽略值得一提，却不足以成为致命问题。

Hy-Memory-30B-A3B 是稀疏模型，也就是说它拥有 300 亿参数，但每个 token 只读取约 30 亿参数，而且它是为单一任务训练的。Hy-Memory 卡片将其描述为取代 Mem0、MemOS 和 Hy-Memory 内部的通用 LLM——决定保留什么、如何精确地表示它，以及新证据如何更新持久记忆库。随后，它在一个完全被排除在训练之外的框架 EverMemOS 上进行了测试，这是两次发布中最接近真正泛化测试的东西。其主打宣称是：在四个测试框架上取得 55.49 的宏平均分，而 Claude Opus 5 为 54.62。同样是厂商报告的，同样未经复现，而且——与 Granite 的数据不同——是在每个基准的固定 20% 子样本上评估的，而非完整集合。

所以这些分数根本没法比。Granite 在 SWE-Bench Verified 上的 57.00 与 Hy-Memory 的 55.49 宏平均，是来自不同赛项的两个数字，把它们塞进同一列，无异于在算术上撒谎。

同样值得注意的是这些数字从何而来。Hy-Memory 的数据出自一份技术报告，arXiv 2610.22196，提交于权重发布的同一天——一手来源公开且可读，这已经胜过许多发布日表格所附带的东西。另一方的数据则放在一张模型卡上。两者都是厂商在给自己批改作业，而且都没有经过任何其他人的评测框架。

规格，逐维度来看

• 参数 — Hy-Memory-30B-A3B 总参数 30B / 约 3B 激活的 MoE，对比 Granite 4.2 30B 大致为 29B 稠密参数，每个 token 上全部参数均激活。

• 层结构 — Hy-Memory-30B-A3B 有 48 层，包含一个密集前馈块和 47 个稀疏 MoE 块，每个块有 128 个专家，采用 top-8 路由外加一个共享专家；而 Granite 4.2 30B 则是标准的密集仅解码器 Transformer，带有 GQA、32 个注意力头和 8 个键值头。

• 上下文——根据其配置文件，Hy-Memory-30B-A3B 支持 262,144 个位置，而 Granite 4.2 30B 原生支持 128K，可扩展至 512K。

• 权重占用——Hy-Memory-30B-A3B 约为 60.1 GB，分布在 51 个 BF16 safetensors 分片中，而 Granite 4.2 30B 在 BF16 下约有 290 亿稠密参数，同时还发布了 FP8、NVFP4/MXFP4 和 GGUF 版本。

• 量化选项——Hy-Memory-30B-A3B 没有；该团队只发布了一个 BF16 检查点，再无其他。Granite 4.2 30B 有官方 FP8 构建、两种 4 位格式，以及来自多个社区发布者的 GGUF 转换版本。

• 推理控制——Hy-Memory-30B-A3B 公开了一个 reasoning_effort 开关，但该项目自己的快速入门却以 no_think 和温度 0.0 来运行它；Granite 4.2 30B 有三种思考模式，包括包裹在 think 标签中的完整思维链。

• 许可证 — 两者均采用 Apache 2.0，这就消除了法律审查原本会提出的两个问题中的一个。

• 托管可用性 — 两个模型均未通过托管厂商端点提供服务。Granite 4.2 30B 的模型卡列出了一家推理提供商；Hy-Memory-30B-A3B 的模型卡则明确表示没有任何提供商部署它。

• 公开用途 —— 记忆写入器对阵通用推理模型。这一行决定了它上方的所有内容。

硬件才是真正做出选择的地方

这就是规格表所隐藏的不对称。

Hy-Memory-30B-A3B 在 BF16 精度下需要 60 GB，且没有量化替代方案。这不是一个能在笔记本电脑上评估的模型，也不是一个能在单张工作站显卡上启动、以验证论文结论是否成立的模型。想要核验 Hy-Memory 数据的团队，目前得先准备好与小型生产部署大致相当的硬件，然后才能知道这东西是否行得通。

Granite 4.2 30B 尽管是稠密模型，却以你今天就能实际运行的形式发布。FP8 和 4 位版本让它能装进单块加速器的内存，而 GGUF 转换版本则把可用的模型带到了人们已经拥有的硬件上。该团队是有意发布这些构建的——一个发布四种量化格式的厂商，其实是在告诉你：它期望这个模型由读到它的人亲自运行，而不是从数据中心租用。

这些都不能让 Granite 成为更好的模型。它只是让 Granite 成为了解起来更便宜的那个模型。

不那么显而易见的答案是：它们属于同一个系统

具有长期记忆的智能体需要这两项功能，而框架架构使这种划分成为显式的，而非理论上的。

记忆框架会在写入路径上调用一个写入器——每轮都会触发、输出简短、具有确定性，而且绝不能编造用户没有说过的事实。这正是 Hy-Memory-30B-A3B 的全部职责，而一个在无思考设置下激活参数为 3B 的模型，恰好是适合它的形态：每次调用都很便宜，因为调用次数很多。Granite 4.2 30B 并不争夺这个位置。它该待的地方是读取路径以及围绕读取路径的推理——决定如何处理库中已有的内容、做规划、调用工具、产出答案。那些才是面向前沿的调用，在这些调用中，稠密推理模型的深度值得付出其成本。

两个模型，两种截然不同的调用特征，而真正有意思的工程问题是：如何用一把密钥同时撑起两者。这正是路由层的用武之地。OrcaRouter 的路由 DSL能把多个模型组合成一次调用——你可以把写入路径指向自托管的 Hy-Memory-30B-A3B 端点，把读取路径指向托管的前沿模型，并用同一把 API 密钥同时驱动两者，覆盖200 多个模型，且某个后端性能下降时会自动故障转移。这两个模型都不在我们的目录中，我们也都不托管它们；二者的可用性取决于你自己的硬件或厂商自有渠道。我们覆盖的是另一半——围绕自托管写入模型的那些托管模型——在供应商标价基础上的加价为0%。

在任一模型对你而言达到生产就绪之前，这套组合都值得理解，因为无论写入路径运行的是 Hy-Memory-30B-A3B，还是外挂了记忆提示词的通用模型，架构都是同一套。路由器对此并不关心。日后把其中一个换成另一个，应该只是改一下路由表，而不是重写。

先看哪一个？

如果你有一个长期运行的智能体，配有记忆框架，而写入路径目前是前沿模型，你每一轮都在付前沿价格来运行它，那么 Hy-Memory-30B-A3B 是两者中更有意思的那个，也是有一个具体、可量化问题需要解决的那个。去看看它——但去看的时候要明白，你的首要任务是搭建用来测试它的硬件，而且还没有第三方证实 55.49。

如果你需要一款能推理、调用工具，并且能在你自己拥有的显卡上运行的开放权重模型，那么 Granite 4.2 30B 就是本周值得评估的那一个。它发布已有两个月，其量化版本已经存在，而它公布的数据尚未被复现——对于一款中等规模的开放模型来说，这是正常状态，本身并不是警示信号。

如果你要构建整个系统，诚实的答案是，你很可能两个都需要，让它们各自承担被设计出来的角色，而真正有意思的工作在于二者之间的路由，而不是在二者之间做选择。