Hy-Memory-30B-A3B 对比 Qwen3.8-27B：专才型模型不是竞争对手——它是你已经在花钱让通才去做的那项工作的替代者

没有人会在Hy-Memory-30B-A3B和Qwen3.8-27B之间根据能力做选择，因为它们并不在同一个赛道。Qwen3.8-27B 是实验室的稠密 270 亿参数视觉语言模型——Apache 2.0、原生 262,144 token 上下文，发布于2026 年 8 月 14 日，并在 OrcaRouter 上提供服务，价格为每百万输入 token 0.33 美元、每百万输出 2.40 美元。Hy-Memory-30B-A3B 是混元团队的记忆写入器——总参数 30B，激活约 3B，于2026 年 10 月 15 日开源，并且根本没有在任何地方提供服务，包括我们。一个是可按 token 租用的通用模型。另一个是你必须自行托管的组件。基准会过时，价格会变动；但失败记录不会：这类模型背后有记录的 AI 事件和智能体故障都收录在 the OrcaRouter AI Incident Archive中，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。

把它们放在一起比较的真正原因在于，Hy-Memory-30B-A3B 的存在是为了替代某个特定的东西，而那个东西往往就是 Qwen3.8-27B。记忆框架会在每一轮调用一个通用模型来决定保留什么。如果你正是用 Qwen3.8-27B 来做这件事——以 $0.33/$2.40 的价格，它是个顺理成章的选择——那么真正该问的并不是哪个模型更好，而是：一个 3B 激活量的专用模型，能否把同样的活儿干得足够好，好到配得上那些硬件，而这个问题的答案附带一个你其实算得出来的价签。

从一个内存系统所关心的角度来看，Qwen3.8-27B 是什么

稠密，这意味着每生成一个 token 都要读取它的每一个参数。64 层，隐藏维度 5,120，以 16:1 的比例交替排布 Gated DeltaNet 线性注意力块与全注意力块——正是这一设计，才让二十五万 token 的上下文窗口在服务成本上变得可承受。它能接收文本、图像和视频并输出文本，而这一点在这里之所以重要，原因很实际：人们希望智能体记住的东西，很大一部分是以截图或文档的形式到来，而非成篇的文字。

厂商自己给出的说明卡声称，它在 LiveCodeBench v6 上达到 90.3，在 GPQA Diamond 上达到 89.2，在 Terminal-Bench 2.1 上达到 73.0，在 OSWorld-Verified 上达到 84.3，在 IFBench 上达到 79.5——全都是厂商自报，我们或任何我们能指认的人，都没有专门针对记忆写入这一工作负载复现过。该模型自发布以来已获得一些独立上榜成绩，包括在一个网页开发竞技场排行榜上进入前十，但这些都没有衡量它是否能写出好的记忆。目前还没有任何评测能做到这一点。

让它成为这项任务默认之选的原因，并不是那些分数中的任何一项，而是：它能精确地遵循指令，接受 JSON schema，拥有 262K 的窗口，因此你可以把一段很长的对话直接交给它，而无需做复杂的切块处理；而且它足够便宜，可以在每一轮都运行。

上方这一页把这两个模型的实质差别浓缩在一屏之内：Qwen3.8-27B 有费率和路由，而 Hy-Memory-30B-A3B 两样都没有。

Hy-Memory-30B-A3B 有何不同之处

Hy-Memory 模型只针对一项任务进行训练，其模型卡也毫不含糊地说明了这一点：它取代 Mem0、MemOS 和 Hy-Memory 内部的通用 LLM，决定保留哪些信息、以多高的精度表示这些信息，以及新证据应如何更新持久记忆库。随后，它在 EverMemOS 上进行评估，而 EverMemOS 是一个完全被排除在训练之外的框架——这是该发布中最值得称赞的一项设计决策，因为跨框架迁移正是其全部前提。

它的训练分为两个阶段，而第二阶段才是有意思的部分。Memory On-Policy Distillation 对学生自身产生的记忆状态提供密集监督。Attributed Memory Reinforcement Learning 随后从 rollout 中构建记忆库，逐块对它们评分，惩罚过度存储，并且——正是这一点让训练保持诚实——将选定的记忆库跨窗口向前传递，而不是在窗口之间重置。已部署的记忆库永远不会为空，因此用空记忆库来训练它，就等于在为一个并不存在的情境进行训练。

从架构上看，它有48层，包括一个稠密块和47个稀疏MoE块，128个专家采用top-8路由，外加一个共享专家，上下文长度为262,144个位置，BF16权重为60.1 GB，分布在51个分片中。未发布量化版本。

做卡片不做的算术

两个模型在长对话的每一轮都会触发。这使得写入路径成为一个体量问题，而体量正是专用模型更小的活跃参数规模应当体现优势的地方。

不妨采用一个具体、明确的假设，而非实测值：写入器每轮处理约 800 个 token 的对话，并输出约 150 个 token 的结构化记忆。在 1,000 轮中，这意味着每个用户有 800,000 个输入 token 和 150,000 个输出 token。按 OrcaRouter 针对 Qwen3.8-27B 的价目表——即供应商的刊例价以0% 加价直接透传，也就是每百万 $0.33 和 $2.40——这段对话的输入成本约为 $0.26，输出约为 $0.36，合计约 $0.62，此外还要加上答案模型打开记忆库时读取路径的成本。这些只是基于已公开价格的算术推算，并非基准测试，而且你实际的每轮 token 数会有所不同。

对于 Hy-Memory-30B-A3B，同样的 1,000 轮对话每 token 不产生任何费用，而每月成本却要大得多，因为根本没有价目表。该模型是自托管的，而在没有量化替代方案的情况下自托管 60 GB 的 BF16，就意味着需要一块内存足以容纳它的加速器——这一切还发生在你确认 55.49 的宏平均能否站得住脚之前。

所以，这个权衡不是便宜对昂贵。它是按量计费与资本投入之间的取舍，而临界点完全取决于你每月实际写入多少轮。一个每月跑几千次对话的团队，几乎肯定更划算的是按 Qwen3.8-27B 的每 token 费率付费，根本不用碰硬件这个问题。而一个要在数百万轮上写入记忆的团队，无论哪条路都得跑硬件，这时专用方案才变得有意思。

上面的卡片就是算术开始的地方：$0.33 费率的背后有一个可下载的 27B 检查点，而如果你的用量高到足以证明自己运行它是合理的，那也是一条受支持的路径，背后有已发布的量化版本。

比价隐藏的三件事

每 token 成本是最容易的维度，也是最不具决定性的一个。另外三个维度更重要。

多模态能力。Qwen3.8-27B 可处理图像和视频。Hy-Memory-30B-A3B 的规格卡上标明其输入为文本，支持英语和中文。如果你的智能体的记忆包含截图、扫描文档或视频帧，那么通用模型正在做的是专用模型在结构上根本无法完成的工作，而再大的成本优势也弥补不了这一点。

上下文。两者都公布 262,144 个位置，这确实是巧合，而且是有用的巧合——在一次性可以交给它的对话量上，谁都不占优势。

公布的精度。 Qwen3.8-27B 以 BF16 形式发布，同时提供官方 FP8 构建版本以及来自多家发布方的 GGUF 转换版本，而 OrcaRouter 则提供 block-FP8 版本，其视觉塔采用全精度。Hy-Memory-30B-A3B 仅以 BF16 形式发布，别无其他。这一行决定了你是能在一张借来的卡上评估它，还是需要预留一张卡。

路由答案取决于你选择哪个模型，因此会有所不同

这正是两条路径干净利落分道扬镳之处，值得精确以待，而非宣传粉饰。

Qwen3.8-27B 已收录在 OrcaRouter 的模型目录中。你可以用与其他 200 多个模型相同的 API 密钥调用它，按供应商的标价计费、零加价——因此供应商降价当天这里就会同步生效，而不用等到下一个计费周期——并且当某个后端性能下降时，还会自动故障转移。对于记忆框架来说，真正有用的是它的路由 DSL：它能把多个模型组合成一次调用，这样你就能在单个端点后面同时运行写入模型和回答模型，而无需再搭建一个客户端。模型融合会让一组模型共同作答，正是用来以实证方式弄清楚：专门的写入模型是否比通用模型生成更好的记忆库——让两者处理同一段对话，比较结果，然后别再争论了。

Hy-Memory-30B-A3B 不在我们的目录中，我们也不托管它。 获取它的途径是该团队提供的检查点，以及你自己的硬件。如果你自行托管它，路由器仍能覆盖循环的其余部分——回读记忆库的托管回答模型、围绕它的规划调用——并且它让你能在托管的端点之外注册自己的端点，从而让故障转移和一键访问同时适用于两者。

谁应该做什么

如果你如今是在托管式通用模型上进行记忆写入，那么诚实的第一个问题并不是要不要切换，而是你每个月实际写入多少轮。在只有你自己才能算出的某个阈值以下，按 token 计费的 Qwen3.8-27B 才是理性之选，而 Hy-Memory-30B-A3B 的硬件要求则是一种干扰——尤其是当你的记忆包含图像时，专用模型在这方面毫无优势。

如果你写入记忆的规模已经让每 token 的那项开销成为真正的预算条目，那么 Hy-Memory-30B-A3B 就是首个直接瞄准这一项的开源模型；而它是在一个留出的框架上接受测试的，这一事实说明有人考虑的是泛化，而不是做个演示。等一个量化构建。等团队之外的人跑一遍评测工具链。然后再决定。

而如果你只是好奇，在自己的流量上，专家型是否真能胜过通才型，那么搭起这个实验来成本很低，而且得到的答案会针对你自己的数据，而不是针对任何一张卡片。

最后一点，是模型卡明确说明而表格没有体现的。Hy-Memory-30B-A3B 采用 Apache 2.0 许可，这意味着上面的实验是你被允许商业化运行的，在你自己的数据上，无需与任何人的法律团队沟通。这是该模型最有力的论据，而且与 55.49 能否复现无关。