Hy-Memory-30B-A3B 對比 Granite 4.2 30B：記憶寫手與推理器，並非同一種採購選擇

Hy-Memory-30B-A3B與Granite 4.2 30B兩者都約有 300 億個參數，皆為開放權重，皆採用 Apache 2.0 授權，且發布時間相隔不到七週——而就採購試算表所能辨識的任何意義而言，它們都不是彼此的替代品。Hunyuan 團隊於 2026 年 10 月 15 日開源的 Hy-Memory-30B-A3B 只做一件事：它執行長期記憶框架內的寫入路徑，決定代理程式保留什麼，以及新證據如何覆寫它。IBM 於 2026 年 8 月 25 日在 Hugging Face 上發布的 Granite 4.2 30B，是一款稠密通用推理模型，具備可選的思考模式、工具呼叫，以及可從 128K 延伸至 512K 的上下文長度。一個是元件。一個是助理。計分板所衡量的事物，與實際部署所遭遇的事物之間的落差，正是這份紀錄之所以重要的原因：此類模型相關的已記載 AI 失效與代理程式事故，都收錄在 OrcaRouter AI 事故檔案庫其中每筆紀錄都附有自己的來源、嚴重性、信心等級與爭議標記。

那種誘人的比較——把兩者的基準測試表並排，看看誰勝出——是錯誤的比較，而且錯的方式會讓你賠錢。它們並非以相同的任務進行評估，部署方式也不同，而且其中一個無法以大多數人能執行的形式下載。接下來才是真正能決定事情的比較：各自用途是什麼、各自在硬體上會讓你花多少成本，以及你需要的是其中一個、另一個，還是兩者都要。

從區隔它們的軸線開始

Granite 4.2 30B 是稠密模型，這意味著它生成每一個 token 時，都會讀取其全部參數。它有三種推理模式——完整思考、低投入，以及無——可依每次請求選擇，且它以代理式強化學習進行後訓練，目標是在沙箱內的終端機、程式碼執行與網路搜尋。IBM 的模型卡宣稱在 SWE-Bench Verified 拿下 57.00、Terminal-Bench 2.1 為 29.24、AIME 2025 為 89.17，以及 MMLU-Pro 為 77.60。這些是廠商自行回報的數據，未經獨立重現，而且這個模型已推出兩個月——久到缺乏獨立評分算是稍微值得留意，但並不致命。

Hy-Memory-30B-A3B 是稀疏模型，這意味著它擁有 300 億個參數，但每個 token 只讀取約 30 億個，而且它是為單一任務而訓練的。Hy-Memory 卡將其描述為取代 Mem0、MemOS 和 Hy-Memory 內部的通用 LLM——決定要保留什麼、如何精確地表示它，以及新證據如何更新持久記憶庫。它隨後在 EverMemOS 上接受測試，這是一個完全排除在訓練之外的框架，是這兩個發布版本中最接近真正泛化測試的東西。其標題性主張：在四個測試框架上取得 55.49 的宏觀平均值，而 Claude Opus 5 為 54.62。同樣是供應商報告的，同樣未經重現，而且——與 Granite 的數字不同——是在每個基準的固定 20% 子樣本上評估，而非完整集合。

所以這些分數無法相比。Granite 在 SWE-Bench Verified 上的 57.00 與 Hy-Memory 的 55.49 巨集平均，是來自不同運動項目的數字，而把它們放進同一欄，會是算術上的謊言。

同樣值得注意這些數字從何而來。Hy-Memory 的數字位於一份技術報告 arXiv 2610.22196 中，該報告與權重發布同一天提交——主要來源公開且可讀，這比許多發布當天的表格所附帶的資訊還多。另一方的數字則放在模型卡上。兩者都是廠商在替自己的作業打分，而且都沒有經過任何其他人的評測框架。

規格，逐一維度來看

• 參數 — Hy-Memory-30B-A3B 總計 30B／約 3B 啟用參數的 MoE，相較之下 Granite 4.2 30B 約為 29B 稠密模型，所有參數在每個 token 上都會啟用。

• 層形狀 — Hy-Memory-30B-A3B 有 48 層，一個稠密前饋區塊和 47 個稀疏 MoE 區塊，每個區塊有 128 個專家，採用 top-8 路由，外加一個共享專家，對比 Granite 4.2 30B 的標準稠密僅解碼器 Transformer，具有 GQA、32 個注意力頭和 8 個鍵值頭。

• 上下文 — 從 Hy-Memory-30B-A3B 的設定檔來看為 262,144 個位置，對比 Granite 4.2 30B 的 128K 原生與 512K 擴充。

• 權重佔用量 — Hy-Memory-30B-A3B 約 60.1 GB，分布於 51 個 BF16 safetensors 分片；相較之下，Granite 4.2 30B 約有 29B 密集參數（BF16），並同時發布 FP8、NVFP4/MXFP4 與 GGUF 版本。

• 量化選項 — Hy-Memory-30B-A3B 完全沒有；團隊只發布了一個 BF16 檢查點，別無其他。Granite 4.2 30B 有官方 FP8 版本、兩種 4 位元格式，以及來自多個社群發布者的 GGUF 轉換檔。

• 推理控制 — Hy-Memory-30B-A3B 提供了reasoning_effort 切換，但該專案自己的快速入門以no_think 搭配 temperature 0.0 執行；Granite 4.2 30B 有三種思考模式，包括以 think 標籤包裝的完整思維鏈。

• 授權條款 — 兩者皆採用 Apache 2.0，這消除了法律審查原本會提出的兩個問題之一。

• 託管可用性 — 兩款模型皆未由託管廠商端點提供服務。Granite 4.2 30B 的模型卡列出了一個推論供應商；Hy-Memory-30B-A3B 的模型卡則明白指出沒有任何供應商部署它。

• 公開發表目的 —— 記憶寫入器對比通用推理模型。這是決定其上方一切的那一行。

硬體才是真正做出選擇的地方

這就是規格表所隱藏的不對稱。

Hy-Memory-30B-A3B 在 BF16 下是 60 GB，而且沒有量化替代方案。那不是能在筆電上評估的模型，也不是能在一張工作站顯示卡上啟動、看看論文說法是否成立的模型。想要驗證 Hy-Memory 數據的團隊，目前需要配置大致等同於小型生產部署的硬體，然後才能知道這東西是否真的能用。

Granite 4.2 30B 雖然是稠密模型，卻以你今天真的能跑得動的形式推出。FP8 與 4-bit 版本讓它能塞進單一加速器的記憶體中，而 GGUF 轉換則把可用的版本放上人們早已擁有的硬體。那個團隊是刻意推出這些版本的——一家廠商發布四種量化格式，等於是在告訴你，它預期這個模型是由讀到它的人自己來跑，而不是向資料中心租用。

那一切都不會讓 Granite 成為更好的模型。那只會讓 Granite 成為了解成本更低的模型。

非顯而易見的答案：這些屬於同一個系統

一個具備長期記憶的代理需要這兩種功能，而框架架構讓這種區分成為明確的設計，而非僅止於理論。

記憶掛載框架會在寫入路徑上呼叫一個寫入器——每一回合都觸發、輸出簡短、具確定性，而且它絕不能捏造使用者沒說過的事實。那正是 Hy-Memory-30B-A3B 的全部職責，而一個處於 no-think 設定的 3B 活躍參數模型，恰好就是最合適的形態：每次呼叫成本低廉，因為呼叫次數非常多。Granite 4.2 30B 並不是在爭奪這個位置。它該待的地方是讀取路徑以及圍繞讀取路徑的推理——決定要如何處理記憶庫裡的內容、規劃、呼叫工具、產出答案。那些才是面向前沿的呼叫，而密集推理模型的深度在其中值得它那份重量。

兩個模型、兩種截然不同的呼叫型態，而真正有趣的工程問題在於：你要如何把同一把金鑰放到兩者前面。這正是路由層的用途。OrcaRouter 的 路由 DSL 能把多個模型組合成單一次呼叫——你可以將寫入路徑指向自架的 Hy-Memory-30B-A3B 端點，讀取路徑則指向託管的頂尖模型，並用同一把 API 金鑰同時驅動兩者，橫跨 200+ 個模型，且當後端效能下滑時會自動容錯移轉。這兩個模型都不在我們的目錄中，我們也都不代管它們；兩者的可用性取決於你自己的硬體或供應商自家的管道。我們涵蓋的是另一半——圍繞在自架寫入端周遭的那些託管模型——以供應商定價 0% 加成提供。

在任一模型對你而言達到生產就緒之前，這個組合值得先理解，因為無論寫入路徑跑的是 Hy-Memory-30B-A3B，還是外掛記憶提示的通用模型，架構都是同一個。路由器並不在乎。日後把其中一個換成另一個，應該只是編輯路由表，而不是重寫。

要先看哪一個？

如果你有一個長時間執行的代理，搭配一套記憶框架，而寫入路徑目前是前沿模型，你每一回合都得支付前沿價格來運行它，那麼 Hy-Memory-30B-A3B 是兩者中更有意思的那個，也是那個有具體、可量化問題待解決的。去看看它吧——但去看的時候要明白，你的第一項任務是打造用來測試它的硬體，而且目前還沒有任何第三方確認過 55.49。

如果你需要一個能推理、呼叫工具，並在你擁有的顯示卡上執行的開放權重模型，Granite 4.2 30B 就是本週該評估的那一個。它已推出兩個月，量化版本也已存在，而它公布的數據尚未被重現——這對中型開放模型來說是正常狀態，本身並不是警訊。

如果你是在打造整套系統，誠實的答案是：你大概兩者都需要，各自扮演它們被設計來承擔的兩種角色；而真正有趣的工作，是在它們之間做路由，而不是在它們之間做選擇。