Was ist Hy-Memory-30B-A3B?
Hy-Memory-30B-A3B ist ein Mixture-of-Experts-Modell von Tencent Hy (früher Hunyuan), am 15. Oktober 2026 auf Hugging Face veröffentlicht, mit einem technischen Bericht auf arXiv. Es hat rund 30 Milliarden Parameter, davon 3 Milliarden pro Token aktiv, und baut auf Tencents Basismodell Hy3-A3B auf.
Es ist kein Chatmodell. Es ersetzt das Allzweck-LLM, das Memory-Frameworks wie Mem0, MemOS und Tencents eigenes Hy-Memory aufrufen, um Fakten aus Gesprächen zu extrahieren, zu entscheiden, was bleibt, und die gespeicherte Memory-Bank zu aktualisieren. Trainiert wurde es in zwei Stufen: On-Policy-Destillation aus Tencents Flaggschiff Hy3 und danach Reinforcement Learning, das jeden geschriebenen Memory-Abschnitt bewertet.
Die Gewichte stehen unter Apache 2.0, als ein einziger BF16-Checkpoint von etwa 60GB. Tencent hat keinen Launch-Beitrag veröffentlicht, und es gibt keine gehostete API.
Was kostet Hy-Memory-30B-A3B?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free | Apache 2.0, nur BF16 |
| Hosted API | Not offered |
Offene Gewichte unter Apache 2.0; keine gehostete API.
Lohnt sich Hy-Memory-30B-A3B?
Hy-Memory-30B-A3B zielt auf Kosten, die den meisten Agenten-Entwicklern spät auffallen: Jeder Gesprächszug, der an Mem0 oder ein ähnliches Framework geht, löst einen weiteren Aufruf eines teuren Modells aus, nur um zu entscheiden, was gespeichert wird. Tencents Antwort ist ein Spezialist mit 3B aktiven Parametern, und in der eigenen Auswertung erreicht er das Frontier-Niveau. Über vier Memory-Frameworks kommt er im Schnitt auf 55,49, gegenüber 54,62 für Claude Opus 5, 53,64 für DeepSeek V4.1 Flash und 50,37 für Qwen3.6-35B-A3B.
Der Vorsprung ist knapp und die Methode begrenzt. In den Harnesses von Hy-Memory und MemOS liegt der Abstand zu Opus unter einem Zehntelpunkt; der Unterschied entsteht bei Mem0 (0,6 Punkte) und beim nicht im Training verwendeten EverMemOS-Harness (2,8 Punkte). Jeder Benchmark lief auf einer festen Stichprobe von 20%, und Opus gewinnt weiterhin bei mehreren einzelnen Metriken, darunter LoCoMo innerhalb von Mem0 (69,47 zu 59,54). Alle schreibenden Modelle erreichen im Test zu Einkaufsvorlieben nur etwa 14 bis 24, Präferenz-Memory bleibt also schwach, egal welches Modell sie schreibt.
Der stärkste Beleg ist die Übertragbarkeit. EverMemOS war vom Training ausgenommen, und der Spitzenwert des Modells dort (56,89) spricht dafür, dass es die Aufgabe gelernt hat und nicht die Prompts eines Frameworks. Das zählt, weil sich die Prompts zum Schreiben von Memory zwischen Frameworks stark unterscheiden.
Das Deployment ist weniger ausgereift als die Forschung. Es gibt einen BF16-Checkpoint von etwa 60GB in 51 Shards, ohne FP8-, GGUF- oder quantisierte Builds, also braucht es eine GPU der 80GB-Klasse oder zwei kleinere, weit mehr, als seine 3B aktiven Parameter vermuten lassen. Für ein Team, das für Memory-Schreibvorgänge im großen Stil bereits eine Frontier-API bezahlt, ist diese Hardware der Preis des Wechsels.
Wo es sich lohnt
Eine Backend-Entwicklerin bei einem Start-up für Companion-Apps mit 500.000 täglichen Nutzern
Die API-Rechnung für die Memory-Extraktion in Mem0 senken
Richte das LLM von Mem0 auf einen vLLM-Server, der hy-memory im No-Think-Modus ausführt. Jeder Nutzerzug, der an ein Frontier-Modell gegangen wäre, läuft jetzt auf einem selbst gehosteten Modell mit 3B aktiven Parametern; das Antwortmodell bleibt unverändert.
Ein ML-Engineer, der einen Coding-Assistenten mit dauerhaftem Projekt-Memory baut
Fakten über das Repository sitzungsübergreifend festhalten
Tencents Werte im Code Memory Bench innerhalb von Mem0 lagen bei 67,13 gegenüber 70,74 für Opus, hier liegt es also leicht zurück; teste mit deinen eigenen Repositories, bevor du wechselst.
Eine Forscherin, die Memory-Frameworks für Agenten vergleicht
Den Schreiber über Mem0, MemOS und EverMemOS konstant halten
Die auf GitHub veröffentlichten Evaluationswerkzeuge fixieren Retrieval, Prompts und Judge, sodass sich nur der Schreiber ändert; das ergibt eine reproduzierbare Basis für neue Memory-Designs.
Bevor du dich festlegst
- Einrichtung
- Mit vLLM (getestet mit v0.31.0) als hy-memory bereitstellen und die OpenAI-kompatible API mit reasoning_effort auf no_think aufrufen, wie in Tencents Quickstart; dann als LLM in deinem Memory-Framework eintragen.
- Integrationen
- Mem0, MemOS, Tencents Hy-Memory-Framework (Szenarien für Chat, Arbeit und Coding); nachweislich übertragbar auf EverMemOS; Framework-Code und Evaluationswerkzeuge auf GitHub.
- Daten und Datenschutz
- Apache 2.0 ohne Nutzungsbeschränkungen. Selbst gehostet, also verlassen Nutzer-Memories nie deine Infrastruktur, der wichtigste Datenschutzgewinn gegenüber dem Senden jedes Zugs an ein gehostetes Modell.
- Kosten im großen Maßstab
- Etwa 60GB BF16-Gewichte, also eine H100 mit 80GB oder zwei GPUs mit 48GB; quantisierte Builds für kleinere Karten gibt es noch nicht.
- Grenzen
- Schreibt nur Memory; Englisch und Chinesisch; Kontextlänge auf der Modellkarte nicht angegeben; Benchmark-Ergebnisse nicht unabhängig reproduziert.
Was gut ist
- Erreicht als Memory-Schreiber Claude Opus 5 im Vier-Framework-Schnitt von Tencent (55,49 zu 54,62)
- Bester Wert im ausgenommenen EverMemOS-Harness, überträgt sich also zwischen Frameworks
- Direkter Ersatz für das LLM in Mem0 und MemOS
- Apache 2.0
Was nicht
- Alle Ergebnisse von Tencent, auf Benchmark-Stichproben von 20%
- Vorsprung vor Opus unter 0,1 Punkten in zwei von vier Harnesses
- Ein einzelner BF16-Checkpoint mit 60GB; keine quantisierten Builds
- Erledigt nur eine Aufgabe; du brauchst weiter ein separates Antwortmodell
Am besten für
Teams, die Mem0, MemOS oder ähnliche Memory-Schichten mit hohem Volumen betreiben und auf dem Schreibpfad ein bezahltes Frontier-Modell durch selbst gehostete Gewichte ersetzen wollen.
Alternativen zu Hy-Memory-30B-A3B
Hy-Memory-30B-A3B: häufige Fragen
- Lohnt sich Hy-Memory-30B-A3B?
- Ein schmales Modell mit einer soliden Idee, das in Tencents Tests Agenten-Memory so gut schreibt wie Claude Opus 5, zu einem Bruchteil der Kosten, auch wenn bisher nur Tencent es gemessen hat. Wir bewerten es mit 3.7 von 5.
- Was kostet Hy-Memory-30B-A3B?
- Offene Gewichte unter Apache 2.0; keine gehostete API.
- Welche Nachteile hat Hy-Memory-30B-A3B?
- Alle Ergebnisse von Tencent, auf Benchmark-Stichproben von 20%; Vorsprung vor Opus unter 0,1 Punkten in zwei von vier Harnesses; Ein einzelner BF16-Checkpoint mit 60GB; keine quantisierten Builds; Erledigt nur eine Aufgabe; du brauchst weiter ein separates Antwortmodell.
- Für wen eignet sich Hy-Memory-30B-A3B?
- Teams, die Mem0, MemOS oder ähnliche Memory-Schichten mit hohem Volumen betreiben und auf dem Schreibpfad ein bezahltes Frontier-Modell durch selbst gehostete Gewichte ersetzen wollen.
- Was kostet Hy-Memory-30B-A3B für ein Team oder im Produktivbetrieb?
- Etwa 60GB BF16-Gewichte, also eine H100 mit 80GB oder zwei GPUs mit 48GB; quantisierte Builds für kleinere Karten gibt es noch nicht.
- Ist Hy-Memory-30B-A3B sicher für Firmendaten?
- Apache 2.0 ohne Nutzungsbeschränkungen. Selbst gehostet, also verlassen Nutzer-Memories nie deine Infrastruktur, der wichtigste Datenschutzgewinn gegenüber dem Senden jedes Zugs an ein gehostetes Modell.
- Was sind die besten Alternativen zu Hy-Memory-30B-A3B?
- Die nächsten Alternativen, die wir getestet haben, sind Qwen3.8-Flash-Next und DeepSeek-V4.1-Flash.
Antworten geprüft am 31. Okt. 2026.