¿Qué es Hy-Memory-30B-A3B?
Hy-Memory-30B-A3B es un modelo de mezcla de expertos de Tencent Hy (antes Hunyuan), publicado en Hugging Face el 15 de octubre de 2026 con un informe técnico en arXiv. Tiene unos 30.000 millones de parámetros, 3.000 millones activos por token, y está construido sobre la base Hy3-A3B de Tencent.
No es un modelo de chat. Sustituye al LLM de uso general al que llaman frameworks de memoria como Mem0, MemOS y el propio Hy-Memory de Tencent para extraer hechos de las conversaciones, decidir qué conservar y actualizar el banco de memoria almacenado. Se entrenó en dos fases: destilación on-policy a partir del modelo insignia Hy3 de Tencent y después aprendizaje por refuerzo que puntúa cada fragmento de memoria que escribe.
Los pesos están bajo Apache 2.0, como un único checkpoint BF16 de unos 60GB. Tencent no publicó ningún anuncio de lanzamiento y no hay API alojada.
¿Cuánto cuesta Hy-Memory-30B-A3B?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | Apache 2.0, solo BF16 |
| Hosted API | Not offered |
Pesos abiertos bajo Apache 2.0; sin API alojada.
¿Merece la pena Hy-Memory-30B-A3B?
Hy-Memory-30B-A3B apunta a un coste que la mayoría de quienes crean agentes descubren tarde: cada turno de conversación enviado a Mem0 o a un framework parecido desencadena otra llamada a un modelo caro solo para decidir qué recordar. La respuesta de Tencent es un especialista con 3B activos, y en su propia evaluación iguala a la frontera. En cuatro frameworks de memoria promedia 55,49, frente a 54,62 de Claude Opus 5, 53,64 de DeepSeek V4.1 Flash y 50,37 de Qwen3.6-35B-A3B.
La ventaja es mínima y el método, limitado. En los entornos de Hy-Memory y MemOS la diferencia con Opus es de menos de una décima de punto; la separación viene de Mem0 (0,6 puntos) y del entorno EverMemOS reservado fuera del entrenamiento (2,8 puntos). Todos los benchmarks se ejecutaron sobre una submuestra fija del 20%, y Opus sigue ganando en varias métricas concretas, como LoCoMo dentro de Mem0 (69,47 frente a 59,54). Todos los modelos escritores puntúan entre unos 14 y 24 en la prueba de preferencias de compra, así que la memoria de preferencias sigue siendo débil sea cual sea el modelo que la escribe.
La prueba más sólida es la transferencia. EverMemOS quedó fuera del entrenamiento, y la mejor puntuación del modelo allí (56,89) sugiere que aprendió la tarea y no los prompts de un framework concreto. Eso importa porque los prompts de escritura de memoria cambian mucho entre frameworks.
El despliegue está menos pulido que la investigación. Hay un único checkpoint BF16 de unos 60GB en 51 fragmentos, sin versiones FP8, GGUF ni cuantizadas, así que necesita una GPU de clase 80GB o dos más pequeñas, mucho más de lo que sugieren sus 3B parámetros activos. Para un equipo que ya paga una API de frontera por escrituras de memoria a escala, ese hardware es el precio del cambio.
Dónde se gana su sitio
Una ingeniera de backend en una startup de apps de compañía con 500.000 usuarios diarios
Recortar la factura de API de la extracción de memoria de Mem0
Apunta el LLM de Mem0 a un servidor vLLM que ejecute hy-memory en modo no-think. Cada turno de usuario que habría ido a un modelo de frontera se ejecuta ahora en un modelo autoalojado con 3B activos; el modelo que responde no cambia.
Un ingeniero de ML que construye un asistente de programación con memoria persistente del proyecto
Registrar datos del repositorio entre sesiones
Las puntuaciones de Code Memory Bench de Tencent dentro de Mem0 fueron 67,13 frente a 70,74 de Opus, así que aquí va ligeramente por detrás; prueba con tus propios repositorios antes de cambiar.
Una investigadora que compara frameworks de memoria para agentes
Mantener constante el escritor en Mem0, MemOS y EverMemOS
Las utilidades de evaluación publicadas en GitHub fijan la recuperación, los prompts y el juez para que solo cambie el escritor, lo que da una base reproducible para nuevos diseños de memoria.
Antes de decidirte
- Puesta en marcha
- Sírvelo con vLLM (probado con v0.31.0) como hy-memory y llama a la API compatible con OpenAI con reasoning_effort en no_think, como en el quickstart de Tencent; después configúralo como LLM de tu framework de memoria.
- Integraciones
- Mem0, MemOS, el framework Hy-Memory de Tencent (escenarios de chat, trabajo y programación); se ha demostrado que se transfiere a EverMemOS; código del framework y herramientas de evaluación en GitHub.
- Datos y privacidad
- Apache 2.0 sin restricciones de uso. Autoalojado, así que las memorias de los usuarios nunca salen de tu infraestructura, que es la principal ventaja de privacidad frente a enviar cada turno a un modelo alojado.
- Coste a escala
- Unos 60GB de pesos BF16, así que una H100 de 80GB o dos GPU de 48GB; todavía no hay versiones cuantizadas para tarjetas más pequeñas.
- Límites
- Solo escribe memoria; inglés y chino; longitud de contexto no indicada en la ficha; resultados de benchmarks no reproducidos de forma independiente.
Lo bueno
- Iguala a Claude Opus 5 como escritor de memoria en la media de cuatro frameworks de Tencent (55,49 frente a 54,62)
- Mejor puntuación en el entorno EverMemOS reservado, así que se transfiere entre frameworks
- Sustituye directamente al LLM dentro de Mem0 y MemOS
- Apache 2.0
Lo malo
- Todos los resultados son de Tencent, sobre submuestras del 20% de los benchmarks
- Ventaja sobre Opus de menos de 0,1 puntos en dos de los cuatro entornos
- Un único checkpoint BF16 de 60GB; sin versiones cuantizadas
- Hace una sola tarea; sigues necesitando un modelo aparte para responder
Ideal para
Equipos que ejecutan Mem0, MemOS o capas de memoria similares a gran volumen y quieren sustituir un modelo de frontera de pago en la ruta de escritura por pesos autoalojados.
Alternativas a Hy-Memory-30B-A3B
Hy-Memory-30B-A3B: preguntas frecuentes
- ¿Merece la pena Hy-Memory-30B-A3B?
- Un modelo estrecho con una idea sólida, que escribe la memoria de un agente tan bien como Claude Opus 5 en las pruebas de Tencent por una fracción del coste, aunque solo Tencent lo ha medido. Le damos un 3.7 sobre 5.
- ¿Cuánto cuesta Hy-Memory-30B-A3B?
- Pesos abiertos bajo Apache 2.0; sin API alojada.
- ¿Qué inconvenientes tiene Hy-Memory-30B-A3B?
- Todos los resultados son de Tencent, sobre submuestras del 20% de los benchmarks; ventaja sobre Opus de menos de 0,1 puntos en dos de los cuatro entornos; un único checkpoint BF16 de 60GB; sin versiones cuantizadas; hace una sola tarea; sigues necesitando un modelo aparte para responder.
- ¿Para quién es Hy-Memory-30B-A3B?
- Equipos que ejecutan Mem0, MemOS o capas de memoria similares a gran volumen y quieren sustituir un modelo de frontera de pago en la ruta de escritura por pesos autoalojados.
- ¿Cuánto cuesta Hy-Memory-30B-A3B para un equipo o en producción?
- Unos 60GB de pesos BF16, así que una H100 de 80GB o dos GPU de 48GB; todavía no hay versiones cuantizadas para tarjetas más pequeñas.
- ¿Es Hy-Memory-30B-A3B seguro para los datos de la empresa?
- Apache 2.0 sin restricciones de uso. Autoalojado, así que las memorias de los usuarios nunca salen de tu infraestructura, que es la principal ventaja de privacidad frente a enviar cada turno a un modelo alojado.
- ¿Cuáles son las mejores alternativas a Hy-Memory-30B-A3B?
- Las alternativas más cercanas que hemos analizado son Qwen3.8-Flash-Next y DeepSeek-V4.1-Flash.
Respuestas comprobadas el 31 oct 2026.