Qu’est-ce que Hy-Memory-30B-A3B ?
Hy-Memory-30B-A3B est un modèle à mélange d'experts de Tencent Hy (anciennement Hunyuan), publié sur Hugging Face le 15 octobre 2026 avec un rapport technique sur arXiv. Il compte environ 30 milliards de paramètres, dont 3 milliards actifs par token, et repose sur la base Hy3-A3B de Tencent.
Ce n'est pas un modèle de chat. Il remplace le LLM généraliste qu'appellent les frameworks de mémoire comme Mem0, MemOS et le Hy-Memory de Tencent pour extraire des faits des conversations, décider de ce qu'il faut garder et mettre à jour la banque de mémoire stockée. Il a été entraîné en deux étapes : une distillation on-policy depuis le modèle phare Hy3 de Tencent, puis un apprentissage par renforcement qui note chaque fragment de mémoire écrit.
Les poids sont sous Apache 2.0, sous forme d'un unique checkpoint BF16 d'environ 60GB. Tencent n'a publié aucune annonce de lancement et il n'existe pas d'API hébergée.
Combien coûte Hy-Memory-30B-A3B ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free | Apache 2.0, BF16 uniquement |
| Hosted API | Not offered |
Poids ouverts sous Apache 2.0 ; pas d'API hébergée.
Hy-Memory-30B-A3B vaut-il le coup ?
Hy-Memory-30B-A3B vise un coût que la plupart des créateurs d'agents remarquent tard : chaque tour de conversation envoyé à Mem0 ou à un framework similaire déclenche un nouvel appel à un modèle coûteux, simplement pour décider quoi retenir. La réponse de Tencent est un spécialiste à 3B paramètres actifs, et sur sa propre évaluation il égale les modèles de pointe. Sur quatre frameworks de mémoire, il obtient en moyenne 55,49, contre 54,62 pour Claude Opus 5, 53,64 pour DeepSeek V4.1 Flash et 50,37 pour Qwen3.6-35B-A3B.
L'avance est mince et la méthode limitée. Sur les bancs d'essai Hy-Memory et MemOS, l'écart avec Opus est inférieur à un dixième de point ; la différence vient de Mem0 (0,6 point) et du banc EverMemOS tenu à l'écart de l'entraînement (2,8 points). Tous les benchmarks ont tourné sur un sous-échantillon fixe de 20 %, et Opus l'emporte encore sur plusieurs métriques individuelles, dont LoCoMo dans Mem0 (69,47 contre 59,54). Tous les modèles rédacteurs obtiennent entre 14 et 24 environ au test des préférences d'achat : la mémoire des préférences reste faible, quel que soit le modèle qui l'écrit.
La preuve la plus solide est le transfert. EverMemOS a été exclu de l'entraînement, et le meilleur score du modèle sur ce banc (56,89) laisse penser qu'il a appris la tâche plutôt que les prompts d'un framework. C'est important, car les prompts d'écriture de mémoire varient beaucoup d'un framework à l'autre.
Le déploiement est moins abouti que la recherche. Il n'y a qu'un checkpoint BF16 d'environ 60GB en 51 fragments, sans version FP8, GGUF ni quantifiée : il faut donc un GPU de la classe 80GB ou deux plus petits, bien plus que ne le laissent penser ses 3B paramètres actifs. Pour une équipe qui paie déjà une API de pointe pour écrire de la mémoire à grande échelle, ce matériel est le prix du changement.
Là où il fait la différence
Une ingénieure backend dans une startup d'applications compagnons avec 500 000 utilisateurs quotidiens
Réduire la facture d'API de l'extraction de mémoire de Mem0
Pointez le LLM de Mem0 vers un serveur vLLM qui exécute hy-memory en mode no-think. Chaque tour utilisateur qui serait allé à un modèle de pointe tourne désormais sur un modèle auto-hébergé à 3B paramètres actifs ; le modèle qui répond ne change pas.
Un ingénieur ML qui construit un assistant de code avec une mémoire de projet persistante
Enregistrer les faits sur le dépôt d'une session à l'autre
Les scores Code Memory Bench de Tencent dans Mem0 étaient de 67,13 contre 70,74 pour Opus : il est donc légèrement derrière ici ; testez sur vos propres dépôts avant de changer.
Une chercheuse qui compare des frameworks de mémoire pour agents
Garder le rédacteur constant entre Mem0, MemOS et EverMemOS
Les outils d'évaluation publiés sur GitHub fixent la recherche, les prompts et le juge pour que seul le rédacteur change, ce qui donne une base reproductible pour de nouvelles conceptions de mémoire.
Avant de vous engager
- Mise en route
- Servez-le avec vLLM (testé avec v0.31.0) sous le nom hy-memory et appelez l'API compatible OpenAI avec reasoning_effort réglé sur no_think, comme dans le quickstart de Tencent ; puis définissez-le comme LLM de votre framework de mémoire.
- Intégrations
- Mem0, MemOS, le framework Hy-Memory de Tencent (scénarios chat, travail et code) ; transfert démontré vers EverMemOS ; code du framework et outils d'évaluation sur GitHub.
- Données et confidentialité
- Apache 2.0 sans restriction d'usage. Auto-hébergé : les mémoires des utilisateurs ne quittent jamais votre infrastructure, principal gain de confidentialité par rapport à l'envoi de chaque tour à un modèle hébergé.
- Coût à grande échelle
- Environ 60GB de poids BF16, donc une H100 de 80GB ou deux GPU de 48GB ; aucune version quantifiée n'existe encore pour des cartes plus petites.
- Limites
- N'écrit que de la mémoire ; anglais et chinois ; longueur de contexte non indiquée sur la fiche ; résultats de benchmarks non reproduits de façon indépendante.
Les points forts
- Égale Claude Opus 5 comme rédacteur de mémoire sur la moyenne des quatre frameworks de Tencent (55,49 contre 54,62)
- Meilleur score sur le banc EverMemOS exclu de l'entraînement : il se transfère d'un framework à l'autre
- Remplace directement le LLM dans Mem0 et MemOS
- Apache 2.0
Les points faibles
- Tous les résultats viennent de Tencent, sur des sous-échantillons de 20 % des benchmarks
- Avance sur Opus inférieure à 0,1 point sur deux des quatre bancs
- Un seul checkpoint BF16 de 60GB ; aucune version quantifiée
- Ne fait qu'une tâche ; il vous faut toujours un modèle distinct pour répondre
Idéal pour
Les équipes qui exploitent Mem0, MemOS ou des couches de mémoire similaires à grand volume et veulent remplacer un modèle de pointe payant sur le chemin d'écriture par des poids auto-hébergés.
Alternatives à Hy-Memory-30B-A3B
Hy-Memory-30B-A3B : questions fréquentes
- Hy-Memory-30B-A3B vaut-il le coup ?
- Un modèle étroit fondé sur une idée solide, qui écrit la mémoire d'un agent aussi bien que Claude Opus 5 dans les tests de Tencent pour une fraction du coût, même si seul Tencent l'a mesuré. Nous lui donnons 3.7 sur 5.
- Combien coûte Hy-Memory-30B-A3B ?
- Poids ouverts sous Apache 2.0 ; pas d'API hébergée.
- Quels sont les inconvénients de Hy-Memory-30B-A3B ?
- Tous les résultats viennent de Tencent, sur des sous-échantillons de 20 % des benchmarks; avance sur Opus inférieure à 0,1 point sur deux des quatre bancs; un seul checkpoint BF16 de 60GB ; aucune version quantifiée; ne fait qu'une tâche ; il vous faut toujours un modèle distinct pour répondre.
- À qui s’adresse Hy-Memory-30B-A3B ?
- Les équipes qui exploitent Mem0, MemOS ou des couches de mémoire similaires à grand volume et veulent remplacer un modèle de pointe payant sur le chemin d'écriture par des poids auto-hébergés.
- Combien coûte Hy-Memory-30B-A3B pour une équipe ou en production ?
- Environ 60GB de poids BF16, donc une H100 de 80GB ou deux GPU de 48GB ; aucune version quantifiée n'existe encore pour des cartes plus petites.
- Hy-Memory-30B-A3B est-il sûr pour les données de l’entreprise ?
- Apache 2.0 sans restriction d'usage. Auto-hébergé : les mémoires des utilisateurs ne quittent jamais votre infrastructure, principal gain de confidentialité par rapport à l'envoi de chaque tour à un modèle hébergé.
- Quelles sont les meilleures alternatives à Hy-Memory-30B-A3B ?
- Les alternatives les plus proches que nous avons testées sont Qwen3.8-Flash-Next et DeepSeek-V4.1-Flash.
Réponses vérifiées le 31 oct. 2026.