Hy-Memory-30B-A3Bとは？
Hy-Memory-30B-A3BはTencent Hy（旧Hunyuan）のmixture-of-expertsモデルで、2026年10月15日にHugging Faceで公開され、技術レポートがarXivに掲載されました。パラメータ数は約300億、トークンごとのアクティブは30億で、TencentのHy3-A3Bベースの上に構築されています。
チャットモデルではありません。Mem0、MemOS、Tencent自身のHy-Memoryなどの記憶フレームワークが、会話から事実を抽出し、何を残すかを決め、保存済みの記憶バンクを更新するために呼び出す汎用LLMを置き換えるものです。学習は2段階で、TencentのフラッグシップHy3からのオンポリシー蒸留の後、書き込む記憶のチャンクごとに採点する強化学習を行いました。
重みはApache 2.0で、約60GBのBF16チェックポイント1つとして提供されます。Tencentは公開時の告知記事を出しておらず、ホスト型APIもありません。
Hy-Memory-30B-A3Bの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | Apache 2.0、BF16のみ |
| Hosted API | Not offered |
Apache 2.0のオープンウェイトです。ホスト型APIはありません。
Hy-Memory-30B-A3Bは使う価値があるか？
Hy-Memory-30B-A3Bが狙うのは、多くのエージェント開発者が後になって気づくコストです。Mem0などのフレームワークに送られる会話の各ターンが、何を覚えるかを決めるだけのために、高価なモデルへの呼び出しをもう1回発生させます。Tencentの答えはアクティブ3Bの専門モデルで、自社の評価ではフロンティアに並んでいます。4つの記憶フレームワークの平均は55.49で、Claude Opus 5は54.62、DeepSeek V4.1 Flashは53.64、Qwen3.6-35B-A3Bは50.37です。
リードはわずかで、方法にも限界があります。Hy-MemoryとMemOSのハーネスでは、Opusとの差は0.1ポイント未満です。差がつくのはMem0（0.6ポイント）と、学習から除外されたEverMemOSハーネス（2.8ポイント）です。すべてのベンチマークは固定の20%のサブサンプルで実行されており、個別の指標ではOpusが勝つものもいくつかあります。Mem0内のLoCoMoもその一つです（69.47対59.54）。買い物の好みのテストでは、どの書き込みモデルも約14から24の間に収まり、どのモデルが書いても好みの記憶は弱いままです。
最も強い根拠は転移です。EverMemOSは学習から除外されており、そこでの最高スコア（56.89）は、モデルが1つのフレームワークのプロンプトではなく、仕事そのものを学んだことを示唆しています。記憶書き込み用のプロンプトはフレームワークごとに大きく異なるため、これは重要です。
導入面は研究ほど洗練されていません。約60GBのBF16チェックポイントが51個のシャードに分かれた1つだけで、FP8、GGUF、量子化版はありません。そのため80GBクラスのGPU 1基か小さめのGPU 2基が必要で、アクティブ3Bという数字から想像するよりはるかに多くを求めます。記憶の書き込みに大規模にフロンティアAPIの料金を払っているチームにとって、このハードウェアが乗り換えの代価です 。
真価を発揮する場面
1日のユーザーが50万人のコンパニオンアプリのスタートアップのバックエンドエンジニア
Mem0の記憶抽出にかかるAPI費用を削る
Mem0のLLMを、no-thinkモードでhy-memoryを動かすvLLMサーバーに向けます。フロンティアモデルに送られていたユーザーの各ターンが、セルフホストのアクティブ3Bモデルで処理されるようになります。回答用のモデルはそのままです。
プロジェクトの記憶を保持するコーディングアシスタントを作るMLエンジニア
セッションをまたいでリポジトリの事実を記録する
Mem0内でのTencentのCode Memory Benchのスコアは67.13で、Opusは70.74でした。ここではわずかに劣るため、切り替える前に自社のリポジトリで試してください。
エージェントの記憶フレームワークを比較する研究者
Mem0、MemOS、EverMemOSで書き込みモデルを固定する
GitHubで公開された評価ユーティリティは、検索、プロンプト、判定を固定して書き込みモデルだけを変えるため、新しい記憶設計の再現可能な ベースラインになります。
導入前に確認すること
- 導入
- vLLM（v0.31.0で検証済み）でhy-memoryとして配信し、Tencentのクイックスタートのとおりreasoning_effortをno_thinkにしてOpenAI互換APIを呼び出します。その後、記憶フレームワークのLLMとして設定します。
- 連携
- Mem0、MemOS、TencentのHy-Memoryフレームワーク（チャット、作業、コーディングのシナリオ）。EverMemOSへの転移が示されています。フレームワークのコードと評価ツールはGitHubにあります。
- データとプライバシー
- Apache 2.0で利用制限はありません。セルフホストなので、ユーザーの記憶は自社のインフラから出ません。すべてのターンをホスト型モデルに送る場合と比べた、プライバシー上の主な利点です。
- 大規模利用時のコスト
- BF16の重みは約60GBなので、80GBのH100 1基か48GBのGPU 2基が必要です。小さいカードに収める量子化版はまだありません。
- 制限
- 記憶の書き込み専用です。英語と中国語に対応します。コンテキスト長は モデルカードに記載がありません。ベンチマーク結果は独立に再現されていません。
良い点
- Tencentの4フレームワーク平均で、記憶の書き込みモデルとしてClaude Opus 5と並びます（55.49対54.62）
- 学習から除外したEverMemOSハーネスで最高スコアで、フレームワーク間で転移します
- Mem0とMemOS内のLLMとしてそのまま置き換えられます
- Apache 2.0です
気になる点
- 結果はすべてTencentによるもので、ベンチマークの20%のサブサンプルです
- 4つのハーネスのうち2つでは、Opusとの差が0.1ポイント未満です
- 60GBのBF16チェックポイント1つのみで、量子化版はありません
- 仕事はひとつだけで、回答用のモデルは別に必要です
おすすめの人
Mem0、MemOSなどの記憶レイヤーを大量に運用し、書き込み経 路の有料フロンティアモデルをセルフホストの重みに置き換えたいチーム。
Hy-Memory-30B-A3Bの代替
Hy-Memory-30B-A3B：よくある質問
- Hy-Memory-30B-A3Bは使う価値があるか？
- 用途の狭いモデルですが発想は堅実です。Tencentのテストでは、エージェントの記憶をClaude Opus 5と同等に、ごく一部のコストで書き込みます。ただし測定したのはTencentだけです。 評価は5点満点中3.7点です。
- Hy-Memory-30B-A3Bの料金は？
- Apache 2.0のオープンウェイトです。ホスト型APIはありません。
- Hy-Memory-30B-A3Bの欠点は？
- 結果はすべてTencentによるもので、ベンチマークの20%のサブサンプルです; 4つのハーネスのうち2つでは、Opusとの差が0.1ポイント未満です; 60GBのBF16チェックポイント1つのみで、量子化版はありません; 仕事はひとつだけで、回答用のモデルは別に必要です.
- Hy-Memory-30B-A3Bは誰に向いているか？
- Mem0、MemOSなどの記憶レイヤーを大量に運用し、書き込み経路の有料フロンティアモデルをセルフホストの重みに置き換えたいチーム。
- チームや本番環境でHy-Memory-30B-A3Bを使うと費用はいくらか？
- BF16の重みは約60GBなので、80GBのH100 1基か48GBのGPU 2基が必要です。小さいカードに収める量子化版はまだありません。
- Hy-Memory-30B-A3Bは企業データを扱っても安全か？
- Apache 2.0で利用制限はありません。セルフホストな ので、ユーザーの記憶は自社のインフラから出ません。すべてのターンをホスト型モデルに送る場合と比べた、プライバシー上の主な利点です。
- Hy-Memory-30B-A3Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はQwen3.8-Flash-Next 、 DeepSeek-V4.1-Flashです。
回答確認日：2026年10月31日