O que é Hy-Memory-30B-A3B?
O Hy-Memory-30B-A3B é um modelo de mistura de especialistas da Tencent Hy (antes Hunyuan), publicado no Hugging Face em 15 de outubro de 2026 com um relatório técnico no arXiv. Tem cerca de 30 bilhões de parâmetros, 3 bilhões ativos por token, e é construído sobre a base Hy3-A3B da Tencent.
Não é um modelo de chat. Ele substitui o LLM de uso geral que frameworks de memória como Mem0, MemOS e o próprio Hy-Memory da Tencent chamam para extrair fatos de conversas, decidir o que guardar e atualizar o banco de memória armazenado. Foi treinado em duas etapas: destilação on-policy a partir do carro-chefe Hy3 da Tencent e, depois, aprendizado por reforço que avalia cada trecho de memória que ele escreve.
Os pesos estão sob Apache 2.0, como um único checkpoint BF16 de cerca de 60GB. A Tencent não publicou post de lançamento e não há API hospedada.
Quanto custa Hy-Memory-30B-A3B?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | Apache 2.0, apenas BF16 |
| Hosted API | Not offered |
Pesos abertos sob Apache 2.0; sem API hospedada.
Hy-Memory-30B-A3B vale a pena?
O Hy-Memory-30B-A3B mira um custo que a maioria de quem constrói agentes percebe tarde: cada turno de conversa enviado ao Mem0 ou a um framework parecido dispara outra chamada a um modelo caro só para decidir o que lembrar. A resposta da Tencent é um especialista com 3B ativos, e na avaliação da própria empresa ele empata com a fronteira. Em quatro frameworks de memória, a média é 55,49, contra 54,62 do Claude Opus 5, 53,64 do DeepSeek V4.1 Flash e 50,37 do Qwen3.6-35B-A3B.
A vantagem é pequena e o método é limitado. Nos harnesses Hy-Memory e MemOS, a diferença para o Opus é de menos de um décimo de ponto; a separação vem do Mem0 (0,6 ponto) e do harness EverMemOS, deixado fora do treino (2,8 pontos). Todos os benchmarks rodaram sobre uma subamostra fixa de 20%, e o Opus ainda vence em várias métricas individuais, incluindo LoCoMo dentro do Mem0 (69,47 a 59,54). Todos os escritores marcam entre cerca de 14 e 24 no teste de preferências de compra, então a memória de preferências continua fraca, seja qual for o modelo que a escreve.
A evidência mais forte é a transferência. O EverMemOS ficou fora do treino, e a pontuação máxima do modelo ali (56,89) sugere que ele aprendeu a tarefa, e não os prompts de um framework. Isso importa porque os prompts de escrita de memória variam muito entre frameworks.
A implantação é menos polida que a pesquisa. Há um único checkpoint BF16 de cerca de 60GB em 51 shards, sem versões FP8, GGUF ou quantizadas, então ele precisa de uma GPU da classe de 80GB ou de duas menores, bem mais do que os 3B parâmetros ativos sugerem. Para uma equipe que já paga uma API de fronteira por escritas de memória em escala, esse hardware é o preço da troca.
Onde ele se destaca
Um engenheiro de backend em uma startup de app de companhia com 500.000 usuários diários
Reduzir a conta de API da extração de memória do Mem0
Aponte o LLM do Mem0 para um servidor vLLM rodando o hy-memory no modo no-think. Cada turno de usuário que iria para um modelo de fronteira agora roda em um modelo auto-hospedado com 3B ativos; o modelo que responde continua o mesmo.
Um engenheiro de ML construindo um assistente de código com memória persistente de projeto
Registrar fatos do repositório entre sessões
As pontuações do Code Memory Bench da Tencent dentro do Mem0 foram 67,13 contra 70,74 do Opus, então ele fica um pouco atrás aqui; teste nos seus próprios repositórios antes de trocar.
Um pesquisador comparando frameworks de memória para agentes
Manter o escritor constante entre Mem0, MemOS e EverMemOS
As ferramentas de avaliação publicadas no GitHub fixam recuperação, prompts e juiz para que só o escritor mude, o que dá uma base reproduzível para novos designs de memória.
Antes de decidir
- Configuração
- Sirva com vLLM (testado com v0.31.0) como hy-memory e chame a API compatível com OpenAI com reasoning_effort definido como no_think, como no quickstart da Tencent; depois defina-o como o LLM do seu framework de memória.
- Integrações
- Mem0, MemOS, o framework Hy-Memory da Tencent (cenários de chat, trabalho e código); transferência demonstrada para o EverMemOS; código do framework e ferramentas de avaliação no GitHub.
- Dados e privacidade
- Apache 2.0 sem restrições de uso. Auto-hospedado, então as memórias dos usuários nunca saem da sua infraestrutura, o principal ganho de privacidade em relação a enviar cada turno para um modelo hospedado.
- Custo em escala
- Cerca de 60GB de pesos BF16, então uma H100 de 80GB ou duas GPUs de 48GB; ainda não há versões quantizadas que caibam em placas menores.
- Limites
- Só escreve memória; inglês e chinês; comprimento de contexto não informado no card; resultados de benchmark não reproduzidos de forma independente.
O que é bom
- Empata com o Claude Opus 5 como escritor de memória na média de quatro frameworks da Tencent (55,49 a 54,62)
- Melhor pontuação no harness EverMemOS, deixado fora do treino, então transfere entre frameworks
- Substitui diretamente o LLM dentro do Mem0 e do MemOS
- Apache 2.0
O que não é
- Todos os resultados vêm da Tencent, em subamostras de 20% dos benchmarks
- Vantagem sobre o Opus inferior a 0,1 ponto em dois dos quatro harnesses
- Um único checkpoint BF16 de 60GB; sem versões quantizadas
- Faz só uma tarefa; você ainda precisa de um modelo separado para responder
Ideal para
Equipes que rodam Mem0, MemOS ou camadas de memória parecidas em volume e querem trocar um modelo de fronteira pago no caminho de escrita por pesos auto-hospedados.
Alternativas ao Hy-Memory-30B-A3B
Hy-Memory-30B-A3B: perguntas frequentes
- Hy-Memory-30B-A3B vale a pena?
- Um modelo estreito com uma ideia sólida, que escreve memória de agente tão bem quanto o Claude Opus 5 nos testes da Tencent por uma fração do custo, embora só a Tencent o tenha medido. Damos nota 3.7 de 5.
- Quanto custa Hy-Memory-30B-A3B?
- Pesos abertos sob Apache 2.0; sem API hospedada.
- Quais são as desvantagens de Hy-Memory-30B-A3B?
- Todos os resultados vêm da Tencent, em subamostras de 20% dos benchmarks; vantagem sobre o Opus inferior a 0,1 ponto em dois dos quatro harnesses; um único checkpoint BF16 de 60GB; sem versões quantizadas; faz só uma tarefa; você ainda precisa de um modelo separado para responder.
- Para quem Hy-Memory-30B-A3B é indicado?
- Equipes que rodam Mem0, MemOS ou camadas de memória parecidas em volume e querem trocar um modelo de fronteira pago no caminho de escrita por pesos auto-hospedados.
- Quanto custa Hy-Memory-30B-A3B para uma equipe ou em produção?
- Cerca de 60GB de pesos BF16, então uma H100 de 80GB ou duas GPUs de 48GB; ainda não há versões quantizadas que caibam em placas menores.
- Hy-Memory-30B-A3B é seguro para dados da empresa?
- Apache 2.0 sem restrições de uso. Auto-hospedado, então as memórias dos usuários nunca saem da sua infraestrutura, o principal ganho de privacidade em relação a enviar cada turno para um modelo hospedado.
- Quais são as melhores alternativas ao Hy-Memory-30B-A3B?
- As alternativas mais próximas que analisamos são Qwen3.8-Flash-Next e DeepSeek-V4.1-Flash.
Respostas verificadas em 31 de out. de 2026.