Tencent Hunyuan 15 октября 2026 открыла под лицензией Apache-2.0 весь стек Hy Memory 2.0 для долговременной памяти ИИ-агентов: Python-SDK hy-memory==2.0.1 на PyPI, монорепо Hy-Memory на GitHub и модель Hy-Memory-30B-A3B на Hugging Face. Модель построена как MoE на 30B параметров с 3B активными и обучена специально для записи долговременной памяти; по данным авторов, она занимает первое место на всех четырёх фреймворках памяти и опережает Claude Opus 5. Кроме модели, в релиз входят фреймворк с тремя сценами памяти и приложение MemHub, которое синхронизирует контекст между разными ИИ-ассистентами, так что описать его достаточно один раз.

image
image
image

Что произошло

15 октября 2026 команда Tencent Hunyuan выложила три артефакта одновременно. На PyPI появился Python-SDK hy-memory==2.0.1; на GitHub открылось монорепо Hy-Memory, внутри которого находится приложение MemHub в виде CLI и Mac-приложения; веса модели Hy-Memory-30B-A3B загружены на Hugging Face под Apache-2.0. Сама модель — Mixture of Experts на 30B параметров, из которых активны 3B; обучали её через on-policy дистилляцию и attributed-усиленное обучение с chunk-level GRPO, целенаправленно под операцию записи долговременной памяти. Авторы заявляют первое место на всех четырёх фреймворках памяти — Mem0, Hy-Memory, MemOS и EverMemOS — со средним результатом 55.49% против 54.62% у Claude Opus 5. Фреймворк ведёт три сцены памяти: chat с иерархией уровней L0–L7, working с фактами текущей сессии и переиспользуемым опытом, coding с цепочкой версий diff. MemHub синхронизирует память между 11 ИИ-инструментами, включая Claude Code, Cursor, Codex, OpenCode и Qwen Code.

Контекст

Долговременная память — одно из узких мест агентных систем: универсальная LLM сама по себе ничего не помнит между сессиями, поэтому к ней пристраивают внешние хранилища фактов на базе фреймворков вроде Mem0, MemOS и EverMemOS, а саму запись обычно выполняет та же большая модель по инструкции из промпта. Hy Memory 2.0 предлагает другую архитектуру: запись памяти выделена в отдельную обучаемую компоненту со своей специализированной моделью, а фреймворк задаёт, что и на каком уровне запоминается — иерархия уровней в чате, рабочие факты и переиспользуемый опыт в сессиях, цепочки версий в коде. Это методологически осмысленно, потому что запись долговременной памяти — специфическая операция: нужно решить, что достойно сохранения, в какой уровень иерархии это положить и как потом переиспользовать, и универсальный промпт с такими решениями справляется плохо. Показателен и выбор точки сравнения: фронтирная Claude Opus 5, то есть ставка сделана на эффект специализации, а не на простое увеличение размера модели. Память при этом идёт тем же путём, каким в агентных системах уже выделились ретриверы и вызовы инструментов в самостоятельные слои.

Почему это важно для индустрии

Главный сигнал для отрасли — не конкретная цифра бенчмарка, а архитектурное решение: долговременная память оформляется в самостоятельный инфраструктурный слой со своей моделью, фреймворком и протоколом синхронизации между инструментами. Открытая MoE-модель с 3B активных параметров, которую реально запускать локально, лицензия Apache-2.0 и заявленная совместимость с популярными фреймворками Mem0 и MemOS снижают стоимость и порог встраивания долгой памяти в существующие агентные стеки. Для memory-стартапов это коммодитизация: запись памяти дешевеет до уровня открытой инфраструктуры, чистая memory-подписка как бизнес оказывается под давлением, а ценность смещается к governance, observability и интеграциям поверх стека. Если независимые замеры подтвердят преимущество компактной специализированной модели над универсальными LLM, это станет аргументом за узкоспециализированные малые MoE-модели для отдельных агентных функций — память, планирование, верификация — и за типовой компонент агентных платформ в виде общего сервиса памяти на несколько агентов; вероятно и появление отдельной категории продуктов вокруг memory hub.

Почему это важно для пользователей

Стек доступен уже сейчас: достаточно выполнить pip install hy-memory==2.0.1, скачать веса Hy-Memory-30B-A3B с Hugging Face и запустить MemHub, который распространяется в виде CLI и Mac-приложения. Практический смысл для читателя: контекст проекта описывается один раз, после чего им пользуются Claude Code, Cursor, Codex, OpenCode, Qwen Code и другие поддерживаемые инструменты — без повторных объяснений каждому ассистенту. Из-за 3B активных параметров локальный запуск выглядит реалистичнее, чем можно ожидать от цифры 30B, поэтому эксперименты возможны на собственном железе без облака. Разумный первый шаг — прототип и пилот за день: поднять сервис памяти рядом с текущим агентом и A/B-сравнить его с существующим memory-слоем на собственном трафике, прежде чем судить о качестве записи.

Что пока неизвестно / ограничения

Ключевые числа — среднее 55.49% против 54.62% у Claude Opus 5 — самозаявленные: сравнение опубликовано авторами релиза, причём один из четырёх фреймворков, Hy-Memory, собственный, поэтому тождественность конфигураций бейслайнов и пайплайнов памяти требует отдельной проверки. Абляций, которые разделили бы вклад дистилляции, усиленного обучения и обычного промптинга той же модели, в доступных материалах нет, так что эффект специализации пока гипотеза. Инженерно важных данных для продакшна — latency, throughput, требования к железу, поведение при квантовании — в источниках не приведено. Наконец, доступность артефактов доказуема скачиванием, но качество записи памяти и работоспособность паттерна «описал контекст один раз — работает везде» пока не подтверждены независимыми замерами, поэтому стек стоит оценивать на собственных данных.

Источники

Автор

Look at AI, редакция