腾讯混元 10 月 16 日开源 Hy Memory 2.0，三层齐发：Apache-2.0 的专用记忆写入模型 Hy-Memory-30B-A3B（约 3B 激活，HF + arXiv 技术报告）、覆盖 Chat/Working/Coding 三种场景的 Python SDK（PyPI hy-memory 2.0.x），以及本地优先的 MemHub（CLI + macOS，preview）。官方口径下，该模型替换 Mem0、MemOS、Hy-Memory 与留出的 EverMemOS 中的写入 LLM 后四框架均分 55.49，Claude Opus 5 为 54.62；评测基于固定 20% 子样本，部分单项仍落后 Opus 5。
核心要点速览
- ✓官方口径：四框架均分 55.49，Claude Opus 5 为 54.62，DeepSeek V4.1 Flash 53.64
- ✓留出框架 EverMemOS 上 56.89 vs Opus 5 的 54.04；Mem0 的 LoCoMo 单项仍落后（59.54 vs 69.47）
- ✓约 3B 激活、Apache-2.0，vLLM v0.31.0 实测可部署，OpenAI 兼容接口
- ✓SDK 一行 pip install hy-memory，Chat/Working/Coding 三场景自动路由
- ✓MemHub 支持 Linux 与 macOS（preview），不支持 Windows
开发者 3 秒速决决策指标
Claude Code 高频使用：比较订阅额度与 API 账单
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
Agent 的长期记忆多由 Mem0、MemOS 等框架负责，但「该记什么、怎么改旧记忆」通常交给通用大模型完成：用旗舰模型写记忆太贵，用小模型又容易漏记、写错。编程场景更麻烦，Claude Code、Cursor、Codex 各存各的上下文，换工具就从零开始。
架构亮点与底层机制
Hy Memory 2.0 分三层。模型层 Hy-Memory-30B-A3B 总参约 30B、每 token 激活约 3B，只负责记忆写入路径，可直接替换上述框架里的通用 LLM；按技术报告，训练分两阶段：先在实际部署的框架内做教师蒸馏监督（报告称 OPD），再用分块级奖励做强化学习。框架层 SDK 分 Chat（分层长期记忆）、Working（事实 + 可复用经验）、Coding（再加版本演进 diff 链）三场景并自动路由。应用层 MemHub 在本地汇总用户授权的对话与编码记录，再分别授权给各工具调用。
权威 Benchmark 与实测跑分对比
以下均为腾讯官方口径，且只在固定 20% 子样本上测。四框架均分：Hy-Memory-30B-A3B 55.49，Claude Opus 5 54.62，DeepSeek V4.1 Flash 53.64，Qwen3.6-35B-A3B 50.37。训练未见过的 EverMemOS 上为 56.89 对 54.04。领先幅度不到 1 分，且 Mem0 的 LoCoMo 单项仍明显落后 Opus 5（59.54 对 69.47）。第三方复现暂未见。
开发者实战落地与开箱指南
已在用 Mem0/MemOS 的团队，可以用 vLLM（官方测过 v0.31.0）起一个 hy-memory 服务，把写入模型换成它，对比成本与召回率。SDK 直接 pip install hy-memory。MemHub 目前是 preview，支持 Linux x64/arm64 与 macOS，不支持 Windows；接入前先看 Release 制品和隐私说明。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察