腾讯混元团队开源了「Hy Memory 2.0」，包括一个专用的记忆写入模型 Hy-Memory-30B-A3B、一个可编程的记忆框架 hy-memory SDK、一个面向终端用户的桌面工具 MemHub，组成了一套完整的 “记忆基础设施”

相较于在通用大模型（如 Claude Opus）外面套一个记忆框架（如 Mem0、MemOS）的主流做法，Hy Memory 2.0 的做法是：用一个小的专用模型替代通用大模型做记忆写入，既便宜又能跨框架工作。

Hy Memory 2.0 的三个组成部分

模型：Hy-Memory-30B-A3B。30B 总参数、仅约 3B 激活的 MoE 架构（意味着推理成本接近一个 3B 模型）。训练分两步：先用 “On-Policy Distillation” 让学生模型在自己生成的记忆状态上学习各框架的写入协议，而不是简单模仿教师输出；再用“归因记忆强化学习”直接优化下游效果，用逐块探针定位贡献、跨上下文窗口携带自己写入的记忆库，保证训练与真实部署场景一致。

框架：hy-memory SDK。这是工程上最有含金量的部分。它按三类场景设计了不同的记忆形态：
· Chat 记忆采用 L1–L7 层级结构（原始对话 → 原子事实 → 会话摘要 → 心理模型 → 前瞻意图），分 lite / pro / ultra 三档，最低档零 LLM 调用、纯向量检索；
· Working 记忆区分“会话事实”和“可复用经验”两层，经验写入需通过价值阈值，避免记忆库膨胀；
· Coding 记忆只记录代码坐标（文件/函数/分支）而不粘贴代码本体，并以“装饰器”方式在事实下挂载每次修订的真实 diff，形成版本演化链，这个设计对代码场景的噪音控制很有效。

存储后端可插拔（ChromaDB/Qdrant/FAISS + Kuzu/Neo4j + SQLite），任何 OpenAI 兼容端点即可跑起来，pip install hy-memory 即用。

MemHub：本地优先的 CLI + Mac 桌面应用，把 Claude Code、Cursor、Codex、Qwen Code 等工具的会话历史统一到一个记忆运行时，实现“在 Cursor 里学到的偏好，Claude Code 也能用”。这是面向个人用户最直观的入口。

基准成绩实际怎么样？
在四个 harness（Mem0、Hy-Mem、MemOS、以及未参与训练的 EverMemOS）宏平均六个指标上，该模型以 55.49 排第一，Claude Opus 5 为 54.62；领先不到 1 分，且数据来自官方技术报告（基于固定的 20% 基准子样本），属自报成绩，尚待独立复现；

真正有说服力的是两点：一是在从未见过的 held-out 框架 EverMemOS 上仍领先（56.89 vs 54.04），证明其泛化能力而非过拟合特定协议；二是相比同架构基座 Qwen3-30B-A3B（44.37）提升约 11 分，说明训练方法本身有效；

用约 3B 激活参数的模型逼近甚至超过旗舰通用模型，性价比才是核心卖点；记忆写入是高频调用，成本差异会被放大。

SDK & MemHub: https://github.com/Tencent-Hunyuan/Hy-Memory
Model: https://huggingface.co/tencent/Hy-Memory-30B-A3B