Hy Memory 2.0 de la Tencent: un instrument open-source de scriere a memoriei pentru agenții AI

Tencent Hunyuan a lansat Hy Memory 2.0 pe 15 octombrie 2026, prezentând un sistem conceput pentru a îmbunătăți modul în care agenții AI păstrează informații între conversații și sarcini. Ideea centrală este folosirea unui model dedicat scrierii amintirilor, în locul unui chatbot generalist care să decidă ce informații trebuie salvate. Lansarea contează pentru dezvoltatori deoarece păstrarea stării agenților și actualizarea faptelor care se schimbă rămân dificile pentru sistemele existente, iar articolul citează cercetări în care sistemele de top au identificat starea curentă corectă doar în 13–20% dintre cazuri după schimbarea faptelor. Tencent prezintă soluția ca pe o opțiune open-source care poate fi integrată în fluxuri de lucru existente pentru agenți.

Componenta principală, Hy-Memory-30B-A3B, are aproximativ 30 de miliarde de parametri în total, dintre care circa 3 miliarde sunt active pentru fiecare token, folosind o arhitectură mixture-of-experts. Antrenarea folosește Memory On-Policy Distillation, în care un model Hy3 înghețat supervizează studentul pe baza propriilor rezultate, și Attributed Memory Reinforcement Learning, care recompensează cât de bine pot fi rezolvate întrebări ulterioare folosind fragmentele de memorie stocate. Lansarea include și un SDK Python publicat ca hy-memory pe PyPI, cu suport pentru conversații, informații despre sarcini și memoria modificărilor de cod, precum și MemHub, o aplicație desktop local-first pentru macOS și Linux. Tencent raportează o medie macro de 55,49 pe patru evaluări pentru memorie și 72,6% la benchmarkul LoCoMo; articolul avertizează că aceste rezultate, obținute de furnizor și nereproduse independent, arată un avantaj redus față de sistemele comparate.

Licența Apache 2.0 și compatibilitatea declarată cu Mem0, MemOS și cadrul Tencent ar putea facilita testarea de către dezvoltatorii de agenți. Greutățile oficiale sunt disponibile în BF16 și ocupă aproximativ 60 GB, în timp ce cuantizările comunitare GGUF Q4 sunt raportate la circa 18 GB; articolul menționează și o problemă cu programul de instalare npm al MemHub, recomandând descărcarea codului sursă. Următorul pas practic este testarea sistemului în aplicații proprii și evaluarea calității memoriei, a costului de servire și a fiabilității integrării, fără a considera scorurile publicate drept dovezi concludente.