记忆这件事，正在被拆成一套独立的工程问题。腾讯混元团队开源了 Hy Memory 2.0，不是单个模型，而是一整套记忆基础设施：专用记忆写入模型、可编程记忆框架、桌面工具，三件套一起放出来。

核心是那个叫 Hy-Memory-30B-A3B 的模型。30B 参数、3B 激活的 MoE 架构，推理成本接近一个 3B 模型。思路很直接：用一个小的专用模型替代通用大模型去做记忆写入。

训练分两步走。先用 On-Policy Distillation，再上归因记忆强化学习，专门优化召回性能。这套组合拳的目标是让写入协议保持一致——记忆写入这件事，一致性比聪明更重要。

SDK 那边按场景切了三类记忆形态，各自解决各自的噪音问题：

  • 聊天记忆：分层结构，档位可调
  • 工作记忆：结合经验写入阈值控制规模
  • 编码记忆：只记录代码坐标并挂载 diff

编码场景的处理方式值得单独说一句。不存整段代码，只存坐标加 diff，等于把版本控制那套思路搬进了记忆层。代码库天天变，存快照没意义，存差异才有用。

存储后端做成插拔式，桌面工具 MemHub 可以同步多个 AI 工具的会话历史。向量检索、经验写入阈值、代码版本挂载这些能力都在 SDK 里。

性能数据是硬的。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，领先 Claude Opus 5。

EverMemOS 这一项尤其关键。它没参与训练，模型在上面仍然领先，说明泛化能力站得住，训练方法本身有效，而不是对着基准过拟合出来的分数。

把记忆从通用大模型里剥出来，交给专用小模型，成本结构会变。通用模型做记忆写入，等于每次记笔记都调用一次全量推理；专用模型只激活 3B，账算得过来。这套框架能不能成为标配，接下来看生态接不接。