一个只激活3B参数的模型，在记忆筛选这件事上把大模型甩在了身后。腾讯发布的 Hy-Memory-30B-A3B，在基准测试中拿到 55.49 分，而 Claude Opus 5 是 54.62，DeepSeek V4.1 Flash 是 53.64。

这不是通用能力的比拼，而是一场针对性的拆解。Hy-Memory 要解决的问题很具体：AI 智能体到底该记住什么。

它的工作流程可以拆成几个动作：

  • 读取新对话内容
  • 筛选出值得存储的信息
  • 把证据转化为持久记忆
  • 在事实发生变更时更新记忆
  • 过滤掉无关数据

这套动作对应的是智能体长期运行中最容易失控的环节。对话越积越多，记忆库要么被噪音塞满，要么在关键事实变化后仍然保留旧版本。Hy-Memory 的设计目标就是在这两个方向上做取舍。

架构上，它是一个稀疏专家模型。30B 的体量，每 token 只激活约 3B 参数。这个比例意味着推理成本被压得很低，适合放在本地跑。

部署路径也给得很直接：开源权重，支持通过 vLLM + SGLang 部署，并提供 OpenAI 兼容 API。对已经在用这套工具链的团队来说，接入成本不高。

把记忆单独拆成一个专用模型，而不是塞进主模型里顺带处理，这个思路本身就值得注意。主模型负责推理和生成，记忆模型负责判断什么该留、什么该丢、什么该改。分工之后，两边都可以各自优化。

55.49 这个分数放在榜单上不算夸张，但它来自一个 30B 的稀疏模型，对手是体量大得多的前沿模型。选择性记忆这个任务上，规模没有带来优势。