腾讯混元HyMemory 2.0开源：三层全开源记忆框架，专用小模型超Claude Opus 5

腾讯混元HyMemory 2.0开源：三层全开源记忆框架，专用小模型超Claude Opus 5

Agent的记忆，过去一年从“学术话题”变成“工程刚需”——把聊天记录塞回prompt、跨会话就忘干净，是大多数智能体默认行为。腾讯混元在2026年10月16日把记忆框架HyMemory升级到2.0，并一次性开源了模型、框架、应用三层——一个专为“读写记忆”训练的小模型Hy-Memory-30B-A3B、一套双系统记忆引擎HyMemory SDK、以及一个本地记忆管理应用MemHub。几句判断先说在前面：其一，它真正新的是“把记忆写入单独训成一个模型”，而不是又一个把向量库包一层的框架；其二，“三层全开源”是实打实的——模型、框架、应用都能本地跑，不被单一云绑定，这在记忆赛道里不多见；其三，所谓“超Opus 5”只在记忆场景评测口径下成立（固定20%子样本、四套评测harness（HyMemory、Mem0、MemOS、EverMemOS）宏平均55.49对54.62），不能外推成“小模型全面干翻大模型”；其四，工作记忆与代码记忆是2.0才补的两块，前者管任务进度、后者管代码改动历史（连回滚过的都能找回），这才是它和1.0拉开差距的地方。

三层全开源：模型、框架、应用各管一段

HyMemory 2.0一次性把三样东西开源：模型层Hy-Memory-30B-A3B、框架层HyMemory SDK、应用层MemHub。三层既能单独用，也能拼成一套完整的Agent长期记忆方案。1.0在2026年5月发布，当时只管聊天记忆；2.0把范围扩到工作与代码，等于把“记忆”从一个被动的存储，升级成一个会更新、会进化的主动模块。

图：HyMemory 2.0三层开源架构（相对关系，非官方图）

        ┌─────────────────────────────┐
应用层   │  MemHub（本地记忆管理）        │
        │  连接WorkBuddy/Cursor/Codex   │
        │  等10种AI工具，跨工具实时同步   │
        └──────────────┬──────────────┘
                       │ SDK
框架层   ┌──────────────┴──────────────┐
        │  HyMemory SDK（双系统记忆引擎） │
        │  聊天记忆/工作记忆/代码记忆     │
        │  存储·更新·召回·进化           │
        └──────────────┬──────────────┘
                       │ 调用
模型层   ┌──────────────┴──────────────┐
        │  Hy-Memory-30B-A3B（~3B激活）  │
        │  专训“读写记忆”的记忆写入模型    │
        └─────────────────────────────┘

说明：图示HyMemory 2.0的三层开源结构（MemHub应用层通过SDK接入HyMemory框架层，框架层调用Hy-Memory-30B-A3B模型层；三层可独立使用也可组合），相对关系，非官方架构图。

框架层：聊天、工作、代码三类记忆

框架层是HyMemory的躯干：它负责聊天、工作、代码三类记忆的存储、更新与召回，开发者通过SDK把它接进自己的Agent。腾讯称这是业界首个把“工作记忆”和“代码记忆”单独提出来的框架——1.0只做聊天记忆，2.0才补上后两块。

拆开看，三类记忆各管一摊。聊天记忆干的是“把零散事实拼成事件脉络”——跨时间、跨对话的碎片，被梳理出时间、地点、人物，重复信息合并、前后冲突剥离，再交给模型。工作记忆是2.0的新角色：一项任务做到了哪一步、试过哪些方案、最后什么结果，都用多个维度记着；下次遇到相似任务，它先判断“这条经验现在还适用吗”，适用才拿来用。代码记忆更狠——结合Git记录追踪文件和函数的修改历史，哪怕某段代码后来被回滚，也能找回当时的改动、看清之前试过哪些办法。

模型层：Hy-Memory-30B-A3B，一个只干“读写记忆”的小模型

真正让我多看两眼的是模型层。Hy-Memory-30B-A3B是个总参30B、用MoE只激活约3B的小模型，但它是专门为了“读写记忆”这一个动作训出来的——不是通用大模型套个记忆prompt，而是把“记忆写入”本身训成能力。它先在Mem0、MemOS、HyMemory三套框架上训练，再拿到HyMemory、Mem0、MemOS、EverMemOS四套系统上评。

几个数字要摆正。55.49对54.62，差距不到1分，且都建立在“固定20%子样本、四套评测harness（HyMemory、Mem0、MemOS、EverMemOS）宏平均”这个特定口径上——它证明HyMemory的小模型在记忆场景里不输Opus 5，但远不是“小模型全面超过大模型”。更值得记的是可迁移性：在它从没训过的EverMemOS上拿到56.89，比Claude的54.04还高，说明“记忆写入”这项能力真的被模型学会了，而不是硬适配某套框架。对比同架构基座Qwen3-30B-A3B的44.37，提升约11分，也说明增益来自后训练而非单纯换底座。

应用层：MemHub把10种AI工具拧成一份记忆

框架和模型解决了“记忆怎么存、怎么写”，应用层MemHub解决的是“记忆归谁、在哪用”。它是一个本地优先的记忆管理应用，CLI与Mac端都能跑，内置HyMemory SDK，把WorkBuddy、Cursor、Codex、Claude Code等10种AI工具的历史对话汇成一份本地个人记忆，新对话实时同步。场景很具体：你在Cursor里定好了项目规范，换到Codex接着干，不用重新交代——记忆跟着人走，不被某个产品锁死。

落地与诚实边界

落到真业务上，腾讯给了两组内部数字。接进自选股后，多跳召回率从50%涨到90%——也就是问“某只股票相关的几件事”，它能把散在不同会话里的线索捞回来；接进iWiki后，只召回记忆、不喂全部原始对话来作答，正确率比“给全量对话”相对提升48.6%。两组都是腾讯内部业务口径，不是独立第三方复测，但方向一致：记忆用对了，少喂上下文也能答得更准。

几句要泼冷水。其一，发布时间有口径差：官方与多家媒体记为2026年10月16日，消息标的10-19更像是传播/聚合时点；其二，“开源记忆框架第一”有定语，对比的是Mem0、MemOS、EverOS、OpenViking、RepoMemory、SimpleRAG这批开源框架，并非“全局第一”，且未同场对比Anthropic、OpenAI的平台内置记忆路线；其三，“超Opus 5”只在记忆评测口径下成立（固定20%子样本、四套harness宏平均55.49对54.62），不能外推为全面超越；其四，30B-A3B是“记忆写入专用小模型”，不是通用大模型，别拿它去比写代码、做推理；其五，模型、框架、应用三层确实全开源（据Pandaily报道采用Apache 2.0），可本地部署，但企业落地仍要自己接SDK、管存储；其六，本文只陈述与分析，不给任何一方选型建议。

意味着什么

Agent的记忆，过去一年从“学术话题”变成“工程刚需”——Mem0、MemOS、Zep、Letta各占一角，Anthropic和OpenAI走平台内置路线。腾讯这次入局的差异化，不是又做一个更花哨的框架，而是把“记忆写入”单独训成一个模型，并把它和框架、应用一起三层全开源。它的价值不在“又一个小模型分数好看”，而在两点：一是把记忆从“被动存储”推进到“主动更新、会进化”，工作记忆和代码记忆补上了长程任务最缺的两块；二是MemHub用跨工具同步，把个人记忆从单一产品里解放出来，让“记忆资产”真正归用户。等更多开发者把它接进自己的Agent、跑出独立评测，这个故事才算站稳。