Analyse approfondie · Environ 5 min de lecture
Hy-Memory 2.0 de Tencent : trois couches de mémoire et des preuves distinctes
La publication du 16 octobre associe modèle spécialisé, framework et MemHub, avec des évaluations de portée différente.
- Date de la source
- Publié ici
- Source vérifiée
La page officielle Tencent, datée du 16 octobre, présente trois couches utilisables séparément ou ensemble. Il ne suffit pas de savoir si un agent se souvient : il faut examiner les éléments retenus, leur pertinence et les évaluations justifiant chaque gain. Nous avons lu la publication entière sans exécuter le logiciel.
Écouter les actualités
Écoutez cet article ou poursuivez la lecture des actualités.
Préparation de la lecture…
Voix de l’appareil
La voix est traitée par votre navigateur ou appareil. AISubHub n’envoie pas le texte à une API audio. Les voix et la lecture écran verrouillé dépendent de l’appareil.
La reprise peut répéter une courte phrase.
En bref
- Les couches sont Hy-Memory-30B-A3B, le framework Hy-Memory et MemHub. Conversation, travail et code sont des usages distincts.
- La moyenne 55,49 contre 54,62 pour Opus5 combine six métriques dans quatre systèmes. Trois ont servi à l’apprentissage par renforcement ; EverMemOS était inédit pendant l’entraînement.
Modèle, framework et application ont des rôles différents
La page présente Hy-Memory-30B-A3B comme modèle de lecture et écriture des souvenirs avec environ 3B paramètres actifs. Le framework gère stockage, mise à jour et rappel par SDK ; MemHub relie la mémoire aux outils utilisés. Tencent affirme publier ouvertement les trois couches, seules ou combinées. Remplacer le modèle n’est pas la même intervention qu’ajouter un framework ou une application. Les liens sont fournis, mais nous n’avons inspecté ni licences ni prérequis de déploiement ; le terme ouvert ne confirme donc pas ici une autorisation commerciale générale.
Ce qui distingue conversation, travail et code
La mémoire de conversation relie événements et évolutions, supprime répétitions et traite les contradictions avant rappel. Celle de travail conserve objectifs, décisions, résultats intermédiaires et expériences, en vérifiant leurs conditions d’application. Celle de code identifie d’abord la tâche et retrouve décisions et leçons encore pertinentes. Nous y voyons continuité et pertinence, pas rétention illimitée. Un essai utile inclut préférences modifiées et décisions périmées : se souvenir d’un fait ancien ne suffit pas si le système continue de l’appliquer après un changement de conditions. Plus de souvenirs ne garantit pas une réponse fiable.
Les scores du framework dépendent du protocole
Tencent rapporte 72,6% sur LoCoMo, 55,31% sur MemoryArena, 64,2% en questions-réponses et 35,6% en résolution sur CodeMemoryBench, et 28,3% sur SWE-ContextBench. La comparaison utilise DeepSeek V4.1 Flash pour mémoire et GPT-5.6-sol pour réponse et jugement. LoCoMo couvre 1 527 questions non adversariales. L’occupation compare les tokens de mémoire générée aux entrées, sans conversations brutes ; les fenêtres non extraites de Simple RAG ne se comparent pas directement. Ni rang ni ratio de stockage ne garantissent qualité universelle, disque total ou coût d’exploitation.
La moyenne du spécialiste relève d’une autre expérience
Le modèle obtient 55,49 contre 54,62 pour Opus5, en pondérant également six métriques sur Hy-Memory, Mem0, MemOS et EverMemOS. Les trois premiers systèmes servent à l’apprentissage par renforcement ; EverMemOS vérifie la généralisation à un système inédit. C’est une preuve concernant cette évaluation de mémoire, pas un classement général d’intelligence ou une victoire sur chaque métrique. Il ne faut pas non plus mélanger avec les scores du framework : ceux-ci comparent des frameworks sous un dispositif de réponse fixé, tandis que l’autre expérience change le modèle de mémoire entre systèmes.
MemHub partage via les outils connectés
Tencent décrit l’import autorisé de conversations vers une mémoire locale, la synchronisation continue et le rappel par plugins dans dix outils. Cursor, Codex, Claude Code, OpenCode et Qwen Code sont cités, avec accès CLI et Mac App. C’est une affirmation d’intégration, sans confirmation que nous ayons testé chaque version ou système. Avant de connecter du travail sensible, il faut vérifier contenu importé, lieu de traitement et retrait d’accès. Mémoire locale ne signifie pas à elle seule que tous les appels aux modèles et toutes les synchronisations restent hors ligne.
Les cas internes restent des observations bornées
Tencent rapporte un score de mémoire pour recherche boursière de 64,3 à 79,6, soit 23,8% de gain relatif, pas un rendement financier. iWiki compare 251 questions : 24,7 avec tout le dialogue original, 36,7 avec mémoire seule. Tencent News annonce moyenne 91,68 et 87,8% des cas au-dessus de 90, mais pour dix utilisateurs et 41 conversations complexes. Ce sont des évaluations internes séparées, sans effet populationnel établi. Nous recommandons de reprendre la tâche avec des preuves actuelles et une acceptation claire avant toute extrapolation en production, confidentialité ou valeur commerciale.
Pourquoi cela compte
Un pilote peut vérifier si décisions et progression mémorisées réduisent la préparation répétée. Il doit distinguer rappel, réussite et fraîcheur des preuves, avec autorisation avant toute importation de conversations.
Limites et disponibilité
Ce sont des évaluations Tencent, non nos reproductions. Nous n’avons pas lu article scientifique, dépôts ou licence. Une publication ouverte ne prouve ni droits commerciaux, sécurité, fonctionnement hors ligne, prix API ou avantages d’abonnement.
Sources et preuves
Date de la source: 16 oct. 2026 · Source vérifiée: 20 oct. 2026
Articles assistés par IA, vérifiés avec les sources primaires citées. Les affirmations des fournisseurs sont attribuées ; la présence ne vaut pas recommandation.