Análise aprofundada · Cerca de 4 min de leitura
Hy-Memory 2.0 da Tencent: três camadas de memória, evidências diferentes
A publicação de 16 de outubro une modelo especializado, framework e MemHub; os resultados têm escopos distintos.
- Data da fonte
- Publicado aqui
- Fonte verificada
A página oficial da Tencent, datada de 16 de outubro, apresenta três camadas que podem ser usadas separadas ou juntas. A questão não é apenas lembrar: é o que fica guardado, como selecionar memórias pertinentes e qual avaliação sustenta cada melhoria. Lemos a publicação completa sem executar o software.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- As camadas são Hy-Memory-30B-A3B, framework Hy-Memory e MemHub. Memória de conversa, trabalho e código são usos distintos.
- A média 55,49 contra 54,62 do Opus5 combina seis métricas em quatro sistemas. Três participaram do aprendizado por reforço; EverMemOS não foi visto no treinamento.
Modelo, framework e aplicativo são camadas diferentes
A página identifica Hy-Memory-30B-A3B como modelo de leitura e escrita de memórias, com aproximadamente 3B parâmetros ativos. O framework gerencia armazenamento, atualização e recuperação por SDK; MemHub conecta memória às ferramentas usadas. A Tencent diz que as três camadas são publicadas abertamente e podem ser adotadas isoladas ou juntas. Trocar o modelo não é a mesma intervenção que adicionar framework ou aplicativo. Há links para recursos, mas não inspecionamos licenças nem testamos requisitos de implantação; portanto não deduzimos autorização comercial geral só da descrição aberta.
O que muda entre conversa, trabalho e código
A memória de conversa organiza acontecimentos ao longo do tempo, reúne desenvolvimentos, elimina repetição e resolve conflitos antes da recuperação. A de trabalho guarda objetivos, decisões, resultados intermediários e experiências, verificando quando continuam aplicáveis. A de código identifica a tarefa atual e recupera decisões e lições pertinentes. Entendemos continuidade e relevância, não retenção ilimitada. Um teste útil inclui preferências alteradas e decisões antigas: lembrar um fato não basta se o sistema continua aplicando-o depois de suas condições mudarem. Mais memória não significa automaticamente resposta confiável.
As notas do framework dependem do cenário
A Tencent informa 72,6% no LoCoMo, 55,31% no MemoryArena, 64,2% em perguntas e 35,6% em resolução no CodeMemoryBench, e 28,3% no SWE-ContextBench. A comparação usa DeepSeek V4.1 Flash na memória e GPT-5.6-sol nas respostas e julgamento. LoCoMo cobre 1.527 perguntas não adversariais. Ocupação conta tokens de memória gerada em relação à entrada, sem conversas originais; janelas sem extração do Simple RAG não são diretamente comparáveis. Assim, posição ou proporção de armazenamento não garantem qualidade universal, disco total ou custo operacional.
A média do especialista é outro experimento
O modelo recebe 55,49 contra 54,62 do Opus5, com seis métricas igualmente ponderadas em Hy-Memory, Mem0, MemOS e EverMemOS. Os três primeiros sistemas foram usados em aprendizado por reforço; EverMemOS verifica generalização para sistema não visto. É evidência sobre essa avaliação de memória, não ranking de inteligência geral ou vitória em cada métrica. Tampouco se deve misturar essas notas com as do framework: estas comparam frameworks sob determinada configuração de resposta; o outro experimento muda o modelo de memória entre sistemas.
MemHub compartilha por ferramentas conectadas
A Tencent descreve importação autorizada de conversas para memória local, sincronização contínua e recuperação por plugins em dez ferramentas. A lista inclui Cursor, Codex, Claude Code, OpenCode e Qwen Code, com acesso por CLI e Mac App. É alegação de integração, não confirmação de que testamos todas as versões e sistemas. Antes de conectar trabalho sensível, recomendamos verificar conteúdo importado, local de processamento e retirada de acesso. Memória local por si só não demonstra que todas as chamadas de modelos e sincronizações permaneçam desconectadas da rede.
Casos internos úteis, mas limitados
A Tencent relata nota de memória para pesquisa de ações de 64,3 a 79,6, avanço relativo de 23,8%, não retorno financeiro. iWiki compara 251 perguntas: 24,7 com toda conversa original e 36,7 só com memória. Tencent News informa média 91,68 e 87,8% dos casos acima de 90, mas são dez usuários e 41 conversas complexas. São avaliações internas separadas, não efeitos populacionais. Recomendamos reproduzir a tarefa pertinente com evidência atual e aceitação clara antes de extrapolar para produção, privacidade ou valor de negócio.
Por que importa
Um piloto pode testar se decisões e progresso lembrados reduzem preparação repetida. Deve separar recuperação, sucesso da tarefa e atualização da evidência, confirmando autorização antes de importar conversas.
Limites e disponibilidade
São avaliações da Tencent, não reproduções nossas. Não lemos artigo, repositórios ou licença. Publicação aberta não comprova permissão comercial, segurança, funcionamento sem rede, preços API ou benefícios de assinatura.
Fontes e evidências
Data da fonte: 16 de out. de 2026 · Fonte verificada: 20 de out. de 2026
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.