Tencent Hunyuan открыла Hy Memory 2.0. В систему входят фреймворк, специализированная модель и MemHub. Она сохраняет память чатов, рабочих задач и кода, а потом передаёт её между подключёнными AI-инструментами. Если вы собираете свои автоматизации или ведёте продакшн-процессы с помощью кода, идея простая: не объяснять каждому агенту проект с нуля.
Новость вышла 16 октября. В китайском сообщении Tencent пишет, что система должна помочь агенту «сохранять непрерывность в длительных задачах и при работе с большим числом инструментов». Звучит полезно для тех, кто уже собирает собственные автоматизации.
Hy Memory 2.0 хранит контекст между сессиями AI-агента
В обычном чате агент помнит то, что помещается в текущий контекст. Сессия закончилась, вы открыли другой инструмент — и приходится снова объяснять визуальный стиль проекта, принятые решения и отвергнутые варианты. Долговременная память хранит выбранные сведения отдельно от диалога и возвращает их, когда агент продолжает работу.
Hy Memory собирает три типа памяти. Чатная хранит события и факты из разговоров. Рабочая — цели, решения, этапы и полезный опыт по задаче. Кодовая сохраняет контекст разработки. По описанию Tencent, система связывает сведения, обновляет записи и проверяет, годится ли старый опыт для новой задачи.
Подойдёт ли это для любого рабочего хаоса — ещё вопрос. Пока Hy Memory выглядит как инфраструктура для тех, кто использует агентов в нескольких ролях: один помогает с кодом, другой — с планированием, а контекст проекта нужен обоим.
В релизе три слоя: модель, фреймворк и MemHub
Компоненты можно использовать по отдельности или собрать в одну систему. Вот за что отвечает каждый:
- Hy Memory SDK — фреймворк для сохранения и обновления чатной, рабочей и кодовой памяти. Его можно подключить к своему агенту.
- Hy-Memory-30B-A3B — специализированная модель. Она решает, что записать в память и как обновить сохранённые сведения.
- MemHub — приложение с CLI и версией для Mac. Оно импортирует прошлые диалоги с разрешения пользователя и синхронизирует новые сессии подключённых инструментов.
В сообщении Tencent перечислены WorkBuddy, Cursor, Codex, Pi, Qwen Code, Hermes, DeepSeek Harness и OpenCode. Всего компания заявляет поддержку десяти инструментов, но в публикации названы не все. MemHub подключается к приложениям как плагин и подмешивает в работу память, связанную с задачей.
Код SDK и приложения уже доступен на GitHub, веса модели — на Hugging Face. В карточке модели описана её задача: записывать и обновлять память во внешних системах вроде Mem0, MemOS и Hy Memory. Это специализированный компонент пайплайна для работы с памятью.
55,49% против Opus 5 — результат в задаче записи памяти
В тестах Tencent Hy-Memory-30B-A3B получила в среднем 55,49%, Claude Opus 5 — 54,62%. Результаты получены на фиксированной 20-процентной подвыборке бенчмарков памяти. Они показывают, как модели справляются с этой задачей.
В статье на arXiv авторы описывают проверку на четырёх системах памяти. Они меняли модель, которая записывает память, а настройки фреймворков, извлечение сведений и остальные компоненты оставляли прежними. Это тест одной функции. Он ничего не говорит о том, какая модель лучше справляется с другими задачами.
| Модель | Средний результат в тестах памяти |
|---|---|
| Hy-Memory-30B-A3B | 55,49% |
| Claude Opus 5 | 54,62% |
| DeepSeek V4.1 Flash | 53,64% |
Цифры приводит Tencent; независимой оценки в доступных материалах нет. Разница с Opus 5 — меньше одного процентного пункта. Для разработчика тут интереснее другое: специализированная модель может записывать память вместо общей большой модели. Данных о том, насколько это снизит стоимость или ускорит конкретного агента, в анонсе нет.
MemHub пригодится тем, кто работает с несколькими агентами
Если вы генерируете пикчи или видео в готовом сервисе, Hy Memory пока не добавит новую кнопку в интерфейс. Это инструмент для тех, у кого несколько AI-приложений и повторяющийся контекст: стиль, технические ограничения, принятые решения или состояние задачи.
Как проверить идею на своём процессе
- Выберите проект, где контекст приходится переносить между сессиями или инструментами.
- Проверьте, подходит ли вам MemHub: для него заявлены CLI и приложение для Mac, а подключаемые приложения нужно авторизовать.
- Подключите доступные инструменты и посмотрите, какие прошлые диалоги импортируются и что сохраняется.
- Продолжите одну задачу в двух подключённых инструментах. Проверьте, получит ли второй нужные решения, а не случайный пересказ всей истории.
- Если собираете собственного агента, изучите SDK и отдельно протестируйте модель-писатель в своём пайплайне.
Это порядок проверки, а не официальная инструкция по установке. В доступных материалах нет полного списка требований и пошаговых настроек для каждого инструмента. Модель можно запускать через vLLM. Требований к железу и сравнения стоимости с другими вариантами в сообщении тоже нет.
Перед подключением проверьте, что именно агент будет помнить
Общая память сокращает число повторных объяснений, но добавляет ещё одну точку контроля. MemHub импортирует историю приложений с разрешения пользователя. Перед подключением рабочих аккаунтов стоит проверить, какие разговоры попадут в хранилище, как удалять ошибочные записи и как разделяется контекст проектов. Краткий анонс на эти вопросы не отвечает.
В сообщении MemHub назван локальным приложением. Само слово «локальный» не гарантирует приватность, поэтому условия хранения и синхронизации стоит проверить в документации до работы с клиентскими данными или закрытыми материалами.
Код Hy Memory и MemHub опубликован на GitHub, модель — на Hugging Face. Для модели указана лицензия Apache-2.0. Открытый код не отменяет настройку доступа, проверку импортируемой истории и контроль того, кому разрешено читать память агента.
Для визуального автора Hy Memory пока мало что меняет в монтажке. Но если вы собираете AI-агентов для работы со сценариями, кодом и повторяющимися процессами, общая память может убрать часть ручной возни. Я бы проверял не цифру против Opus 5, а то, насколько точно система сохранит нужное решение и вернёт его в нужный момент.
Источники
Hy Memory — официальный репозиторий Tencent Hunyuan
Hy-Memory-30B-A3B — карточка модели на Hugging Face
Hy-Memory-30B-A3B: Attributed Reinforcement Learning for Long-Term Memory Writing
腾讯混元记忆框架 Hy Memory 2.0 发布开源，专用模型性能超 Opus5 — IT之家
Источникithome.com
