騰訊混元釋出了一款名為 Hy-Memory-30B-A3B 的模型，定位是長期記憶的「寫入器」。它總引數量約 30B、啟用引數約 3B，專門負責外部記憶框架中的寫入路徑，直接替換 Mem0、MemOS 與 Hy-Memory 內部原本使用的通用大模型，覆蓋對話、工作與程式設計等場景，判斷哪些資訊應當保留、以多高的精度表示，以及新證據應如何更新持久記憶庫。模型採用 Apache-2.0 許可，支援中英文。
所謂「寫入路徑」，指的是智慧體在對話或任務過程中，把值得長期記住的內容篩選、壓縮並存入記憶庫的環節。過去這一步通常交給通用大模型完成，但通用模型並非為此最佳化，容易寫入冗餘或遺漏關鍵資訊。騰訊混元的思路是把寫入單獨拆出來，用一個更小的專用模型承擔，從而在保持記憶質量的同時降低呼叫成本。
訓練分兩個階段。第一階段是記憶線上策略蒸餾（OPD），由教師模型對學生模型自己寫出的狀態鏈提供密集監督；第二階段是歸因記憶強化學習，系統檢查生成的記憶庫，按塊分配信用，並把選中的記憶庫跨視窗傳遞。兩階段都在與部署環境一致的框架配置中完成，因此模型可以直接遷移到訓練時未見過的記憶框架，例如 EverMemOS。
評測只改變記憶寫入器，其餘環節全部固定：框架版本與提示詞不變、檢索配置不變、回答模型與評判模型不變。報告中提到的 DeepSeek Flash 端點均指 DeepSeek V4.1 Flash。出於計算效率考慮，四個框架的基準都在固定的 20% 子樣本上評測，每個框架得分是六項指標的等權平均，包括 LoCoMo Judge、LongMemEval（LME）、PersonaMem-v2（PM-v2）、Travel SPS、Shopping PS 與 Code Memory Bench（CMB），其中 CMB 本身是兩項倉庫問答評測的等權平均；總分為四個框架得分的等權平均。
在跨框架總榜上，Hy-Memory-30B-A3B 以 55.49 的宏平均分居首，Claude Opus 5 以 54.62 緊隨其後，DeepSeek V4.1 Flash 為 53.64，Hy3 為 51.63，Qwen3.6-35B-A3B 為 50.37，Hy3-A3B Base 為 47.66，Qwen3-30B-A3B 為 44.37。分框架看，Hy-Memory-30B-A3B 在 Mem0 上得 54.02、Hy-Memory 上 60.55、MemOS 上 50.51、留出的 EverMemOS 上 56.89，四項均排第一，但領先幅度普遍不大，與 Claude Opus 5 在多個框架上僅相差零點幾到兩分多。
細節層面呈現出明顯的指標分化。在 Mem0 框架下，Hy-Memory-30B-A3B 的 LME 達 73.00、Travel 達 54.51，明顯高於 Claude Opus 5 的 66.00 與 42.98，但 LoCoMo 為 59.54、CMB 為 67.13，均低於對手的 69.47 與 70.74。在 Hy-Memory 框架下，兩者總分幾乎持平（60.55 對 60.53），Claude Opus 5 在 LoCoMo 與 CMB 上略勝，Hy-Memory-30B-A3B 則在 Travel 上領先。MemOS 框架下兩者同樣膠著，50.51 對 50.50。
這組結果傳遞出兩層資訊。其一，記憶寫入是一個可以被專門化、且專門化後能帶來增益的環節——一個啟用引數約 3B 的模型在多個框架上追平甚至小幅超過通用大模型，說明「小模型 + 專用訓練」在智慧體記憶層具備可行性，這對關注推理成本與部署效率的團隊有直接參考價值。其二，領先優勢並不穩固，多數框架的差距在統計噪聲可能覆蓋的範圍內，且不同指標各有勝負，說明通用大模型在記憶寫入上並未被全面超越。
從產業視角看，記憶層是智慧體從「一次性問答」走向「持續陪伴與長期任務」的基礎設施。若寫入環節能由更小的專用模型承擔，記憶框架的整體呼叫成本有望下降，進而影響智慧體應用的規模化節奏。騰訊混元把模型開源並強調跨框架遷移能力，也意味著這一環節的競爭可能從「誰的通用模型更強」轉向「誰的記憶寫入更省、更準」。後續值得觀察的是，這類專用寫入器在真實長週期任務中的表現，以及它與檢索、回答等記憶框架其他環節的配合效率。