Tencent Hunyuan hat Hy Memory 2.0 veröffentlicht, ein Paket für KI-Agenten, das nützlichen Kontext über Sitzungen, Tools und Codebasen hinweg bewahrt. Es verbindet ein quelloffenes Python-Framework, die lokale Anwendung MemHub und ein spezialisiertes Modell, das entscheidet, welche Informationen ins Langzeitgedächtnis gelangen und wie gespeicherte Einträge später aktualisiert werden.
MemHub teilt Verlaufsdaten zwischen Programmierassistenten
MemHub ist als Desktop-Anwendung und Kommandozeilenwerkzeug verfügbar. Mit Zustimmung des Nutzers sammelt es Verlaufsdaten und Arbeitsprotokolle aus Claude Code und Cursor; unterstützt werden außerdem Codex, OpenCode und Qwen Code. Diese Daten legt es in einem verwalteten lokalen Verzeichnis ab und macht sie über eine gemeinsame Laufzeitumgebung zugänglich.
Die unterstützten Assistenten können damit eine gemeinsame lokale Gedächtnisschicht nutzen. Bei der Einrichtung müssen die Berechtigungen der einzelnen Anwendungen und der Zugriff auf das Verzeichnis mit den importierten Daten geregelt werden.
Chats, Arbeitserfahrungen und genaue Code-Revisionen
Das Framework unterscheidet drei Pipelines zur Verarbeitung von Gedächtnisinhalten. Die Chat-Pipeline umfasst acht hierarchische Ebenen von L0 bis L7. Neben grundlegenden Informationen speichert sie den ursprünglichen Dialog und einzelne Fakten sowie Zusammenfassungen, Schemata und künftige Vorhaben. Nach Ablauf ihrer Gültigkeit werden Vorhaben in gewöhnliche Fakten umgewandelt.
Die Working-Pipeline hält pro Arbeitssitzung einen Fakt fest. Daneben speichert sie wiederverwendbare Erfahrungen, sofern diese einen festgelegten Wertschwellenwert überschreiten. Beide Speicherebenen sind miteinander verknüpft.
Für die Programmierung ergänzt die Coding-Pipeline das Arbeitsgedächtnis um eine versionierte Änderungskette. Zunächst wählt die Vektorsuche relevante Fakten aus, anschließend werden sämtliche Revisionen des betroffenen Codes angefügt. Als Quelle dienen lokale Git-Diffs oder deterministische Ersetzungen aus Werkzeugprotokollen. So bleiben auch genaue Änderungen erhalten, die eine reine Zusammenfassung auslassen kann.
Jeder Verlaufsstrang erfasst einen Block einer Funktion in einer bestimmten Datei auf einem bestimmten Branch. Die Stränge sind nach Nutzer und Arbeitsbereich getrennt, damit Revisionen aus nicht zusammengehörigen Repositorys oder unterschiedlichen Identitäten nicht in derselben Kette landen.
Spezialmodell lässt sich auch in Mem0 und MemOS einsetzen
Den Aufbau des Gedächtnisses übernimmt Hy-Memory-30B-A3B. Das MoE-Modell besitzt 30 Milliarden Parameter, von denen ungefähr drei Milliarden aktiv sind. Es wählt Informationen zur Speicherung aus, bestimmt die Genauigkeit ihrer Darstellung und passt das dauerhafte Gedächtnis anhand späterer Informationen an.
Der Einsatz ist nicht auf das neue Framework beschränkt. In Mem0, MemOS oder Hy-Memory kann das Modell die Rolle eines allgemeinen Sprachmodells für den Gedächtnisaufbau übernehmen, ohne dass ein Team das umgebende Suchsystem verändern muss.
Tencent vergleicht den Gedächtnisaufbau mit Claude Opus 5
Tencent meldet für Hy-Memory-30B-A3B einen Makro-Durchschnitt von 55.49 über vier Testumgebungen. In derselben Auswertung erreichte Claude Opus 5 einen Wert von 54.62 und DeepSeek V4.1 Flash 53.64. Das Basismodell Qwen3-30B-A3B erzielte 44.37.
In Tencents Auswertung wurde ausschließlich das Modell ausgetauscht, das die Gedächtnisinhalte schreibt. Die Versionen der Testumgebungen und die Prompts blieben unverändert, ebenso die Sucheinstellungen, die antwortenden Modelle, die Bewerter und die Testbeispiele. Jedes Schreibmodell begann mit einem leeren Speicher und baute seinen eigenen Gedächtniszustand auf.
Der Makro-Durchschnitt umfasste sechs Messgrößen: LoCoMo Judge und LongMemEval sowie PersonaMem-v2, Travel SPS, Shopping PS und Code Memory Bench. Die Ergebnisse beschreiben den Einfluss des Schreibmodells innerhalb festgelegter Konfigurationen, nicht einen Vergleich vollständiger Agentensysteme mit unterschiedlichen Suchverfahren oder Werkzeugen.
So trainiert Tencent das Modell für den Gedächtnisaufbau
Tencent setzt beim Training auf Memory On-Policy Distillation. Dabei liefert ein eingefrorenes Lehrermodell detaillierte Trainingssignale für die Abfolgen von Gedächtniszuständen, die das trainierte Modell erzeugt.
In der Phase Attributed Memory Reinforcement Learning bewertet Tencent fertiggestellte Gedächtnisspeicher und ordnet einzelnen Eingabeblöcken ihren Beitrag zu. Die Werte werden zwischen Trainingsdurchläufen an derselben Blockposition normalisiert. Der Speicher mit der höchsten Summe der Teilbewertungen dient anschließend als Ausgangszustand für das nächste Kontextfenster.
Für die Testumgebung EverMemOS, die Tencent beim Training ausgespart hat, nennt das Unternehmen einen Wert von 56.89. Tencent wertet dies als Beleg dafür, dass sich die erlernte Vorgehensweise beim Gedächtnisaufbau auf Umgebungen außerhalb des Trainings übertragen lässt.
SDK auf PyPI bietet drei Betriebsmodi
Das SDK ist auf PyPI als hy-memory==2.0.1 unter der Lizenz Apache-2.0 verfügbar. Es benötigt einen OpenAI-kompatiblen Sprachmodell-Endpunkt und einen Endpunkt für Vektordarstellungen von Inhalten (Embeddings). Optional lassen sich Qdrant oder FAISS anbinden, Neo4j oder MySQL nutzen und ein lokales mehrsprachiges Modell zur Neusortierung der Ergebnisse ergänzen.
Der Modus lite speichert ursprüngliche Inhalte für die Vektorsuche, ohne ein Sprachmodell aufzurufen. Der Modus pro ergänzt modellgestützte Extraktion und den Abgleich von Gedächtnisinhalten. Die Variante ultra leitet zusätzlich abstraktere Schemata ab und startet über evolve() einen Mechanismus zur domänenübergreifenden Überarbeitung des Gedächtnisses.
Hy-Memory-30B-A3B selbst lässt sich über vLLM oder SGLang hinter einer standardmäßigen OpenAI-kompatiblen API betreiben. Für die direkte Faktenextraktion ohne erweiterten Denkprozess können Anfragen die Einstellung reasoning_effort: no_think verwenden.
