Tencent, Hy Memory 2.0 ile ajan hafızasını yazan açık modelini yayımladı

Tencent Hunyuan, Ekim 2026'da Hy Memory 2.0'ı açık kaynak olarak yayımladı. Hy Memory, yapay zeka ajanlarının konuşmaları, işleri ve kod değişikliklerini oturumlar boyunca hatırlamasını sağlayan bir hafıza altyapısı. Paket üç parçadan oluşuyor: Python kütüphanesi hy-memory, masaüstü ve komut satırı uygulaması MemHub ve hafızaya yazma işi için eğitilmiş Hy-Memory-30B-A3B modeli. Kendi sunucunuzda çalıştırabileceğiniz model Apache 2.0 lisansıyla Hugging Face'te.

Hy Memory nedir, ne işe yarar

Bir ajan uzun süre çalıştığında neyi hatırlayacağına, neyi güncelleyeceğine ve neyi atacağına karar vermesi gerekiyor. Hy Memory bu işi üç ayrı senaryo için ayrı düzenlerle yapıyor: sohbette kişiye ait bilgileri katmanlı bir uzun süreli hafızada, iş görevlerinde olgular ve tekrar kullanılabilir deneyimlerde, kodlamada ise kodun sürüm sürüm nasıl değiştiğini izleyen bir değişiklik zincirinde tutuyor. Depodaki bilgilere göre kütüphane yalnız bir dil modeli ve bir vektör ucu istiyor; OpenAI uyumlu her servis ya da yerel model kullanılabiliyor.

MemHub: kodlama araçlarının ortak hafızası

MemHub, kullanıcının izin verdiği yapay zeka uygulamalarındaki konuşma geçmişini ve kodlama izlerini tek bir yerel klasörde topluyor. Depoda örnek olarak Claude Code, Cursor, Codex, OpenCode ve Qwen Code sayılıyor. Böylece bir araçta öğrenilen bilgi başka bir araçta da hatırlanabiliyor. Veriler kullanıcının kendi bilgisayarında tutuluyor; macOS için imzalı masaüstü uygulaması ve macOS ile Linux için komut satırı sürümü yayımlandı.

Hafızayı yazan model

Hy-Memory-30B-A3B toplam 30 milyar parametreli, her adımda yaklaşık 3 milyar parametresi çalışan bir uzmanlar karışımı modeli. Görevi, hafızaya neyin yazılacağına ve yeni bilginin eskisini nasıl güncelleyeceğine karar vermek. Model kartına göre Mem0, MemOS ve Hy Memory içindeki genel amaçlı dil modelinin yerine doğrudan takılabiliyor. Karttaki tabloda farklı çerçevelerdeki ortalama puanı 55,49; aynı tabloda Claude Opus 5 54,62, DeepSeek V4.1 Flash 53,64 puanda. Model vLLM, SGLang ve Transformers ile çalışıyor; llama.cpp, Ollama ve LM Studio için sıkıştırılmış sürümleri de listeleniyor. Eğitim yöntemi teknik raporda anlatılıyor.

Tablodaki puanlar Tencent'in paylaştığı değerler; testler veri setlerinin yüzde 20'lik sabit örneklemleriyle yapılmış ve kart, bazı çerçevelerde sonuçların tüm modeller için aynı düzende alınmadığını belirtiyor. Model kartında Türkçe dahil dil desteğine dair ayrıntı yok. Kendi ajan iş akışınızda denemek ve bağımsız araştırmacıların karşılaştırmalarını izlemek yararlı olur.