Tencent ouvre en grand le système de mémoire que son équipe Hunyuan a conçu pour les agents d'IA. Hy-Memory 2.0, présenté sur le site officiel du projet avec une date de sortie fixée au 16 octobre 2026, se compose de trois briques utilisables seules ou ensemble : un modèle entraîné à écrire des souvenirs durables, un moteur doté d'un SDK Python qui les stocke et les retrouve, et MemHub, une application de bureau et en ligne de commande. Le code se trouve dans un nouveau dépôt GitHub, Tencent-Hunyuan/Hy-Memory, créé le 15 octobre, et le groupe annonce une licence Apache 2.0.
Hy-Memory-30B-A3B repose sur une architecture à mélange d'experts : 30 milliards de paramètres au total, dont environ 3 milliards sollicités à chaque étape. Ses poids ont été mis en ligne sur Hugging Face le 15 octobre, en même temps qu'un rapport technique sur arXiv. Il ne s'agit pas d'un modèle conversationnel. Il doit remplacer le grand modèle de langage généraliste auquel les outils de mémoire font appel pour trancher : quoi conserver, avec quelle précision, et comment une information nouvelle doit corriger ce qui est déjà enregistré. Tencent l'a entraîné sur trois systèmes, Mem0, MemOS et son propre Hy-Memory, d'abord par distillation, puis par apprentissage par renforcement en récompensant chaque écriture selon qu'elle permet ou non de répondre aux questions posées plus tard.
D'après le rapport, le modèle arrive en tête des quatre environnements d'évaluation retenus, y compris EverMemOS, volontairement écarté de l'entraînement, avec une moyenne de 55,49 % contre 54,62 % pour Claude Opus 5. Ces scores portent sur des sous-échantillons fixes de 20 % d'une batterie de tests réunissant LoCoMo, LongMemEval, PersonaMem v2, deux tâches de MemoryArena et CMB, un banc d'essai de mémoire pour la programmation conçu par la même équipe. Ce sont les chiffres de Tencent, et aucune vérification extérieure n'a été publiée.
Le moteur est distribué sur PyPI sous le nom hy-memory, en version 2.0.4 au moment de nos vérifications. Il distingue trois usages. Pour la conversation, les informations personnelles s'organisent en une hiérarchie qui part du dialogue brut pour aller vers des faits élémentaires, des résumés, des schémas et des intentions à venir, une approche décrite dans un article accepté à la conférence EMNLP 2026. Pour les agents chargés de tâches, une mémoire de travail sépare les faits de l'expérience réutilisable. Pour le code, une chaîne de différences entre versions permet à l'agent de savoir non seulement à quoi ressemble le code, mais aussi pourquoi il a changé. Sur la page du projet, Tencent affirme que son moteur devance Mem0, MemOS, EverOS, OpenViking, RepoMemory et une approche RAG basique dans ses évaluations.
MemHub vise les utilisateurs qui jonglent déjà avec plusieurs assistants. L'application importe les conversations et traces de développement des logiciels autorisés par l'utilisateur, par exemple Claude Code, Cursor, Codex, OpenCode ou Qwen Code, les range dans un seul dossier local et, grâce à des extensions, réinjecte les souvenirs utiles dans l'outil ouvert à ce moment-là. La page officielle mentionne dix outils pris en charge. La version 1.0.4, sortie le 18 octobre avec une application macOS signée et des environnements validés pour macOS et Linux, a suivi de deux jours la toute première étiquette 1.0.0.
Le nom Hy-Memory n'est pas nouveau : une version 1.0 du cadre logiciel était sortie en mai 2026. Ce qui change avec la 2.0, c'est que Tencent livre d'un coup un modèle de mémoire entraîné, l'infrastructure et une application grand public, alors que l'absence de mémoire persistante reste l'un des défauts les plus cités des agents de programmation. Trois jours après le lancement, le dépôt affichait près de 900 étoiles sur GitHub et la fiche du modèle comptait presque 1 200 téléchargements.
Plusieurs zones d'ombre demeurent. Toutes les performances sont annoncées par Tencent lui-même, et l'avantage revendiqué sur Claude Opus 5 repose sur des sous-échantillons, dont l'un a été conçu par l'entreprise et n'est encore qu'en cours d'examen pour ICLR 2027. Pour comparer les cadres logiciels, Tencent a utilisé DeepSeek V4.1 Flash comme modèle de mémoire et GPT-5.6-sol pour répondre et noter, si bien que d'autres choix pourraient modifier le classement. Enfin, l'efficacité du partage de mémoire de MemHub dépend de la façon dont chaque application tierce conserve son historique, et aucune évaluation indépendante de sa fiabilité ou de ses garanties de confidentialité n'a encore paru.