Hy-Memory：面向长期记忆写入的归因强化学习¶

仅研究资料；成本过高，不复现（审查 DONE）。 模型和框架入口不代表本库完成了30B记忆训练。

论文信息¶

字段	内容
论文链接	arXiv 2610.22196；固定 v1 全文
公司 / 机构	Tencent Hunyuan；一作 Tianxiang Fei
首次公开日期	2026-10-15 16:46:47 UTC（arXiv v1；10-16 公告）
原作者代码	Hy-Memory 框架，Apache-2.0；checkpoint 入口。未确认完整训练材料均已公开；模型条款独立核验
本地 adapter / 稳定键	`hy-memory`（资料键，无可执行 adapter）
本地复现代码	无算法实现；仅本文及 catalog 元数据
验收状态	完整实验不复现 / 审查 DONE；无本地 GPU 通过回执

原始论文总结¶

背景与主要改动¶

先在学生自己写出的记忆状态上做 OPD，学习不同框架的写入协议；再冻结 reader 和 judge，单独优化 writer。逐块探针补足稀疏奖励，跨块事实归因定位贡献，存储增长惩罚防止“全部记住”。

架构与数据流¶

flowchart TD
  B[父记忆库] --> W[隔离副本中的 writer rollout]
  W --> M[各候选记忆库]
  M --> R[冻结 reader 回答]
  R --> J[冻结 judge / 事实归因]
  J --> C[逐 chunk GRPO]
  J --> S[选择候选最终记忆库]
  S --> B

原论文关键图¶

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式¶

原文§6使用当前块探针、归因 outcome 与增长惩罚：

\[ s_i[t]=\mathrm{prm}_i[t]+2\mathrm{orm}_i[t]-0.3\mathrm{pen}_i[t],\qquad A_{i,t}=\frac{s_i[t]-\mu_t}{\sigma_t+\epsilon}. \]

每个 rollout 对同一 chunk 只投一票；不能按多次模型调用重复计权。Gold只供 judge，不进入 writer、reader 或检索查询。

论文离线与线上效果¶

原文比较多个记忆框架，包括训练外 EverMemOS，但结果来自固定20% benchmark子集，不是全量评测。不能把 writer、reader 和 judge 同时替换后的变化归因于写入训练。

生产线上 A/B：未报告；开源模型和框架发布不是用户流量收益证据。

本地复现¶

只做资料收录。§7配置为30B-A3B、128 H20，每批64 windows×8 rollouts；不下载模型、不启动多框架 RL 或服务扫评。成本过高，不复现（审查 DONE）。

复现边界¶

无可执行 adapter、训练分数或 Evolve 晋级；不把其他记忆算子当成本论文复现。范围见本批验收合同。