Tencent Hunyuan이 세 가지 레이어의 영구 메모리 스택 Hy-Memory 2.0을 공개하다
요약
Tencent Hunyuan AI 부문이 지속적인 지식 보유 시스템을 위한 모듈식 영구 메모리 솔루션인 Hy-Memory 2.0을 공개했습니다. 이 오픈 소스 에코시스템은 클라이언트 라이브러리, 로컬 관리 앱 MemHub, 그리고 전문화된 신경 모델(Hy-Memory-30B-A3B)로 구성되어 있습니다. LoCoMo 벤치마크에서 새로운 글로벌 기준을 수립하며 컨텍스트 오버헤드를 크게 절감했습니다.
핵심 포인트
- 휘발성 메모리 한계를 극복하는 영구 메모리 솔루션 제공
- Hy-Memory 2.0은 클라이언트, MemHub, 전문 신경 모델로 구성된 오픈 소스 에코시스템
- LoCoMo 테스트에서 컨텍스트 오버헤드를 39.3% 절감하며 성능 입증
소프트웨어 엔지니어링과 최첨단 자율 인지 시스템 배포는 업계 전반에 걸쳐 공통된 구조적 장애물에 직면해 있습니다: 바로 컨텍스트 메모리의 본질적인 휘발성입니다. 아무리 광범위한 현대 파운데이션 모델의 컨텍스트 윈도우(수십만 또는 수백만 토큰으로 점진적으로 확장되었음에도 불구하고)를 가지고 있더라도, 대화 기록을 무분별하게 축적하는 것은 필연적으로 주의력 정확도의 저하(context rot), 대화 차례당 지연 시간의 기하급수적인 증가, 그리고 추론 운영 비용의 폭발로 이어집니다. 수 주에 걸친 소프트웨어 엔지니어링 흐름이나 대규모 협업 워크플로우에 직면했을 때, 현대 에이전트 시스템은 종종 10턴 전 결정된 아키텍처 결정을 잊거나 이미 수정된 코드 디버깅의 반복적인 순환에 빠집니다. 이러한 존재론적 한계를 극복하기 위해 Tencent Hunyuan AI 부문은 프로그램 에이전트와 대화형 어시스턴트를 지속적인 지식 보유 시스템으로 변모시키기 위해 특별히 설계된 모듈식 영구 메모리 솔루션인 Hy-Memory 2.0의 전체 코드 공개를 공식 발표했습니다.
완전히 오픈 소스 라이선스인 Apache 2.0 하에 공개된 Hy-Memory 2.0 에코시스템은 세 가지 상호 보완적인 산업 수준의 구성 요소를 갖추고 있습니다: hy-memory 클라이언트 라이브러리 및 SDK(안정 버전 2.0.2), 데스크톱 인터페이스와 커맨드 인터페이스를 가진 로컬 관리 애플리케이션인 MemHub(주요 소프트웨어 엔지니어링 환경 10개와 시장의 자율 에이전트를 즉시 플러그 앤 플레이 방식으로 통합하며, 선도적인 코드 편집기 및 자율 어시스턴트 포함), 그리고 모순 추출 및 해결을 위한 전용 신경 모델인 Hy-Memory-30B-A3B입니다. Hunyuan의 희소 전문가(sparse expert) 토폴로지로 구축되어 각 순방향 패스 동안 30억 개의 시냅스 가중치만 활성화하는 이 전문화된 모델은 복잡한 상호 작용 흐름을 처리하여 개체를 추출하고, 시간적 전제 변화를 감지하며, 정보를 중복 제거한 다음 SQLite 로컬 관계형 데이터베이스 및 계층적 벡터 인덱스에 통합합니다. 이 접근 방식의 실질적인 영향은 즉각적입니다: 까다로운 학술 벤치마크인 **LoCoMo(연속 메모리 평가)**에서 Hy-Memory 2.0은 **72.6%**라는 새로운 글로벌 기준을 수립했을 뿐만 아니라, 쿼리당 계산된 평균 키워드 볼륨을 1,159 토큰에서 703 토큰으로 줄여 — 컨텍스트 오버헤드를 39.3% 절감했습니다.
1. 사실과 뉴스: 개방형 로컬 우선(Local-First) 에이전트 메모리로의 전환
Tencent Hy-Memory 2.0의 출시는 오픈소스 AI 생태계와 폐쇄형 독점 플랫폼 간의 군비 경쟁에 있어 변곡점을 의미합니다. 이번 출시 이전까지, 기업 소프트웨어 엔지니어들과 여러 프로그래밍 세션 동안 장기적인 데이터 보존을 요구하는 엔지니어링 팀들은 원격 인프라의 독점 솔루션을 이용하거나, 단순히 격리된 벡터 데이터베이스 위에 순수하게 '순진한 RAG(Retrieval-Augmented Generation)' 기반의 불안정한 자체 시스템을 구현해야 했습니다. 표준 RAG의 만성적인 문제는 시간적 민감성의 부재에 있습니다. 작업 세션 초기에 발행된 엔지니어의 지침과 동일한 관련성 점수를 가지는, 오래되거나 모순되는 문서 조각이나 메시지가 검색됩니다.
Tencent는 Hy-Memory 2.0을 Apache 2.0 오픈 라이선스로 GitHub와 Hugging Face 오픈 레포지토리에 공개함으로써 Local-First 패러다리즘을 강력하게 지지하는 입장을 취합니다:
-
절대적인 프라이버시 및 데이터 주권: 모든 컨텍스트 데이터, 사설 레포지토리의 편집 기록 및 대화 로그는 소프트웨어 엔지니어의 로컬 머신 또는 기업의 사설 인프라에 상주하며, 암호화된 SQLite 구조와 압축 HNSW 인덱스에 저장됩니다. 내부 코드 조각은 요약이나 메모리 통합을 목적으로 제3자 공급업체로 전송되지 않습니다.
-
10개 환경과의 범용적인 상호 운용성: 소프트웨어 엔지니어를 단일 독점 에디터 생태계에 묶어두는 것과 달리, MemHub 애플리케이션은 시장을 선도하는 10개의 환경에 투명하게 연결되며, 주요 에디터, 운영 콘솔 어시스턴트 및 백그라운드 자율 인지 시스템 간의 공통적인 인지 기판(cognitive substrate layer) 역할을 수행합니다.
-
메모리 엔진과 추론 모델의 분리: 소프트웨어 엔지니어는 선호하는 기반 모델을 사용하는 완전한 자율성을 유지하며 — 최첨단 동시대 모델(DeepSeek 4.1, Claude Fable 5.1, GPT-6 Astra 및 Gemini 3.8 Flash Cyber)로 구동되는 자율 에이전트를 오케스트레이션하면서 — Hy-Memory 2.0과 그 보조 전문가 모델은 응답 시간 5ms 미만에서 컨텍스트 추출, 인덱싱 및 주입 사이클을 조용히 담당합니다.
Tencent Hunyuan이 제공하는 오픈 패키지에는 MoE Hunyuan 30B-A3B 모델의 전체 가중치가 포함되어 있으며, 이는 분산형 및 로컬 환경 모두에서 호환되는 주요 추론 엔진 형식으로 제공됩니다. 또한 VRAM 소비를 정기적으로 제어하여 워크스테이션에서 로컬 실행을 위한 FP8 및 INT4 양자화된 가중치와 복잡한 기업 파이프라인 확장을 위한 Python 및 TypeScript용 준비된 라이브러리도 포함합니다.
2. 세 가지 레이어의 아키텍처: 작업 메모리(Working Memory), 코드 메모리(Code Memory) 및 채팅 메모리(Chat Memory)
Hy-Memory 2.0의 기술적 우수성은 세 가지 기능적 레이어로 엄격하게 분리된 온톨로지 구조에서 비롯됩니다. 각 레이어는 고유한 시간 유지 규칙, 표현의 세분성(granularity of representation) 및 만료 정책에 의해 관리됩니다. 시스템은 모든 토큰 흐름을 비정형적인 텍스트 블록으로 취급하는 대신, 지식을 Working Memory, Code Memory, 그리고 Chat Memory로 분할합니다.
레이어 1: Working Memory (작업 기억/단기 작업 메모리)
_Working Memory_는 자율 에이전트의 휘발성 작업 메모리 역할을 합니다. 이는 분해된 행동 계획, 보류 중인 하위 작업 목록, 새로 호출된 자동화 도구(예: 셸 반환값 또는 API 호출)의 원시 출력 및 중간 추론 초안(scratchpad)을 포함하여 복합 목표 실행의 현재 상태를 기록하는 역할을 합니다.
자율 인지 시스템이 분산 모듈을 리팩토링하기 위해 50회 반복 루프를 실행할 때, 이 50개 자동화 도구 호출의 전체 기록을 입력 프롬프트에 주입하면 모델 창(window)이 포화됩니다. Working Memory는 현재 상태의 변화량(delta)만을 동적으로 합성합니다: 어떤 파일들이 이미 단위 테스트로 검증되었는지, 어떤 함수들이 컴파일에 실패했는지, 그리고 다음에 실행되어야 할 단계가 무엇인지 등을 기록합니다. **MemoryArena (목표 지속성 벤치마크)**라는 전문 벤치마크는 자율 에이전트가 완료된 작업의 환각 없이 128개 순차 사이클 동안 운영 일관성을 유지하는 능력을 측정하도록 설계되었으며, Hy-Memory 2.0의 Working Memory 레이어는 **55.31%**의 점수를 기록했습니다. 이는 오직 순차 요약 압축에 의존하는 파이프라인과 비교하여 8.4 퍼센트 포인트의 향상을 나타냅니다.
레이어 2: Code Memory (코드 메모리/저장소 및 AST 의미론적 메모리)
지속적인 소프트웨어 엔지니어링 요구사항을 충족하도록 설계된 _Code Memory_는 단순히 분리된 텍스트 조각을 저장하는 것을 넘어, 프로젝트의 추상 구문 트리(AST) 위에 구조화된 의미론적 그래프를 구축합니다. 이 계층은 파일 간 임포트 관계, 함수 시그니처, 인터페이스 타입, 그리고 diff 및 커밋의 시간적 히스토리를 인덱싱합니다.
코드베이스의 정적 그래프 외에도 Code Memory는 학습된 운영 지식(lessons learned)의 영속성을 도입합니다. 예를 들어, 소프트웨어 엔지니어가 자율 에이전트에게 회사 메시징 라이브러리가 커스텀 싱글톤(singleton) 하에서 비동기 초기화가 필요하다고 수정할 경우, Code Memory는 이 지침을 특정 설정 파일에 앵커(anchor)로 기록합니다. 향후 동일 모노레포지토리의 다른 마이크로서비스를 포함하는 작업 과정에서, 이 제약 조건은 선제적으로 검색되어 새로운 코드 생성이 이루어지기 전에 입력 프롬프트에 주입됩니다. **CodeMemoryBench (AST 및 레포지토리 벤치마크)**의 엄격한 테스트에서 이 계층은 **코드 컨텍스트 검색 정확도 64.2%**와 **SWE 수준 문제 직접 해결률 35.6%**를 달성하며 기존 에이전트 파이프라인을 능가했습니다.
계층 3: Chat Memory (대화 에피소드 메모리)
_Chat Memory_는 단편적인 대화와 산발적인 진술을 엔티티-관계-시간 삼중항(triple)으로 인덱싱된 구조화된 에피소드 이벤트로 변환합니다. 채팅 자율 에이전트의 가장 심각한 문제 중 하나는 전제 조건의 불일치입니다. 만약 사용자가 월요일에 프로덕션 컴퓨팅 노드가 Python 3.12로 실행된다고 주장했지만, 목요일에는 Python 3.14로 마이그레이션했다고 선언한다면, 전통적인 의미론적 유사성 검색 시스템은 두 주장을 모두 검색하여 모델이 호환되지 않는 스크립트를 생성하도록 유도합니다.
특화된 모델 Hy-Memory-30B-A3B는 이 레이어에서 직접 작동하며 의미적 조정(reconciliação semântica)을 수행합니다. 즉, 가장 최근의 진술이 이전 사실을 시간적으로 무효화한다는 것을 인식하고, 레거시 데이터를 보관함에 정리하며 현재 유효한 운영상의 진실을 활성화 상태로 유지합니다. 최대 100,000 토큰의 연속 대화에서 대화적 사실(fatos conversacionais) 보유에 초점을 맞춘 LoCoMo 벤치마크에서 Hy-Memory 2.0은 **72.6%**의 정확도를 달성하여 컨텍스트에 주입되는 불필요한 토큰 수를 극적으로 줄였습니다.
3. 실제 벤치마크 전투: 동시대 경계와의 직접 대결
Tencent Hy-Memory 2.0의 실험적 분석은 그 보유 능력, 검색 정확도 및 경제적 효율성을 활성 세대의 가장 진보된 모델 및 스택인 DeepSeek 4.1, Claude Fable 5.1, 그리고 GPT-6 Astra와 직접 비교하며 수행되었습니다. 평가는 다음 네 가지 필수 차원을 포함했습니다: LoCoMo(장문 대화에서의 보유 및 에피소드 해결), CodeMemoryBench (AST 및 리포지토리 벤치마크)(리포지토리 이해 및 소프트웨어 엔지니어링 관습 보유), MemoryArena (목표 지속성 벤치마크)(추론의 다중 턴 대화에서 행동 계획의 안정성) 그리고 쿼리당 평균 토큰 소비율.
다음 비교표는 표준화된 테스트 설정에서 얻은 경험적 지표들을 통합합니다:
AI 자동 생성 콘텐츠
본 콘텐츠는 Dev.to AI tag의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기