"30B 小模型跑赢 Claude Opus"这个标题我核完论文之后确认：属实，但真相比标题更有意思——分差几乎全部藏在一个训练时没见过的框架里。
先把总账对上。Hy-Memory-30B-A3B，arXiv 2610.22196，腾讯混元，五个作者。四个记忆框架的固定 20% 基准子集上，宏平均 55.49% 对 Claude Opus 5 的 54.62%，四个框架全部排名第一。包括训练时完全没见过的 EverMemOS。代码在 Tencent-Hunyuan/Hy-Memory。【直引】
但把四个框架拆开逐个看，故事就变了：Mem0 上 54.02 对 53.43，差 0.59；Hy-Memory 自家框架上 60.55 对 60.53，差 0.02；MemOS 上 50.51 对 50.50，差 0.01。三个训练时见过的框架，基本是并肩。真正拉开身位的是 held-out 的 EverMemOS：56.89 对 54.04，差 2.85。换句话说，那 0.87 个百分点的平均优势，主要是"没见过"的那场挣回来的。帖子诚实地说差距可能在噪声内——比帖子说的还要再诚实一格：在训练框架内，这就是打平。【判断】
这套设计叫归因强化学习，解的是一个经典难题：信用分配。之前的记忆 RL 用最终答案的正确性给整条操作序列打分，一篇对话几十个记忆操作，答案错了，鬼知道是哪步错了。Hy-Memory 的做法是给每个块独立的信号——密集局部探针检查每个块里有没有关键证据，gold facts 把答案里恢复的证据追溯回源块，过度存储有专门的惩罚项（陷阱题加 bank-growth penalty），GRPO 的优势在同块位置的 rollout 之间归一化。用帖子那个工厂质检员的类比：从"看客户投诉率评价所有质检员"，改成"每个环节有独立检查记录，投诉能追溯到具体环节"。【直引】
另一个关键设计是 Memory On-Policy Distillation：学生在训练时就执行自己的策略，生成的记忆库状态就是后续写入的输入，训练和部署看到的状态分布一致。这和 Agentic RL 里反复出现的主题是同一个——训练时的环境不像部署环境，学到的策略就会水土不服。【判断】
最有分寸的一点在评测设计：判卷的答案模型和评委全程冻结。读取端再强，也藏不住写入端的缺陷——这一手防的是"记忆系统变好，其实是因为读答案的人变聪明"这种常见的自欺。【直引】
下一根钉子：分差全在 held-out 框架上，这既是好消息也是警告——说明模型学到的是"记忆写入"这个通用技能，不是某个框架的私活。但四个框架的 schema 毕竟同源（都是外部记忆框架），真正的考验是换一类完全不同的存储协议，比如把记忆写进图结构或者写进代码仓库。迁移的边界在哪，论文没测。下一个该看的数：把它接到一个非记忆类的多步任务上，归因奖励还灵不灵。