Hy-Memory-30B-A3B vs LFM2.5-24B-A2B: Dos especialistas dispersos, solo uno de ellos se ejecuta en tu máquina

Hy-Memory-30B-A3B y LFM2.5-24B-A2B son la misma idea construida por dos empresas que no coinciden sobre quién va a ejecutarla. Ambos son modelos de mezcla de expertos dispersa en el rango medio de los 20 mil millones, con dos a tres mil millones de parámetros activos por token — el escritor de memoria del equipo de Hunyuan, con 30B en total y unos 3B activos, publicado como código abierto el 15 de octubre de 2026; el modelo de agente en dispositivo de Liquid AI, con 24.0B en total y 2.45B activos, lanzado el 13 de octubre de 2026. Liquid lanzó un Q4_K_M GGUF de 14.5 GB y una compilación entrenada con reconocimiento de cuantización de 13.6 GB junto a los pesos de precisión completa. El equipo lanzó un único checkpoint BF16 de 60.1 GB y ninguna alternativa cuantizada en absoluto. Lo que los números no pueden decirte es si algo de esto ha salido mal sobre el terreno: los incidentes de IA documentados y los fallos de agentes en torno a modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Esa diferencia en el empaquetado no es un accidente de la planificación, y leerla correctamente te dice más sobre los dos modelos que cualquiera de las dos tablas de benchmarks. También resulta ser la razón por la que estos dos suelen compararse por el motivo equivocado: la gente ve "MoE disperso pequeño" en ambas fichas y asume que compiten por el mismo espacio de despliegue. No es así. Uno quiere estar dentro del framework de agentes en tu portátil. El otro quiere estar dentro de un pipeline de memoria en tu servidor, y los dos trabajos apenas se solapan.

Lo único que comparten de verdad

Ambos son dispersos. Ambos mantienen residente un gran número de parámetros y leen una pequeña porción de ellos por token. Ese es todo el solapamiento arquitectónico, y vale la pena declarar qué aporta y qué no aporta la dispersión, porque es la propiedad más sistemáticamente malinterpretada en esta clase de tamaño.

Un checkpoint 24B-A2B no cabe en la memoria de 2450 millones de parámetros. Todos los parámetros del archivo tienen que poder cargarse; lo que aporta el número de parámetros activos es rendimiento por token, no huella de memoria. La propia ficha de Liquid es clara al respecto: el modelo es un checkpoint de 24 mil millones de parámetros, y ejecutarlo implica mantener 24 mil millones de parámetros en algún lugar. Cualquiera que lea "2.45B activos" y se decante por una máquina pequeña va a pasar una mala tarde. Lo mismo se aplica a la cifra de 3B activos de Hy-Memory-30B-A3B frente a su archivo BF16 de 60 GB.

Más allá de esa propiedad compartida, los dos divergen en casi todos los ejes que importan.

Fíjate en qué es ese repositorio. Un proveedor que publica un repositorio GGUF separado está afirmando, de la forma más concreta posible, que los modelos que distribuye están pensados para descargarse y ejecutarse en hardware que alguien ya posee. El historial de commits de ese repositorio tiene solo dos commits y es de hace unos días; esto no es un añadido de última hora encajado en un lanzamiento de hace nueve meses.

Especificaciones, lado a lado, con la fila de embalaje incluida

• Parámetros totales / activos — Hy-Memory-30B-A3B 30B totales, ~3B activos vs. LFM2.5-24B-A2B 24.0B totales, 2.45B activos.

• Construcción de capas — 48 capas para Hy-Memory-30B-A3B, un bloque denso y 47 bloques MoE con 128 expertos en enrutamiento top-8 más un experto compartido; LFM2.5-24B-A2B ejecuta 40 capas, 30 de ellas bloques de convolución corta con doble compuerta y 10 de atención de consultas agrupadas, con 64 expertos por bloque MoE en enrutamiento top-4.

• Contexto — 262.144 posiciones para Hy-Memory-30B-A3B frente a 131.072 para LFM2.5-24B-A2B, que a su vez supone un aumento respecto a las 32K de la generación anterior.

• Huella de los pesos — 60.1 GB en 51 fragmentos BF16 frente a 48 GB en BF16, con un Q4_K_M GGUF de 14.5 GB y un QAT QAD-Q4_0 de 13.6 GB.

• Licencia — Apache 2.0 para Hy-Memory-30B-A3B frente a la licencia LFM1.0 de LFM2.5-24B-A2B, que es una concesión personalizada en lugar de una aprobada por la OSI y que conviene leer antes de un despliegue comercial.

• Corpus de entrenamiento — 36T tokens en 16 idiomas con un vocabulario de 128.000 tokens para LFM2.5-24B-A2B; la ficha de Hy-Memory especifica inglés y chino y no publica un recuento de tokens para Hy-Memory-30B-A3B.

• Propósito documentado — escritura de memoria dentro de Mem0, MemOS, Hy-Memory y (reservado) EverMemOS frente a agentes en dispositivo con trazas de razonamiento, llamada a herramientas y aprendizaje por refuerzo agéntico dentro de arneses reales.

• Cuantización publicada por el proveedor — ninguna frente a cuatro formatos.

Fíjate de nuevo en la última fila. Liquid AI publicó versiones GGUF, FP8, ONNX y MLX-4bit de LFM2.5-24B-A2B a los pocos días de los pesos base, y la comunidad añadió más. Eso es un proveedor diciendo, de la forma más concreta posible, que este modelo está pensado para descargarse y ejecutarse localmente. El lanzamiento de Hy-Memory dice lo contrario sin llegar a afirmarlo: una sola precisión, un solo formato, 60 GB y una tarjeta que nombra vLLM 0.31.0 como la forma de servirlo.

Para qué se entrenó a cada uno y por qué no es el mismo trabajo

LFM2.5-24B-A2B es un agente. Liquid lo posiciona como un ejecutor rápido y privado que siempre razona antes de responder y que usa bien las herramientas; sus cifras publicadas de uso de herramientas y seguimiento de instrucciones son la parte más fuerte de su tabla, con IFEval en 96,75 e IFBench en 74,69 entre los destacados. La propia guía de la empresa es sincera sobre la debilidad: no lo dirijas por sí solo a preguntas con mucha carga de conocimiento; en su lugar, combínalo con recuperación o búsqueda web. Ese es un modelo hecho para actuar, con su conocimiento deliberadamente externalizado.

Hy-Memory-30B-A3B no actúa en absoluto. Lee una conversación y escribe memoria. Sus entradas son intercambios y sus salidas son registros estructurados: el inicio rápido de Hy-Memory le pide un objeto JSON que contiene una lista de cadenas de memoria autocontenidas, ejecutado a temperatura 0.0 con el razonamiento desactivado. Mientras que LFM2.5-24B-A2B se evalúa por si completó una tarea, Hy-Memory-30B-A3B se evalúa por si el banco que escribió produjo una mejor respuesta después. La evaluación es posterior al modelo, y por eso la tabla de Hy-Memory compara escritores en lugar de modelos: cada fila cambia el escritor y mantiene fijos el modelo de respuesta, el juez, la configuración de recuperación y los prompts.

La brecha de evidencia, que no es simétrica

Ambos conjuntos de cifras son del propio proveedor. Pero no son igualmente útiles.

Liquid AI ejecutó su propio modelo contra líneas base en el mismo entorno vLLM y publicó las filas — la ficha de LFM2.5-24B-A2B incluye comparaciones directas con Qwen3.6-35B-A3B y otros modelos, en el mismo arnés de evaluación, lo que hace que la forma relativa de la tabla sea al menos internamente coherente. Sus afirmaciones son auditables en el sentido de que cualquiera que tenga el GGUF puede intentar reproducirlas en hardware modesto esta semana.

La evaluación de Hy-Memory está diseñada de forma diferente y es más difícil de comprobar. La matriz principal se ejecuta sobre una submuestra del 20 % fija de cada benchmark en lugar del conjunto completo, lo cual es una decisión defendible por coste e indefendible si quieres apoyarte en márgenes pequeños. Y en márgenes pequeños se basa el titular: una media macro de 55,49 para Hy-Memory-30B-A3B frente a 54,62 de Claude Opus 5 es una diferencia de 0,87 puntos. En el banco de pruebas MemOS, la diferencia es de 0,01 — 50,51 frente a 50,50. Por su parte, el punto culminante de la afirmación, el 56,89 en el banco de pruebas EverMemOS reservado, es el único resultado que más merece la pena comprobar y el que nadie ha ejecutado.

Ninguno de los dos proveedores tiene una puntuación independiente para estos dos modelos. Para LFM2.5-24B-A2B, eso es un inconveniente de dos días. Para Hy-Memory-30B-A3B, se agrava con el problema del hardware: no puedes reproducir sin más las cifras de un modelo BF16 de 60 GB de la misma forma en que puedes volver a ejecutar un GGUF de 14.5 GB.

Si tu agente necesita tanto una memoria como una boca

La lectura práctica es que estos dos son complementos dentro de un sistema, no rivales en una competencia, y la división del despliegue surge de forma natural.

Un escritor de memoria se activa en cada turno con salidas breves: una carga de trabajo de alta frecuencia, baja complejidad y que debe ser determinista. Un ejecutor de agente en el dispositivo se invoca cuando hay una tarea que realizar, necesita planificar y llamar a herramientas, y se beneficia de ejecutarse cerca de los datos. Un equipo que construye una pila de agentes privada sin llamadas a terceros podría querer, de forma plausible, que la ruta de escritura y la ruta de actuación sean dos modelos pequeños diferentes, cada uno haciendo lo único para lo que fue entrenado, y ambos ejecutándose localmente.

Ahí es donde aterriza la cuestión del enrutador. OrcaRouter es una sola clave de API para más de 200 modelos alojados con un 0 % de recargo, y su DSL de enrutamiento compone varios modelos en una sola llamada —que es el mecanismo que permite que un escritor servido localmente y un modelo de frontera alojado respondan como un único endpoint, con conmutación por error automática cuando un backend se degrada. Para ser exactos sobre lo que aplica aquí: ni Hy-Memory-30B-A3B ni LFM2.5-24B-A2B están en nuestro catálogo y no alojamos ninguno de los dos. La ruta hacia ambos es el checkpoint y tu propio hardware. Lo que cubre un enrutador es la ruta de lectura y la planificación en torno a ella, y la capacidad de cambiar qué modelo ocupa una ranura sin modificar el código de llamada.

Vale la pena hacerlo antes de necesitarlo. La tabla de enrutamiento es barata de escribir ahora y costosa de adaptar después, una vez que un framework de agentes ha codificado los endpoints de forma fija en diez lugares.

Esa ficha es el resumen justo de la diferencia. La propia línea de Liquid AI es que LFM2.5-24B-A2B está diseñado para ejecutarse allí donde esté el usuario. El equipo de Hy-Memory nunca hace una afirmación equivalente, y el archivo de 60 GB que hay detrás de Hy-Memory-30B-A3B hace lo contrario.

¿Qué recoger primero?

Si quieres ver un modelo disperso de tamaño medio ejecutándose en tu propio hardware esta semana, LFM2.5-24B-A2B es la primera parada obvia — la descarga es de 14,5 GB, la licencia hay que leerla y las cifras de llamada a herramientas son la parte de su tabla que más probablemente te importe.

Si tu agente tiene un problema de memoria que crece con cada conversación, Hy-Memory-30B-A3B apunta directamente a eso, y no hay nada igual en abierto. Presupuesta el hardware antes de presupuestar el tiempo.