Hy-Memory-30B-A3B מול LFM2.5-24B-A2B: שני מומחים דלילים, רק אחד מהם רץ על המכונה שלך

Hy-Memory-30B-A3B וLFM2.5-24B-A2B הם אותו רעיון, שנבנה על ידי שתי חברות שחלוקות בשאלה מי יריץ אותו. שניהם מודלים דלילים מסוג תערובת מומחים (MoE) בטווח של 20 ומשהו מיליארד, עם שניים-שלושה מיליארד פרמטרים פעילים לכל טוקן — כותב הזיכרון של צוות Hunyuan עם 30 מיליארד סך הכול וכ-3 מיליארד פעילים, בקוד פתוח ב-15 באוקטובר 2026; מודל הסוכן על-המכשיר של Liquid AI עם 24.0 מיליארד סך הכול ו-2.45 מיליארד פעילים, שיצא ב-13 באוקטובר 2026. Liquid שחררה GGUF מסוג Q4_K_M בנפח 14.5 ג'יגה-בייט וגרסה שאומנה במודעות לקוונטיזציה בנפח 13.6 ג'יגה-בייט, לצד המשקולות בדיוק מלא. הצוות שחרר צ'קפוינט BF16 אחד בנפח 60.1 ג'יגה-בייט, ובלי שום חלופה מקוונטטת בכלל. מה שהמספרים לא יכולים לספר לך הוא אם משהו מכל זה השתבש בשטח: התקריות המתועדות בתחום ה-AI וכשלי הסוכנים סביב מודלים במחלקה הזו מרוכזים ב-ארכיון התקריות של OrcaRouter AI שבו כל רשומה נושאת את המקורות, חומרת האירוע, דירוג הביטחון ודגל המחלוקת שלה.

ההבדל הזה באריזה אינו מקרה של תזמון, וקריאה נכונה שלו מספרת לך יותר על שני המודלים מכל אחת משתי טבלאות הבנצ'מרק. זה גם במקרה הסיבה לכך ששני אלה מושווים בדרך כלל מהסיבה הלא נכונה — אנשים רואים "MoE קטן ודליל" על שני הכרטיסים ומניחים שהם מתחרים על אותה משבצת פריסה. הם לא. האחד רוצה להיות בתוך מסגרת הסוכנים במחשב הנייד שלך. האחר רוצה להיות בתוך צינור זיכרון בשרת שלך, ושתי העבודות בקושי חופפות.

הדבר האחד שבאמת חולקים

שניהם דלילים. שניהם מחזיקים בזיכרון מספר פרמטרים גדול וקוראים פרוסה קטנה ממנו לכל טוקן. זו כל החפיפה הארכיטקטונית, וכדאי לציין מה הדלילות נותנת ומה היא לא נותנת, משום שזו התכונה שהכי טועים בה באופן עקבי במחלקת הגודל הזו.

נקודת ביקורת של 24B-A2B אינה נכנסת לזיכרון בגודל של 2.45 מיליארד פרמטרים. כל פרמטר בקובץ חייב להיות ניתן לטעינה; מה שמספר הפרמטרים הפעילים קונה הוא תפוקה לכל טוקן, לא טביעת רגל בזיכרון. הכרטיס של Liquid עצמו אומר זאת בפשטות — המודל הוא נקודת ביקורת בת 24 מיליארד פרמטרים, והרצה שלו משמעה להחזיק 24 מיליארד פרמטרים במקום כלשהו. כל מי שקורא "2.45B פעילים" ופונה למכונה קטנה צפוי לעבור אחר צהריים רע. אותו דבר חל על נתון 3B הפעילים של Hy-Memory-30B-A3B מול קובץ ה-BF16 שלו בגודל 60 GB.

מעבר לתכונה המשותפת הזו, השניים נבדלים זה מזה כמעט בכל ציר משמעותי.

שימו לב מהו אותו מאגר. ספק שמפרסם מאגר GGUF נפרד מצהיר, בדרך המוחשית ביותר האפשרית, שהמודלים שהוא מספק נועדו להורדה ולהרצה על חומרה שמישהו כבר מחזיק ברשותו. היסטוריית הקומיטים בו היא באורך שני קומיטים בלבד והיא בת ימים ספורים — זו לא מחשבה שנייה שהודבקה לגרסה בת תשעה חודשים.

מפרטים, זה לצד זה, כולל שורת האריזה

• סה״כ / פרמטרים פעילים — Hy-Memory-30B-A3B ‏30B סה״כ, ~3B פעילים לעומת LFM2.5-24B-A2B ‏24.0B סה״כ, 2.45B פעילים.

• מבנה שכבות — 48 שכבות עבור Hy-Memory-30B-A3B, בלוק צפוף אחד ו-47 בלוקי MoE עם 128 מומחים בניתוב top-8 בתוספת מומחה משותף; LFM2.5-24B-A2B פועל עם 40 שכבות, 30 מהן בלוקי קונבולוציה קצרה עם שער כפול ו-10 קשב עם שאילתות מקובצות, עם 64 מומחים לכל בלוק MoE בניתוב top-4.

• הקשר — 262,144 מיקומים עבור Hy-Memory-30B-A3B לעומת 131,072 עבור LFM2.5-24B-A2B, שהוא עצמו עלה מ-32K בדור הקודם.

• נפח המשקלים — 60.1 GB על פני 51 מקטעי BF16 לעומת 48 GB ב-BF16, עם Q4_K_M GGUF בנפח 14.5 GB ו-QAT QAD-Q4_0 בנפח 13.6 GB.

• רישיון — Apache 2.0 עבור Hy-Memory-30B-A3B לעומת רישיון LFM1.0 עבור LFM2.5-24B-A2B, שהוא הענקה מותאמת אישית ולא אחת מאושרת על ידי OSI, וכדאי לקרוא לפני פריסה מסחרית.

• קורפוס אימון — 36T טוקנים ב-16 שפות עם אוצר מילים של 128,000 טוקנים עבור LFM2.5-24B-A2B; כרטיס Hy-Memory מציין אנגלית וסינית ואינו מפרסם מספר טוקנים עבור Hy-Memory-30B-A3B.

• מטרה מתועדת — כתיבת זיכרון בתוך Mem0, MemOS, Hy-Memory ו-EverMemOS (שהוחזק בנפרד) לעומת סוכנים על-מכשיר עם עקבות חשיבה, קריאה לכלים ולמידת חיזוק סוכנית בתוך הרנסים האמיתיים.

• כימות שפורסם על ידי הספק — ללא לעומת ארבעה פורמטים.

שימו לב שוב לשורה האחרונה. Liquid AI פרסמה גרסאות GGUF, FP8, ONNX ו-MLX-4bit של LFM2.5-24B-A2B בתוך ימים מהמשקולות הבסיסיות, והקהילה הוסיפה עוד. זהו ספק שאומר, בדרך הקונקרטית ביותר האפשרית, שהמודל הזה נועד להורדה והרצה מקומית. השחרור של Hy-Memory אומר את ההיפך בלי להצהיר על כך מעולם: דיוק אחד, פורמט אחד, 60 GB, וכרטיס שמציין את vLLM 0.31.0 כדרך להגיש אותו.

מה כל אחד מהם אומן לעשות, ומדוע זו אינה אותה עבודה

LFM2.5-24B-A2B הוא סוכן. Liquid ממקמת אותו כמבצע מהיר ופרטי שתמיד מבצע הסקה לפני שהוא עונה ומבצע היטב קריאות לכלים — הנתונים המפורסמים שלו בנוגע לשימוש בכלים ולעמידה בהוראות הם החלק החזק ביותר בטבלה שלו, עם IFEval ב-96.75 ו-IFBench ב-74.69 בין הבולטים. ההכוונה של החברה עצמה כנה לגבי החולשה: אין להפנות אותו לבדו לשאלות עתירות ידע; במקום זאת, שלבו אותו עם אחזור מידע או חיפוש ברשת. זהו מודל שנבנה לפעול, כשהידע שלו מופנה בכוונה למקורות חיצוניים.

Hy-Memory-30B-A3B אינו פועל כלל. הוא קורא שיחה וכותב זיכרון. הקלטים שלו הם חילופי דברים והפלטים שלו הם רשומות מובנות — ה-quickstart של Hy-Memory מבקש ממנו אובייקט JSON המכיל רשימה של מחרוזות זיכרון עצמאיות, בהרצה בטמפרטורה 0.0 עם חשיבה כבויה. בעוד ש-LFM2.5-24B-A2B נשפט לפי האם השלים משימה, Hy-Memory-30B-A3B נשפט לפי האם המאגר שכתב הניב תשובה טובה יותר מאוחר יותר. ההערכה נמצאת במורד הזרם מהמודל, ולכן טבלת Hy-Memory משווה כותבים ולא מודלים — כל שורה משנה את הכותב ומשאירה קבועים את מודל התשובה, השופט, תצורת האחזור והפרומפטים.

פער הראיות, שאינו סימטרי

שני מערכי המספרים הם של הספק עצמו. אבל הם לא שימושיים באותה מידה.

Liquid AI הרצה את המודל שלה מול קווי בסיס באותה סביבת vLLM ופרסמה את השורות — כרטיס LFM2.5-24B-A2B כולל השוואות ישירות מול Qwen3.6-35B-A3B ומודלים אחרים, על אותה תשתית בדיקה, מה שהופך את הצורה היחסית של הטבלה לפחות לעקבית פנימית. הטענות שלה ניתנות לביקורת במובן שכל מי שיש לו את ה-GGUF יכול לנסות לשחזר אותן על חומרה צנועה השבוע.

ההערכה של Hy-Memory מעוצבת אחרת וקשה יותר לבדיקה. המטריצה הראשית רצה על בסיס קבוע של תת-מדגם של 20% מכל מדד במקום על הסט המלא, וזו בחירה מוצדקת מבחינת עלות ובלתי מוצדקת אם רוצים להישען על פערים קטנים. ופערים קטנים הם מה שהכותרת נשענת עליו: 55.49 ממוצע מאקרו עבור Hy-Memory-30B-A3B לעומת 54.62 עבור Claude Opus 5 הוא פער של 0.87 נקודה. על תשתית MemOS הפער הוא 0.01 — 50.51 לעומת 50.50. בינתיים, שיא הטענה, ה-56.89 על תשתית EverMemOS המוחזקת לבדיקה, היא התוצאה היחידה שהכי שווה לבדוק וזו שאיש לא הריץ.

לאף אחד מהספקים אין ציון עצמאי לשני המודלים האלה. עבור LFM2.5-24B-A2B מדובר באי-נוחות בת יומיים. עבור Hy-Memory-30B-A3B זה מצטרף לבעיית החומרה: לא ניתן סתם כך לשחזר את המספרים של מודל 60 GB BF16 כמו שאפשר להריץ מחדש 14.5 GB GGUF.

אם הסוכן שלך צריך גם זיכרון וגם פה

הפרשנות המעשית היא ששני אלה משלימים זה את זה במערכת, ולא יריבים בתחרות, ופיצול הפריסה נובע מכך באופן טבעי.

כותב זיכרון מופעל בכל תור עם פלטים קצרים — עומס עבודה בתדירות גבוהה, במורכבות נמוכה, שחייב להיות דטרמיניסטי. מבצע סוכן על-המכשיר מופעל כאשר יש משימה לבצע, צריך לתכנן ולקרוא לכלים, ונהנה מהרצה קרוב לנתונים. צוות שבונה מחסנית סוכנים פרטית בלי קריאות לצד שלישי עשוי בהחלט לרצות שמסלול הכתיבה ומסלול הפעולה יהיו שני מודלים קטנים שונים, כל אחד עושה את הדבר האחד שעבורו אומן, ושניהם רצים מקומית.

שם נכנסת שאלת הראוטר. OrcaRouter הוא מפתח API אחד על פני יותר מ-200 מודלים מתארחים ב-0% תוספת מחיר, וה-DSL לניתוב שלו מרכיב מספר מודלים לקריאה אחת — וזה המנגנון שמאפשר למודל כותב המאוחסן מקומית ולמודל חזית מתארח להשיב כנקודת קצה אחת, עם מעבר אוטומטי לגיבוי כאשר ה-backend נחלש. ליתר דיוק לגבי מה שרלוונטי כאן: לא Hy-Memory-30B-A3B ולא LFM2.5-24B-A2B נמצאים בקטלוג שלנו, ואנחנו לא מארחים אף אחד מהם. הדרך לשניהם היא ה-checkpoint והחומרה שלכם. מה שהראוטר מכסה הוא נתיב הקריאה והתכנון שסביבו, והיכולת להחליף איזה מודל ממלא משבצת בלי לשנות את קוד הקריאה.

כדאי לעשות זאת לפני שצריך את זה. טבלת הניתוב זולה לכתוב עכשיו ויקרה להוסיף בדיעבד לאחר שמסגרת סוכנים קיבעה נקודות קצה בעשרה מקומות.

הכרטיס הזה הוא הסיכום ההוגן של ההבדל. המסר של Liquid AI עצמה הוא ש‑LFM2.5-24B-A2B נבנה כדי לרוץ במקום שבו נמצא המשתמש. צוות Hy-Memory אף פעם לא מציג טענה מקבילה, וקובץ ה‑60 GB שמאחורי Hy-Memory-30B-A3B עושה את ההיפך.

מה להרים קודם

אם אתה רוצה לראות מודל דליל בגודל בינוני רץ על החומרה שלך השבוע, LFM2.5-24B-A2B הוא התחנה הראשונה המובנת מאליה — ההורדה היא 14.5 GB, צריך לקרוא את הרישיון, ונתוני קריאות הכלים הם החלק בטבלה שלו שסביר ביותר שיהיה חשוב לך.

אם לסוכן שלך יש בעיית זיכרון שגדלה עם כל שיחה, Hy-Memory-30B-A3B מכוון בדיוק לכך, ואין עוד משהו ממש כמוהו באופן פתוח. תקצב את החומרה לפני שאתה מתקצב את הזמן.