Hy-Memory-30B-A3B vs LFM2.5-24B-A2B: Dua Spesialis Sparse, Hanya Satu di Antaranya yang Berjalan di Mesin Anda

Hy-Memory-30B-A3B dan LFM2.5-24B-A2B adalah ide yang sama yang dibangun oleh dua perusahaan yang tidak sepakat tentang siapa yang akan menjalankannya. Keduanya adalah model sparse mixture-of-experts dalam kisaran pertengahan 20 miliar dengan dua hingga tiga miliar parameter aktif per token — penulis memori tim Hunyuan dengan total 30B dan sekitar 3B aktif, dirilis sebagai open source pada 15 Oktober 2026; model agen on-device milik Liquid AI dengan total 24,0B dan 2,45B aktif, dirilis 13 Oktober 2026. Liquid merilis Q4_K_M GGUF berukuran 14,5 GB dan build yang dilatih dengan kesadaran kuantisasi berukuran 13,6 GB di samping bobot presisi penuh. Tim tersebut merilis satu checkpoint BF16 60,1 GB dan sama sekali tidak ada alternatif terkuantisasi. Apa yang tidak bisa diberitahukan oleh angka-angka adalah apakah ada yang salah di lapangan: insiden AI dan kegagalan agen yang terdokumentasi seputar model di kelas ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.

Perbedaan dalam pengemasan itu bukan kebetulan penjadwalan, dan membacanya dengan benar memberi tahu Anda lebih banyak tentang kedua model tersebut daripada yang bisa diberikan oleh tabel benchmark mana pun. Perbedaan itu juga menjadi alasan mengapa keduanya biasanya dibandingkan dengan alasan yang salah — orang melihat "small sparse MoE" pada kedua kartu dan mengira keduanya bersaing untuk slot deployment yang sama. Tidak demikian. Yang satu ingin berada di dalam kerangka agen di laptop Anda. Yang lain ingin berada di dalam pipeline memori di server Anda, dan kedua pekerjaan itu nyaris tidak tumpang tindih.

Satu-satunya hal yang benar-benar mereka miliki bersama

Keduanya bersifat sparse. Keduanya menyimpan sejumlah besar parameter secara residen dan membaca sebagian kecilnya per token. Itulah keseluruhan tumpang tindih arsitekturalnya, dan penting untuk menyatakan apa yang dapat dan tidak dapat diperoleh dari sparsitas, karena ini adalah properti yang paling konsisten disalahpahami di kelas ukuran ini.

Checkpoint 24B-A2B tidak muat dalam memori sebesar 2,45 miliar parameter. Setiap parameter dalam file harus dapat dimuat; yang didapat dari jumlah aktif adalah throughput per token, bukan jejak memori. Kartu model Liquid sendiri gamblang soal ini — model ini adalah checkpoint 24 miliar parameter, dan menjalankannya berarti harus menyimpan 24 miliar parameter di suatu tempat. Siapa pun yang membaca "2,45B aktif" dan langsung beralih ke mesin kecil akan mengalami sore yang buruk. Hal yang sama berlaku untuk angka aktif 3B milik Hy-Memory-30B-A3B dibandingkan dengan file BF16 60 GB-nya.

Di luar sifat bersama itu, keduanya berbeda pada hampir setiap dimensi yang penting.

Perhatikan apa repositori itu. Vendor yang menerbitkan repositori GGUF terpisah sedang menyatakan, dengan cara paling konkret yang tersedia, bahwa model yang dikirimkannya dimaksudkan untuk diunduh dan dijalankan pada perangkat keras yang sudah dimiliki seseorang. Riwayat commit di dalamnya hanya sepanjang dua commit dan baru berusia beberapa hari — ini bukan tambahan yang dipasang belakangan pada rilis yang sudah berusia sembilan bulan.

Spesifikasi, berdampingan, dengan baris kemasan disertakan

• Total / parameter aktif — Hy-Memory-30B-A3B 30B total, ~3B aktif vs LFM2.5-24B-A2B 24,0B total, 2,45B aktif.

• Konstruksi lapisan — 48 lapisan untuk Hy-Memory-30B-A3B, satu blok dense dan 47 blok MoE dengan 128 expert pada perutean top-8 plus satu expert bersama; LFM2.5-24B-A2B menjalankan 40 lapisan, 30 di antaranya blok konvolusi pendek dengan gate ganda dan 10 attention grouped-query, dengan 64 expert per blok MoE pada perutean top-4.

• Konteks — 262.144 posisi untuk Hy-Memory-30B-A3B vs 131.072 untuk LFM2.5-24B-A2B, yang itu sendiri naik dari 32K pada generasi sebelumnya.

• Jejak bobot — 60,1 GB di seluruh 51 pecahan BF16 vs 48 GB dalam BF16, dengan Q4_K_M GGUF pada 14,5 GB dan QAT QAD-Q4_0 pada 13,6 GB.

• Lisensi — Apache 2.0 untuk Hy-Memory-30B-A3B vs lisensi LFM1.0 untuk LFM2.5-24B-A2B, yang merupakan pemberian lisensi khusus dan bukan lisensi yang disetujui OSI, serta layak dibaca sebelum deployment komersial.

• Korpus pelatihan — 36T token di 16 bahasa dengan kosakata 128.000 token untuk LFM2.5-24B-A2B; kartu Hy-Memory menyebutkan bahasa Inggris dan Tionghoa dan tidak menerbitkan jumlah token untuk Hy-Memory-30B-A3B.

• Tujuan yang didokumentasikan — penulisan memori di dalam Mem0, MemOS, Hy-Memory dan (disisihkan) EverMemOS versus agen di perangkat dengan jejak penalaran, pemanggilan alat dan pembelajaran penguatan agentik di dalam harness nyata.

• Kuantisasi yang dipublikasikan oleh vendor — tidak ada vs empat format.

Perhatikan baris terakhir sekali lagi. Liquid AI menerbitkan build GGUF, FP8, ONNX, dan MLX-4bit dari LFM2.5-24B-A2B dalam beberapa hari setelah bobot dasarnya, dan komunitas menambahkan lebih banyak lagi. Itu adalah vendor yang mengatakan, dengan cara paling konkret yang tersedia, bahwa model ini dimaksudkan untuk diunduh dan dijalankan secara lokal. Rilis Hy-Memory mengatakan yang sebaliknya tanpa pernah menyatakannya: satu presisi, satu format, 60 GB, dan sebuah kartu yang menyebut vLLM 0.31.0 sebagai cara untuk menyajikannya.

Apa yang masing-masing dilatih untuk lakukan, dan mengapa itu bukan pekerjaan yang sama

LFM2.5-24B-A2B adalah sebuah agen. Liquid memposisikannya sebagai eksekutor cepat dan privat yang selalu bernalar sebelum menjawab dan memanggil alat dengan baik — angka penggunaan alat dan kepatuhan instruksi yang dipublikasikan merupakan bagian terkuat dari tabelnya, dengan IFEval di 96,75 dan IFBench di 74,69 sebagai yang menonjol. Panduan perusahaan sendiri jujur tentang kelemahannya: jangan mengarahkannya ke pertanyaan berat pengetahuan sendirian, pasangkan dengan pengambilan informasi atau pencarian web sebagai gantinya. Itu adalah model yang dibangun untuk bertindak, dengan pengetahuannya sengaja dialihdayakan.

Hy-Memory-30B-A3B tidak bertindak sama sekali. Ia membaca percakapan dan menulis memori. Masukannya berupa pertukaran dan keluarannya berupa catatan terstruktur — panduan cepat Hy-Memory memintanya untuk sebuah objek JSON yang berisi daftar string memori mandiri, dijalankan pada temperature 0.0 dengan penalaran dimatikan. Sementara LFM2.5-24B-A2B dinilai berdasarkan apakah ia menyelesaikan tugas, Hy-Memory-30B-A3B dinilai berdasarkan apakah bank yang ditulisnya menghasilkan jawaban yang lebih baik di kemudian hari. Evaluasinya berada di hilir model, itulah sebabnya tabel Hy-Memory membandingkan penulis, bukan model — setiap baris mengubah penulis dan mempertahankan model jawaban, penilai, konfigurasi retrieval, dan prompt tetap sama.

Kesenjangan bukti, yang tidak simetris

Kedua kumpulan angka itu milik vendor sendiri. Namun keduanya tidak sama bermanfaatnya.

Liquid AI menjalankan modelnya sendiri terhadap baseline di lingkungan vLLM yang sama dan menerbitkan baris-barisnya — kartu LFM2.5-24B-A2B mencakup perbandingan langsung dengan Qwen3.6-35B-A3B dan model lain, pada harness yang sama, yang setidaknya membuat bentuk relatif tabel tersebut konsisten secara internal. Klaimnya dapat diaudit dalam arti siapa pun yang memiliki GGUF dapat mencoba mereproduksinya pada perangkat keras yang sederhana minggu ini.

Evaluasi Hy-Memory dirancang secara berbeda dan lebih sulit untuk diperiksa. Matriks utamanya dijalankan pada subsampel 20% tetap dari setiap benchmark, bukan pada kumpulan lengkapnya, yang merupakan pilihan yang bisa dipertahankan dari segi biaya dan pilihan yang tak bisa dipertahankan jika Anda ingin bersandar pada selisih yang tipis. Dan selisih tipislah yang menjadi dasar angka utamanya: rata-rata makro 55.49 untuk Hy-Memory-30B-A3B dibandingkan 54.62 untuk Claude Opus 5 adalah selisih 0.87 poin. Pada harness MemOS, selisihnya 0.01 — 50.51 berbanding 50.50. Sementara itu, puncak dari klaim tersebut, yakni 56.89 pada harness EverMemOS yang disisihkan (held-out), adalah satu-satunya hasil yang paling layak diuji dan yang belum pernah dijalankan oleh siapa pun.

Tidak ada satu pun vendor yang memiliki skor independen untuk kedua model ini. Bagi LFM2.5-24B-A2B, itu hanyalah ketidaknyamanan yang baru berumur dua hari. Bagi Hy-Memory-30B-A3B, hal itu diperparah oleh masalah perangkat keras: Anda tidak dapat dengan santai mereproduksi angka model BF16 60 GB seperti halnya menjalankan ulang GGUF 14,5 GB.

Jika agen Anda memerlukan memori sekaligus mulut

Pembacaan praktisnya adalah bahwa keduanya merupakan pelengkap dalam suatu sistem, bukan rival dalam adu kemampuan, dan pembagian penerapannya muncul secara alami.

Penulis memori dipicu pada setiap giliran dengan keluaran singkat — beban kerja berfrekuensi tinggi, kompleksitas rendah, dan harus deterministik. Eksekutor agen di perangkat dipanggil saat ada tugas yang harus dikerjakan, perlu merencanakan dan memanggil alat, serta mendapat manfaat dari berjalan dekat data. Tim yang membangun stack agen privat tanpa panggilan pihak ketiga bisa saja menginginkan jalur tulis dan jalur tindakan menjadi dua model kecil yang berbeda, masing-masing melakukan satu hal yang dilatih untuk dilakukannya, keduanya berjalan secara lokal.

Di situlah pertanyaan tentang router bermuara. OrcaRouter adalah satu API key untuk 200+ model terhosting dengan markup 0%, dan routing DSL-nya menggabungkan beberapa model menjadi satu panggilan — mekanisme yang memungkinkan penulis yang dilayani secara lokal dan model frontier terhosting menjawab sebagai satu endpoint, dengan failover otomatis saat backend menurun. Untuk lebih tepatnya tentang apa yang berlaku di sini: baik Hy-Memory-30B-A3B maupun LFM2.5-24B-A2B tidak ada dalam katalog kami dan kami tidak menghosting keduanya. Jalur menuju keduanya adalah checkpoint dan perangkat keras Anda sendiri. Yang dicakup router adalah jalur baca dan perencanaan di sekitarnya, serta kemampuan menukar model mana yang mengisi suatu slot tanpa mengubah kode pemanggil.

Layak dikerjakan sebelum Anda membutuhkannya. Tabel routing murah untuk ditulis sekarang dan mahal untuk ditambahkan belakangan setelah framework agen sudah meng-hard-code endpoint di sepuluh tempat.

Kartu itu adalah ringkasan yang adil dari perbedaannya. Pernyataan resmi Liquid AI sendiri adalah bahwa LFM2.5-24B-A2B dirancang untuk berjalan di tempat pengguna berada. Tim Hy-Memory tidak pernah membuat klaim yang setara, dan file 60 GB di balik Hy-Memory-30B-A3B melakukan hal yang sebaliknya.

Mana yang harus diambil lebih dulu?

Jika Anda ingin melihat model sparse berukuran menengah berjalan di perangkat keras Anda sendiri minggu ini, LFM2.5-24B-A2B adalah titik awal pertama yang jelas — unduhannya 14,5 GB, lisensinya perlu dibaca, dan angka tool-calling adalah bagian dari tabelnya yang paling mungkin penting bagi Anda.

Jika agen Anda memiliki masalah memori yang terus membesar di setiap percakapan, Hy-Memory-30B-A3B ditujukan tepat untuk itu, dan tidak ada yang benar-benar menyerupainya di ranah terbuka. Anggarkan perangkat kerasnya sebelum Anda menganggarkan waktunya.