Hy-Memory-30B-A3B vs LFM2.5-24B-A2B: due specialisti sparsi, solo uno dei due gira sulla tua macchina

Hy-Memory-30B-A3B e LFM2.5-24B-A2B sono la stessa idea realizzata da due aziende che non sono d'accordo su chi la eseguirà. Entrambi sono modelli sparse mixture-of-experts nella fascia dei 20 miliardi circa con due o tre miliardi di parametri attivi per token — il memory writer del team Hunyuan da 30B totali e circa 3B attivi, reso open source il 15 ottobre 2026; il modello agente on-device di Liquid AI da 24.0B totali e 2.45B attivi, rilasciato 13 ottobre 2026. Liquid ha rilasciato un Q4_K_M GGUF da 14.5 GB e una build quantisation-aware-trained da 13.6 GB accanto ai pesi a piena precisione. Il team ha rilasciato un singolo checkpoint BF16 da 60.1 GB e nessuna alternativa quantizzata affatto. Ciò che i numeri non possono dirti è se qualcosa sia andato storto sul campo: gli incidenti e i fallimenti degli agenti documentati relativi ai modelli di questa classe sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di disputa.

Quella differenza nel packaging non è un caso di pianificazione, e leggerla correttamente ti dice più sui due modelli di quanto faccia qualsiasi tabella di benchmark. È anche il motivo per cui questi due vengono di solito confrontati per la ragione sbagliata: la gente vede "small sparse MoE" su entrambe le schede e presume che competano per lo stesso slot di deployment. Non lo sono. Uno vuole stare dentro il framework di agenti sul tuo laptop. L'altro vuole stare dentro una pipeline di memoria sul tuo server, e i due lavori si sovrappongono a malapena.

L'unica cosa che davvero condividono

Entrambi sono sparsi. Entrambi mantengono residente un elevato numero di parametri e ne leggono una piccola porzione per token. Questa è l'intera sovrapposizione architetturale, e vale la pena affermare cosa la sparsità offre e cosa non offre, perché è la proprietà più costantemente fraintesa in questa classe di dimensioni.

Un checkpoint 24B-A2B non entra in una memoria pari a 2,45 miliardi di parametri. Ogni parametro nel file deve essere caricabile; ciò che il conteggio degli attivi offre è throughput per token, non ingombro. La scheda di Liquid stessa è chiara al riguardo — il modello è un checkpoint da 24 miliardi di parametri, e eseguirlo significa tenere 24 miliardi di parametri da qualche parte. Chiunque legga "2,45B attivi" e si rivolga a una macchina piccola passerà un brutto pomeriggio. Lo stesso vale per la cifra di 3B attivi di Hy-Memory-30B-A3B rispetto al suo file BF16 da 60 GB.

Al di là di quella proprietà condivisa, i due divergono su quasi ogni asse che conta.

Nota cos'è quel repository. Un fornitore che pubblica un repository GGUF separato sta dichiarando, nel modo più concreto disponibile, che i modelli che distribuisce sono pensati per essere scaricati ed eseguiti su hardware che qualcuno possiede già. La cronologia dei commit su di esso è lunga due commit e risale a pochi giorni fa — non è un ripensamento aggiunto a posteriori a una release di nove mesi.

Specifiche, affiancate, con la riga della confezione inclusa

• Parametri totali / attivi — Hy-Memory-30B-A3B 30B totali, ~3B attivi rispetto a LFM2.5-24B-A2B 24,0B totali, 2,45B attivi.

• Costruzione dei layer — 48 layer per Hy-Memory-30B-A3B, un blocco denso e 47 blocchi MoE con 128 esperti con routing top-8 più un esperto condiviso; LFM2.5-24B-A2B utilizza 40 layer, 30 dei quali blocchi a convoluzione breve con doppio gate e 10 di attenzione con query raggruppate, con 64 esperti per blocco MoE con routing top-4.

• Contesto — 262.144 posizioni per Hy-Memory-30B-A3B rispetto a 131.072 per LFM2.5-24B-A2B, che a sua volta è passato da 32K nella generazione precedente.

• Impronta dei pesi — 60,1 GB distribuiti su 51 shard BF16 rispetto a 48 GB in BF16, con un Q4_K_M GGUF da 14,5 GB e un QAT QAD-Q4_0 da 13,6 GB.

• Licenza — Apache 2.0 per Hy-Memory-30B-A3B rispetto alla licenza LFM1.0 per LFM2.5-24B-A2B, che è una concessione personalizzata anziché approvata dall'OSI e che vale la pena leggere prima di un impiego commerciale.

• Corpus di addestramento — 36T token in 16 lingue con un vocabolario da 128.000 token per LFM2.5-24B-A2B; la scheda Hy-Memory specifica inglese e cinese e non pubblica un conteggio di token per Hy-Memory-30B-A3B.

• Scopo documentato — scrittura della memoria all'interno di Mem0, MemOS, Hy-Memory e (escluso) EverMemOS rispetto ad agenti su dispositivo con tracce di ragionamento, chiamate di strumenti e apprendimento per rinforzo agentico all'interno di harness reali.

• Quantizzazione pubblicata dal fornitore — nessuna rispetto a quattro formati.

Nota di nuovo l'ultima riga. Liquid AI ha pubblicato build GGUF, FP8, ONNX e MLX-4bit di LFM2.5-24B-A2B entro pochi giorni dai pesi di base, e la community ne ha aggiunte altre. È un fornitore che dice, nel modo più concreto disponibile, che questo modello è pensato per essere scaricato ed eseguito localmente. Il rilascio di Hy-Memory dice l'opposto senza mai dichiararlo: una precisione, un formato, 60 GB e una scheda che indica vLLM 0.31.0 come il modo per servirlo.

Ciò che ciascuno è stato addestrato a fare, e perché non è lo stesso lavoro

LFM2.5-24B-A2B è un agente. Liquid lo posiziona come un esecutore veloce e privato che ragiona sempre prima di rispondere e usa bene gli strumenti — i suoi numeri pubblicati sull'uso degli strumenti e sul seguito delle istruzioni sono la parte più forte della sua tabella, con IFEval a 96,75 e IFBench a 74,69 tra i valori più notevoli. Le indicazioni dell'azienda sono franche riguardo al punto debole: non indirizzarlo da solo verso domande ad alta densità di conoscenza, affiancalo piuttosto a recupero o ricerca web. È un modello costruito per agire, con la sua conoscenza deliberatamente esternalizzata.

Hy-Memory-30B-A3B non agisce affatto. Legge una conversazione e scrive memoria. I suoi input sono scambi e i suoi output sono record strutturati — la guida rapida di Hy-Memory gli chiede un oggetto JSON contenente un elenco di stringhe di memoria autonome, eseguito a temperatura 0.0 con il ragionamento disattivato. Mentre LFM2.5-24B-A2B viene giudicato in base al fatto che abbia completato un'attività, Hy-Memory-30B-A3B viene giudicato in base al fatto che la banca che ha scritto abbia prodotto una risposta migliore in seguito. La valutazione è a valle del modello, motivo per cui la tabella di Hy-Memory confronta i writer anziché i modelli — ogni riga cambia il writer e mantiene fissi il modello di risposta, il giudice, la configurazione di recupero e i prompt.

Il divario probatorio, che non è simmetrico

Entrambi i gruppi di numeri sono del fornitore stesso. Ma non sono ugualmente utili.

Liquid AI ha eseguito il proprio modello contro baseline nello stesso ambiente vLLM e ha pubblicato le righe — la scheda di LFM2.5-24B-A2B include confronti diretti con Qwen3.6-35B-A3B e altri modelli, sullo stesso harness, il che rende la forma relativa della tabella almeno internamente coerente. Le sue affermazioni sono verificabili nel senso che chiunque abbia il GGUF può tentare di riprodurle su hardware modesto questa settimana.

La valutazione di Hy-Memory è progettata diversamente ed è più difficile da verificare. La matrice principale viene eseguita su un fisso sottocampione del 20% di ciascun benchmark anziché sull'insieme completo, una scelta difendibile per i costi e indifendibile se si vuole fare affidamento su margini ridotti. E sono proprio i margini ridotti quelli su cui poggia il titolo: 55,49 di media macro per Hy-Memory-30B-A3B contro 54,62 di Claude Opus 5 è un divario di 0,87 di punto. Sul banco di prova MemOS il divario è 0,01 — 50,51 contro 50,50. Nel frattempo, il vertice dell'affermazione, il 56,89 sul banco di prova EverMemOS tenuto fuori, è il singolo risultato che più merita di essere testato e quello che nessuno ha eseguito.

Nessuno dei due fornitori dispone di un punteggio indipendente per questi due modelli. Per LFM2.5-24B-A2B si tratta di un inconveniente vecchio di due giorni. Per Hy-Memory-30B-A3B si somma al problema hardware: non si possono riprodurre con disinvoltura i numeri di un modello BF16 da 60 GB come si può rieseguire un GGUF da 14,5 GB.

Se il tuo agente ha bisogno sia di una memoria che di una bocca

La lettura pratica è che questi due sono complementari all'interno di un sistema, non rivali in una gara comparativa, e la suddivisione del deployment ne consegue naturalmente.

Un memory writer si attiva a ogni turno con output brevi — un carico di lavoro ad alta frequenza, bassa complessità e che deve essere deterministico. Un esecutore di agenti on-device viene invocato quando c'è un compito da svolgere, deve pianificare e chiamare strumenti, e trae beneficio dall'esecuzione vicino ai dati. Un team che costruisce uno stack di agenti privato senza chiamate a terze parti potrebbe plausibilmente volere che il percorso di scrittura e il percorso di azione siano due piccoli modelli diversi, ciascuno dei quali fa l'unica cosa per cui è stato addestrato, entrambi in esecuzione localmente.

È qui che entra in gioco la questione del router. OrcaRouter è una sola chiave API su oltre 200 modelli ospitati con markup 0%, e il suo DSL di routing compone più modelli in un'unica chiamata — il meccanismo che consente a un writer servito localmente e a un modello frontier ospitato di rispondere come un unico endpoint, con failover automatico quando un backend si degrada. Per essere precisi su ciò che si applica qui: né Hy-Memory-30B-A3B né LFM2.5-24B-A2B è nel nostro catalogo e non ospitiamo nessuno dei due. La via verso entrambi è il checkpoint e il tuo hardware. Ciò che copre un router è il percorso di lettura e la pianificazione intorno a esso, e la capacità di cambiare quale modello riempie uno slot senza modificare il codice chiamante.

Vale la pena farlo prima di averne bisogno. La tabella di routing costa poco da scrivere ora ed è costosa da adattare a posteriori, una volta che un framework di agenti ha endpoint codificati in modo fisso in dieci punti.

Quella scheda è il riassunto equo della differenza. La posizione stessa di Liquid AI è che LFM2.5-24B-A2B è costruito per funzionare dove si trova l'utente. Il team di Hy-Memory non fa mai un'affermazione equivalente, e il file da 60 GB dietro Hy-Memory-30B-A3B fa l'opposto.

Quale raccogliere per primo

Se vuoi vedere un modello sparse di medie dimensioni in esecuzione sul tuo hardware questa settimana, LFM2.5-24B-A2B è l'ovvia prima tappa — il download è di 14,5 GB, la licenza va letta, e i numeri sul tool calling sono la parte della sua tabella che più probabilmente avrà importanza per te.

Se il tuo agente ha un problema di memoria che cresce a ogni conversazione, Hy-Memory-30B-A3B è pensato proprio per questo, e non c'è nient'altro di simile nell'open source. Prevedi un budget per l'hardware prima di prevederne uno per il tempo.