Hy-Memory-30B-A3B vs LFM2.5-24B-A2B：2つのスパース特化モデル、あなたのマシンで動くのはそのうち1つだけ

Hy-Memory-30B-A3B と LFM2.5-24B-A2B は、同じアイデアを、それを誰が運用するかについて意見が分かれる2社が形にしたものです。どちらも200億台半ば規模のスパースな mixture-of-experts モデルで、トークンあたり20億〜30億のパラメータが有効になります — Hunyuanチームのメモリライターは総パラメータ30B、有効約3Bで、オープンソース化されたのは2026年10月15日。Liquid AIのオンデバイスエージェントモデルは総パラメータ24.0B、有効2.45Bで、出荷されたのは2026年10月13日。Liquidは14.5 GBのQ4_K_M GGUFと、13.6 GBの量子化対応トレーニング済みビルドを、フル精度の重みと並べて出荷しました。Hunyuanチームは60.1 GBのBF16チェックポイントを1つ出荷しただけで、量子化版はまったくありませんでした。 数字からは分からないのは、それが実地で何か問題を起こしていないかどうかです。このクラスのモデルに関する、文書化されたAIインシデントやエージェント障害は、the OrcaRouter AI Incident Archiveに集められており、各項目には独自の情報源、重大度、信頼度グレード、係争中フラグが付いています。

そのパッケージングの違いはスケジューリング上の偶然ではなく、正しく読めば、どちらのベンチマーク表よりもこの2つのモデルについて多くを教えてくれる。また、この2つがしばしば間違った理由で比較されるのも、まさにこのためだ——どちらのカードにも「小さなスパース MoE」と書かれているのを見て、同じ配備スロットを争っていると人々は思い込む。そうではない。一方はあなたのラップトップ上のエージェントフレームワークの中にいたがっている。もう一方はあなたのサーバー上のメモリパイプラインの中にいたがっており、この2つの役割はほとんど重ならない。

彼らが本当に共有している唯一のこと

どちらもスパースである。どちらも大量のパラメータ数を常駐させ、トークンごとにそのごく一部を読み出す。それがアーキテクチャ上の共通点のすべてであり、スパース性が何をもたらし、何をもたらさないかを明言する価値がある。なぜなら、これはこのサイズクラスで最も一貫して誤解されている特性だからである。

24B-A2Bチェックポイントは、24.5億パラメータ分のメモリには収まらない。ファイル内のすべてのパラメータがロード可能でなければならず、アクティブ數がもたらすのはトークンあたりのスループットであって、フットプリントではない。Liquid自身のモデルカードもこの點について明快だ — このモデルは240億パラメータのチェックポイントであり、実行するということは240億パラメータをどこかに保持することを意味する。「2.45Bアクティブ」を読んで小型マシンに手を伸ばす人は、散々な午後を過ごすことになる。同じことは、Hy-Memory-30B-A3Bの3Bアクティブという數字を、その60GBのBF16ファイルと照らし合わせた場合にも當てはまる。

その共通の特性を除けば、両者は重要となるほぼすべての軸で異なっている。

そのリポジトリが何なのかに注目してほしい。別個のGGUFリポジトリを公開しているベンダーは、利用可能な最も具体的な方法で、自社が提供するモデルが、誰かがすでに所有しているハードウェアにダウンロードして実行されるためのものだと述べている。そのコミット履歴はコミット2つ分しかなく、数日前のものだ——これは、9か月前のリリースに後付けで継ぎ足された付け足しではない。

仕様を横並びで比較、梱包の行も含めて

• 総パラメータ数 / アクティブパラメータ数 — Hy-Memory-30B-A3B は合計30B、アクティブ約3B 対 LFM2.5-24B-A2B は合計24.0B、アクティブ2.45B。

• レイヤー構成 — Hy-Memory-30B-A3B は48層で、1つのdenseブロックと47のMoEブロックを持ち、128エキスパートをtop-8ルーティングで使用し、さらに共有エキスパートを備える。LFM2.5-24B-A2B は40層で、そのうち30層が二重ゲート付きショートコンボリューションブロック、10層がグループ化クエリ注意であり、各MoEブロックの64エキスパートをtop-4ルーティングで使用する。

• コンテキスト — Hy-Memory-30B-A3B は 262,144 ポジション、LFM2.5-24B-A2B は 131,072、後者は前世代の 32K からさらに増加しています。

• 重みのフットプリント — 51 個の BF16 シャード全体で 60.1 GB、BF16 では 48 GB。Q4_K_M GGUF が 14.5 GB、QAT QAD-Q4_0 が 13.6 GB。

• ライセンス — Hy-Memory-30B-A3B は Apache 2.0、LFM2.5-24B-A2B は LFM1.0 ライセンス。後者は OSI 承認済みのライセンスではなく独自の許諾であり、商用展開の前に一読する価値がある。

• トレーニングコーパス — LFM2.5-24B-A2B向けの36兆トークン、16言語、128,000トークンの語彙。Hy-Memoryカードは英語と中国語を指定しており、Hy-Memory-30B-A3Bのトークン数は公開していない。

• 文書化された目的 — Mem0、MemOS、Hy-Memory、および（ホールドアウトされた）EverMemOS 内でのメモリ書き込みと、実際のハーネス内で推論トレース、ツール呼び出し、エージェント型強化学習を伴うオンデバイスエージェントとの対比。

• ベンダーが公開している量子化 — なし対4形式

もう一度、最後の行に注目してほしい。Liquid AIはLFM2.5-24B-A2BのGGUF、FP8、ONNX、MLX-4bitビルドをベースウェイトの公開から数日以内にリリースし、コミュニティがさらに多くのビルドを追加した。これは、このモデルがダウンロードされてローカルで実行されることを前提としている、とベンダーが取り得る最も具体的な形で表明していることにほかならない。Hy-Memoryのリリースは、それを明言することなく正反対のことを示している。単一の精度、単一のフォーマット、60 GB、そしてvLLM 0.31.0をサービング手段として指定したモデルカードである。

それぞれが何をするように訓練されたのか、そしてなぜそれは同じ仕事ではないのか

LFM2.5-24B-A2Bはエージェントです。Liquidはこれを、常に答える前に推論し、ツールをうまく呼び出す、高速でプライベートな実行者として位置づけています。公表されているツール使用と指示追従の数値は、その表の中で最も強い部分であり、IFEvalが96.75、IFBenchが74.69と際立っています。同社自身のガイダンスは弱点について率直です。知識を多く要する質問に単独で当てず、代わりに検索やウェブ検索と組み合わせてください。これは行動するために作られたモデルであり、知識は意図的に外部に委ねられています。

Hy-Memory-30B-A3B は一切行動しない。会話を読み、メモリを書き込む。その入力はやり取りであり、出力は構造化されたレコードである — Hy-Memory クイックスタートでは、自己完結型のメモリ文字列のリストを含む JSON オブジェクトを要求し、temperature 0.0、reasoning をオフにして実行する。LFM2.5-24B-A2B がタスクを完了したかどうかで評価されるのに対し、Hy-Memory-30B-A3B は書き込んだバンクが後により良い回答を生み出したかどうかで評価される。評価はモデルの下流にある。だからこそ Hy-Memory の表はモデルではなくライターを比較している — 各行はライターを変更し、回答モデル、ジャッジ、検索設定、プロンプトを固定している。

エビデンスのギャップ、それは対称的ではない

どちらの数値もベンダー自身によるものだ。だが、両者が同じように役立つわけではない。

Liquid AIは、同じvLLM環境で自社モデルをベースラインと比較して実行し、その行を公開した——LFM2.5-24B-A2Bのカードには、Qwen3.6-35B-A3Bや他のモデルとの直接比較が同じハーネス上で含まれており、少なくとも表の相対的な形は内部的に整合している。その主張は、GGUFを持つ誰もが今週、そこそこのハードウェアで再現を試みられるという意味で検証可能である。

Hy-Memoryの評価は設計が異なり、検証するのがより難しい。主要なマトリクスは各ベンチマークの完全なセットではなく、固定の20%サブサンプルで実行されており、これはコスト面では擁護できる選択だが、小さな差に頼りたいのであれば擁護できない選択だ。そして見出しの数字が依拠しているのはまさに小さな差である。Hy-Memory-30B-A3Bのマクロ平均55.49に対し、Claude Opus 5は54.62で、その差は0.87ポイント。MemOSハーネスでは差は0.01——50.51対50.50。一方、この主張の頂点である保留されたEverMemOSハーネスでの56.89は、最も検証に値する単一の結果であり、誰も実行していないものである。

どちらのベンダーも、これら2つのモデルについて独立したスコアを持っていない。LFM2.5-24B-A2Bにとって、それは2日分の不便にすぎない。Hy-Memory-30B-A3Bでは、それがハードウェアの問題と相まってさらに厄介になる。14.5 GBのGGUFを再実行できるようには、60 GBのBF16モデルの数値を気軽に再現することはできないのだ。

エージェントに記憶と口の両方が必要なら

実用的に解釈すれば、この二者は性能比べにおけるライバルではなく、一つのシステムにおける補完関係にあり、デプロイの分担は自然と導かれる。

メモリライターは毎ターン発火し、短い出力を生成する——高頻度で低複雑度、決定論的でなければならないワークロードだ。オンデバイスのエージェント実行者は、やるべきタスクがあるときに呼び出され、計画を立ててツールを呼び出す必要があり、データの近くで実行することから恩恵を受ける。サードパーティ呼び出しを一切行わないプライベートなエージェントスタックを構築するチームなら、書き込みパスと行動パスを、それぞれが訓練された一つのことを担う二つの異なる小型モデルにし、両方をローカルで動かしたいと考えるのももっともだろう。

そこがルーターの出番となるポイントです。OrcaRouter は200 以上のホスト型モデルを 0% のマークアップで 1 つの API キーから利用でき、そのルーティング DSLは複数のモデルを 1 つの呼び出しに組み合わせます — これが、ローカルで提供されるライターとホスト型のフロンティアモデルが 1 つのエンドポイントとして応答することを可能にする仕組みであり、バックエンドが劣化した際の自動フェイルオーバーも備わっています。ここで該当する事柄を正確に述べると、Hy-Memory-30B-A3B も LFM2.5-24B-A2B も当社のカタログにはなく、どちらも当社がホストしているものではありません。 両者への道はチェックポイントとご自身のハードウェアです。ルーターがカバーするのは読み取りパスとその周辺の計画、そして呼び出しコードを変えることなくスロットを埋めるモデルを差し替える能力です。

必要になる前にやっておく価値がある。ルーティングテーブルは今なら書くのは安上がりだが、エージェントフレームワークが10か所にエンドポイントをハードコードしてしまった後に後付けするのは高くつく。

そのカードは、その違いを公平に要約したものだ。Liquid AI 自身の言い分は、LFM2.5-24B-A2B がユーザーのいる場所で動くように作られているというものだ。Hy-Memory チームは同等の主張を決してしておらず、Hy-Memory-30B-A3B の背後にある 60 GB のファイルは逆のことをしている。

どちらを先に拾うべきですか？

今週、自分のハードウェアでスパースなミッドサイズモデルを動かしてみたいなら、LFM2.5-24B-A2B がまず最初に確認すべき選択肢だ。ダウンロードは 14.5 GB、ライセンスは読んでおく必要があり、ツール呼び出しの数値こそ、その表の中でおそらく最もあなたにとって重要になる部分だ。

エージェントに、会話を重ねるごとに大きくなっていくメモリの問題があるなら、Hy-Memory-30B-A3B はまさにそこを狙ったものであり、オープンなものの中にこれに匹敵するものは他にない。時間の予算を立てる前に、ハードウェアの予算を立てよ。