Hy-Memory-30B-A3B vs LFM2.5-24B-A2B: Twee sparse specialisten, slechts één van hen draait op jouw machine

Hy-Memory-30B-A3B en LFM2.5-24B-A2B zijn hetzelfde idee, gebouwd door twee bedrijven die het oneens zijn over wie het gaat draaien. Beide zijn sparse mixture-of-experts-modellen in de categorie van midden twintig miljard met twee tot drie miljard parameters actief per token — de geheugenschrijver van het Hunyuan-team met in totaal 30B en ongeveer 3B actief, open source gemaakt op 15 oktober 2026; het on-device agentmodel van Liquid AI met in totaal 24,0B en 2,45B actief, uitgebracht op 13 oktober 2026. Liquid leverde een Q4_K_M GGUF van 14,5 GB en een quantisation-aware getrainde build van 13,6 GB naast de volledige-precisiegewichten. Het team leverde één BF16-checkpoint van 60,1 GB en helemaal geen gekwantiseerd alternatief. Wat de cijfers je niet kunnen vertellen, is of er in de praktijk iets mis is gegaan: de gedocumenteerde AI-incidenten en agentstoringen rond modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwist-markering heeft.

Dat verschil in packaging is geen toeval in de planning, en als je het goed leest, vertelt het je meer over de twee modellen dan welke benchmarktabel dan ook. Het is bovendien precies de reden dat deze twee meestal om de verkeerde reden met elkaar worden vergeleken — mensen zien 'small sparse MoE' op beide kaarten en nemen aan dat ze om dezelfde deployment-slot strijden. Dat is niet zo. De een wil in het agentframework op je laptop zitten. De ander wil in een geheugenpijplijn op je server zitten, en de twee taken overlappen nauwelijks.

Het enige wat ze echt gemeen hebben

Beide zijn sparse. Beide houden een groot aantal parameters resident en lezen per token een klein deel ervan. Dat is de volledige architecturale overlap, en het is de moeite waard om te zeggen wat sparsity wel en niet oplevert, want het is de meest stelselmatig verkeerd begrepen eigenschap in deze grootteklasse.

Een 24B-A2B-checkpoint past niet in een geheugen dat groot genoeg is voor 2,45 miljard parameters. Elke parameter in het bestand moet laadbaar zijn; wat het actieve aantal oplevert, is doorvoer per token, niet de geheugenvoetafdruk. De eigen modelkaart van Liquid is hier duidelijk over: het model is een checkpoint van 24 miljard parameters, en om het te draaien moet je ergens 24 miljard parameters vasthouden. Wie '2,45B actief' leest en naar een kleine machine grijpt, staat een vervelende middag te wachten. Hetzelfde geldt voor de 3B actieve parameterwaarde van Hy-Memory-30B-A3B tegenover zijn BF16-bestand van 60 GB.

Afgezien van die gemeenschappelijke eigenschap lopen de twee uiteen op vrijwel elke as die ertoe doet.

Merk op wat die repository is. Een leverancier die een aparte GGUF-repository publiceert, verklaart daarmee, op de meest concrete manier die beschikbaar is, dat de modellen die hij levert bedoeld zijn om te worden gedownload en te draaien op hardware die iemand al bezit. De commitgeschiedenis ervan telt twee commits en is enkele dagen oud — dit is geen achterafgedachte die aan een negen maanden oude release is vastgeschroefd.

Specificaties, naast elkaar, met de verpakkingsrij inbegrepen

• Totaal / actieve parameters — Hy-Memory-30B-A3B 30B totaal, ~3B actief vs LFM2.5-24B-A2B 24,0B totaal, 2,45B actief.

• Laagopbouw — 48 lagen voor Hy-Memory-30B-A3B, één dense blok en 47 MoE-blokken met 128 experts bij top-8-routering plus een gedeelde expert; LFM2.5-24B-A2B bestaat uit 40 lagen, waarvan 30 dubbelgegate short-convolutionblokken en 10 grouped-query attention, met 64 experts per MoE-blok bij top-4-routering.

• Context — 262.144 posities voor Hy-Memory-30B-A3B tegenover 131.072 voor LFM2.5-24B-A2B, die zelf al een stijging is ten opzichte van 32K in de vorige generatie.

• Gewichtsvoetafdruk — 60,1 GB verdeeld over 51 BF16-shards versus 48 GB in BF16, met een Q4_K_M GGUF van 14,5 GB en een QAT QAD-Q4_0 van 13,6 GB.

• Licentie — Apache 2.0 voor Hy-Memory-30B-A3B tegenover de LFM1.0-licentie voor LFM2.5-24B-A2B, een aangepaste licentieverlening in plaats van een OSI-goedgekeurde, en de moeite waard om te lezen vóór commerciële implementatie.

• Trainingscorpus — 36T tokens over 16 talen met een vocabulaire van 128.000 tokens voor LFM2.5-24B-A2B; de Hy-Memory-kaart vermeldt Engels en Chinees en publiceert geen tokenaantal voor Hy-Memory-30B-A3B.

• Gedocumenteerd doel — geheugenschrijven binnen Mem0, MemOS, Hy-Memory en (buiten beschouwing gelaten) EverMemOS versus on-device agents met redeneertraces, tool calling en agentic reinforcement learning binnen echte harnesses.

• Kwantisatie gepubliceerd door de leverancier — geen versus vier formaten.

Let nog eens op de laatste rij. Liquid AI publiceerde binnen enkele dagen na de basisgewichten GGUF-, FP8-, ONNX- en MLX-4bit-builds van LFM2.5-24B-A2B, en de community voegde er meer toe. Dat is een leverancier die, op de meest concrete manier die beschikbaar is, zegt dat dit model bedoeld is om lokaal te worden gedownload en gedraaid. De Hy-Memory-release zegt het tegenovergestelde zonder het ooit te vermelden: één precisie, één formaat, 60 GB, en een kaart die vLLM 0.31.0 noemt als de manier om het te serveren.

Wat elk is getraind om te doen, en waarom het niet hetzelfde werk is

LFM2.5-24B-A2B is een agent. Liquid positioneert het als een snelle, private uitvoerder die altijd redeneert voordat hij antwoordt en tools goed aanroept — de gepubliceerde cijfers voor toolgebruik en instructieopvolging zijn het sterkste onderdeel van zijn tabel, met IFEval op 96.75 en IFBench op 74.69 als uitschieters. De eigen richtlijnen van het bedrijf zijn openhartig over de zwakte: richt het niet op eigen houtje op kennisintensieve vragen, maar koppel het in plaats daarvan aan retrieval of webzoekopdrachten. Dat is een model dat gebouwd is om te handelen, waarbij de kennis bewust is uitbesteed.

Hy-Memory-30B-A3B handelt helemaal niet. Het leest een gesprek en schrijft geheugen. De invoer bestaat uit uitwisselingen en de uitvoer bestaat uit gestructureerde records — de Hy-Memory-quickstart vraagt het om een JSON-object met een lijst van op zichzelf staande geheugenstrings, uitgevoerd bij temperatuur 0.0 met redeneren uitgeschakeld. Waar LFM2.5-24B-A2B wordt beoordeeld op of het een taak heeft voltooid, wordt Hy-Memory-30B-A3B beoordeeld op of de bank die het schreef later een beter antwoord opleverde. De evaluatie bevindt zich stroomafwaarts van het model, en daarom vergelijkt de Hy-Memory-tabel schrijvers in plaats van modellen — elke rij verandert de schrijver en houdt het antwoordmodel, de beoordelaar, de retrievalconfiguratie en de prompts vast.

De bewijskloof, die niet symmetrisch is

Beide sets cijfers zijn van de leverancier zelf. Maar ze zijn niet even bruikbaar.

Liquid AI heeft zijn eigen model tegen baselines in dezelfde vLLM-omgeving gedraaid en de rijen gepubliceerd — de LFM2.5-24B-A2B-kaart bevat directe vergelijkingen met Qwen3.6-35B-A3B en andere modellen, op dezelfde harness, wat de relatieve vorm van de tabel op zijn minst intern consistent maakt. De beweringen zijn controleerbaar in de zin dat iedereen met de GGUF ze deze week op bescheiden hardware kan proberen te reproduceren.

De Hy-Memory-evaluatie is anders opgezet en moeilijker te controleren. De hoofdmatrix draait op een vaste 20%-substeekproef van elke benchmark in plaats van de volledige set, wat een verdedigbare keuze is qua kosten en een onverdedigbare als je wilt leunen op kleine marges. En kleine marges vormen de basis van het headline-resultaat: 55,49 macro-gemiddelde voor Hy-Memory-30B-A3B tegenover 54,62 voor Claude Opus 5 is een verschil van 0,87 punt. Op de MemOS-harness is het verschil 0,01 — 50,51 tegenover 50,50. Ondertussen is het hoogtepunt van de claim, de 56,89 op de achtergehouden EverMemOS-harness, het enige resultaat dat het meest het testen waard is en dat niemand heeft gedraaid.

Geen van beide leveranciers heeft een onafhankelijke score voor deze twee modellen. Voor LFM2.5-24B-A2B is dat een ongemak dat twee dagen oud is. Voor Hy-Memory-30B-A3B komt dat bovenop het hardwareprobleem: je kunt de cijfers van een BF16-model van 60 GB niet zomaar reproduceren zoals je een GGUF van 14,5 GB opnieuw kunt draaien.

Als je agent zowel een geheugen als een mond nodig heeft

De praktische interpretatie is dat deze twee complementair zijn binnen een systeem, geen rivalen in een bake-off, en dat de deployment-splitsing daar vanzelf uit voortvloeit.

Een geheugenschrijver wordt bij elke beurt geactiveerd met korte uitvoer — een hoogfrequente, laagcomplexe werklast die deterministisch moet zijn. Een agent-uitvoerder op het apparaat wordt aangeroepen wanneer er een taak Must uitgevoerd, moet plannen en tools aanroepen, en profiteert ervan dicht bij de data te draaien. Een team dat een private agent-stack bouwt zonder aanroepen naar derden, zou heel goed kunnen willen dat het schrijfpad en het actiepad twee verschillende kleine modellen zijn, elk met de ene taak waarvoor het is getraind, beide lokaal draaiend.

Daar komt de routervraag op neer. OrcaRouter is één API-sleutel voor 200+ gehoste modellen met 0% opslag, en zijn routerings-DSL combineert meerdere modellen in één aanroep — het mechanisme waarmee een lokaal geserveerde writer en een gehost frontiermodel als één eindpunt kunnen antwoorden, met automatische failover wanneer een backend degradeert. Om precies te zijn over wat hier geldt: noch Hy-Memory-30B-A3B noch LFM2.5-24B-A2B staat in onze catalogus en we hosten geen van beide. De weg naar beide is de checkpoint en je eigen hardware. Wat een router omvat, is het leespad en de planning eromheen, en de mogelijkheid om te wisselen welk model een slot vult zonder de aanroepende code te wijzigen.

Het is de moeite waard om dit te doen voordat je het nodig hebt. De routingtabel is nu goedkoop om te schrijven en duur om achteraf in te bouwen zodra een agentframework op tien plekken hardgecodeerde endpoints heeft.

Die kaart is de eerlijke samenvatting van het verschil. Liquid AI's eigen boodschap is dat LFM2.5-24B-A2B is gebouwd om te draaien waar de gebruiker is. Het Hy-Memory-team beweert nooit iets gelijkwaardigs, en het 60 GB-bestand achter Hy-Memory-30B-A3B doet het tegenovergestelde.

Welke eerst oppakken?

Als je deze week een sparse mid-size model op je eigen hardware wilt zien draaien, is LFM2.5-24B-A2B de voor de hand liggende eerste stop — de download is 14,5 GB, de licentie moet worden gelezen, en de tool-calling-cijfers zijn het deel van de tabel dat er voor jou waarschijnlijk het meest toe doet.

Als je agent een geheugenprobleem heeft dat met elk gesprek groter wordt, dan richt Hy-Memory-30B-A3B zich daar precies op, en er is niets anders dat er in de openbaarheid echt op lijkt. Reserveer eerst budget voor de hardware en pas daarna voor de tijd.