Hy-Memory-30B-A3B kontra LFM2.5-24B-A2B: Dwa rzadkie modele specjalistyczne, z których tylko jeden działa na twoim komputerze

Hy-Memory-30B-A3B i LFM2.5-24B-A2B to ten sam pomysł, który zbudowały dwie firmy spierające się o to, kto będzie go uruchamiał. Oba to rzadkie modele mieszanki ekspertów w przedziale około dwudziestu kilku miliardów, z dwoma do trzech miliardów parametrów aktywnych na token — moduł zapisu pamięci zespołu Hunyuan o łącznej liczbie 30 mld i około 3 mld aktywnych, udostępniony jako open source 15 października 2026; model agenta działający na urządzeniu od Liquid AI o łącznej liczbie 24,0 mld i 2,45 mld aktywnych, wydany 13 października 2026. Liquid wydał Q4_K_M GGUF o rozmiarze 14,5 GB oraz kompilację trenowaną z uwzględnieniem kwantyzacji o rozmiarze 13,6 GB obok wag pełnej precyzji. Zespół wydał jeden checkpoint BF16 o rozmiarze 60,1 GB i żadnej skwantyzowanej alternatywy. Liczby nie powiedzą ci, czy coś z tego poszło źle w praktyce: udokumentowane incydenty AI i awarie agentów dotyczące modeli tej klasy są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, wagę, ocenę pewności i flagę sporu.

Ta różnica w sposobie pakowania nie jest przypadkowym skutkiem harmonogramu, a odczytanie jej właściwie mówi ci więcej o obu modelach niż którakolwiek tabela benchmarków. To także sprawia, że te dwa są zwykle porównywane z niewłaściwego powodu — ludzie widzą „mały rzadki MoE” na obu kartach i zakładają, że konkurują o ten sam slot wdrożeniowy. Nie konkurują. Jeden chce być wewnątrz frameworka agentowego na twoim laptopie. Drugi chce być wewnątrz potoku pamięci na twoim serwerze, a te dwa zadania prawie wcale się nie pokrywają.

Jedyna rzecz, która ich naprawdę łączy

Oba są rzadkie. Oba utrzymują w pamięci dużą liczbę parametrów i odczytują jej mały wycinek na token. To cała ich architektoniczna część wspólna i warto powiedzieć, co rzadkość daje, a czego nie daje, bo jest to najbardziej konsekwentnie błędnie rozumiana właściwość w tej klasie rozmiarów.

Checkpoint 24B-A2B nie mieści się w pamięci odpowiadającej 2,45 miliarda parametrów. Każdy parametr w pliku musi dać się załadować; to, co daje liczba aktywnych parametrów, to przepustowość na token, a nie zajętość pamięci. Karta modelu Liquid mówi o tym wprost — model to checkpoint o 24 miliardach parametrów, a jego uruchomienie oznacza trzymanie 24 miliardów parametrów gdzieś w pamięci. Każdy, kto czyta „2,45B aktywnych” i sięga po małą maszynę, będzie miał nieprzyjemne popołudnie. To samo dotyczy wartości 3B aktywnych w Hy-Memory-30B-A3B w zestawieniu z jego 60 GB plikiem BF16.

Poza tą wspólną cechą te dwie różnią się pod niemal każdym istotnym względem.

Zauważ, czym jest to repozytorium. Dostawca, który publikuje osobne repozytorium GGUF, oświadcza w najbardziej konkretny z dostępnych sposobów, że modele, które udostępnia, mają być pobierane i uruchamiane na sprzęcie, który ktoś już posiada. Historia commitów w nim obejmuje dwa commity i liczy zaledwie kilka dni — to nie jest dodatek dorzucony po fakcie do dziewięciomiesięcznego wydania.

Dane techniczne, obok siebie, z uwzględnieniem wiersza opakowania

• Łączne / aktywne parametry — Hy-Memory-30B-A3B: łącznie 30B, ~3B aktywnych w porównaniu z LFM2.5-24B-A2B: łącznie 24,0B, 2,45B aktywnych.

• Konstrukcja warstw — 48 warstw dla Hy-Memory-30B-A3B, jeden gęsty blok i 47 bloków MoE ze 128 ekspertami przy routingu top-8 oraz współdzielonym ekspertem; LFM2.5-24B-A2B działa na 40 warstwach, z których 30 to podwójnie bramkowane bloki krótkiej konwolucji, a 10 to uwaga z grupowanymi zapytaniami, z 64 ekspertami na blok MoE przy routingu top-4.

• Kontekst — 262 144 pozycje dla Hy-Memory-30B-A3B w porównaniu z 131 072 dla LFM2.5-24B-A2B, co samo w sobie stanowi wzrost z 32K w poprzedniej generacji.

• Rozmiar wag — 60,1 GB w 51 shardach BF16 w porównaniu do 48 GB w BF16, z Q4_K_M GGUF o rozmiarze 14,5 GB i QAT QAD-Q4_0 o rozmiarze 13,6 GB.

• Licencja — Apache 2.0 dla Hy-Memory-30B-A3B vs licencja LFM1.0 dla LFM2.5-24B-A2B, która jest niestandardowym grantem, a nie licencją zatwierdzoną przez OSI, i którą warto przeczytać przed wdrożeniem komercyjnym.

• Korpus treningowy — 36 bln tokenów w 16 językach przy słowniku 128 000 tokenów dla LFM2.5-24B-A2B; karta Hy-Memory określa język angielski i chiński i nie podaje liczby tokenów dla Hy-Memory-30B-A3B.

• Udokumentowany cel — zapis pamięci w Mem0, MemOS, Hy-Memory i (nieuwzględniony) EverMemOS w porównaniu z agentami działającymi na urządzeniu, ze śladami rozumowania, wywoływaniem narzędzi i agentowym uczeniem ze wzmocnieniem w rzeczywistych środowiskach wykonawczych.

• Kwantyzacja publikowana przez dostawcę — brak vs cztery formaty.

Zwróć ponownie uwagę na ostatni wiersz. Liquid AI opublikowało kompilacje GGUF, FP8, ONNX i MLX-4bit modelu LFM2.5-24B-A2B w ciągu kilku dni od udostępnienia wag bazowych, a społeczność dodała więcej. To dostawca mówiący w najbardziej konkretny dostępny sposób, że ten model jest przeznaczony do pobrania i uruchamiania lokalnie. Wydanie Hy-Memory mówi coś przeciwnego, nigdy tego nie stwierdzając: jedna precyzja, jeden format, 60 GB i karta, która wskazuje vLLM 0.31.0 jako sposób na jego serwowanie.

Do czego każdy z nich został wyszkolony i dlaczego to nie jest ta sama praca

LFM2.5-24B-A2B jest agentem. Liquid pozycjonuje go jako szybkiego, prywatnego wykonawcę, który zawsze rozumuje przed udzieleniem odpowiedzi i dobrze wywołuje narzędzia — publikowane wyniki w zakresie korzystania z narzędzi i stosowania się do instrukcji są najmocniejszą częścią jego tabeli wyników, a wśród wyróżniających się pozycji są IFEval na poziomie 96,75 i IFBench na poziomie 74,69. Własne wskazówki firmy są szczere co do słabości: nie kieruj go samodzielnie do pytań wymagających dużej wiedzy; zamiast tego łącz go z wyszukiwaniem informacji lub wyszukiwaniem w internecie. To model stworzony do działania, a jego wiedza jest celowo pozyskiwana ze źródeł zewnętrznych.

Hy-Memory-30B-A3B w ogóle nie podejmuje działań. Czyta rozmowę i zapisuje pamięć. Jego dane wejściowe to wymiany zdań, a dane wyjściowe to ustrukturyzowane rekordy — quickstart Hy-Memory prosi go o obiekt JSON zawierający listę samodzielnych ciągów pamięci i uruchamia go w temperaturze 0,0 z wyłączonym rozumowaniem. Podczas gdy LFM2.5-24B-A2B jest oceniany na podstawie tego, czy ukończył zadanie, Hy-Memory-30B-A3B jest oceniany na podstawie tego, czy bank pamięci, który zapisał, dał później lepszą odpowiedź. Ocena dotyczy etapu następującego po modelu, dlatego tabela Hy-Memory porównuje piszących, a nie modele — każdy wiersz zmienia piszącego i utrzymuje stały model odpowiedzi, sędziego, konfigurację wyszukiwania oraz prompty.

Luka dowodowa, która nie jest symetryczna

Oba zestawy liczb pochodzą od samego dostawcy. Ale nie są równie przydatne.

Liquid AI uruchomiła swój własny model względem modeli bazowych w tym samym środowisku vLLM i opublikowała wiersze — karta LFM2.5-24B-A2B zawiera bezpośrednie porównania z Qwen3.6-35B-A3B i innymi modelami, na tym samym harnessie, co czyni względny układ tabeli co najmniej wewnętrznie spójnym. Jej twierdzenia są audytowalne w tym sensie, że każdy, kto ma GGUF, może spróbować odtworzyć je na skromnym sprzęcie w tym tygodniu.

Ewaluacja Hy-Memory została zaprojektowana inaczej i jest trudniejsza do sprawdzenia. Główna macierz działa na stałej 20% podpróbce każdego benchmarku, a nie na pełnym zbiorze, co jest wyborem możliwym do obrony ze względu na koszty i niemożliwym do obrony, jeśli chce się opierać na małych marginesach. A właśnie na małych marginesach opiera się nagłówek: średnia makro 55,49 dla Hy-Memory-30B-A3B wobec 54,62 dla Claude Opus 5 to różnica 0,87 punktu. W środowisku testowym MemOS różnica wynosi 0,01 — 50,51 wobec 50,50. Tymczasem szczytowy punkt tezy, rezultat 56,89 w odłożonym środowisku testowym EverMemOS, to pojedynczy wynik najbardziej wart przetestowania i ten, którego nikt nie uruchomił.

Żaden z dostawców nie ma niezależnego wyniku dla tych dwóch modeli. W przypadku LFM2.5-24B-A2B to dwudniowa niedogodność. W przypadku Hy-Memory-30B-A3B nakłada się to na problem ze sprzętem: nie można tak po prostu odtworzyć wyników modelu 60 GB BF16 tak, jak można ponownie uruchomić 14,5 GB GGUF.

Jeśli twój agent potrzebuje zarówno pamięci, jak i ust

Praktyczny wniosek jest taki, że te dwa elementy uzupełniają się w ramach jednego systemu, a nie rywalizują ze sobą w konkursie, a podział przy wdrożeniu wynika z tego w naturalny sposób.

Moduł zapisujący pamięć uruchamia się przy każdej turze i generuje krótkie dane wyjściowe — obciążenie o wysokiej częstotliwości, niskiej złożoności, które musi być deterministyczne. Wykonawca agenta działający na urządzeniu jest wywoływany, gdy pojawia się zadanie do wykonania, musi planować i wywoływać narzędzia oraz zyskuje na działaniu blisko danych. Zespół budujący prywatny stos agentowy bez wywołań do stron trzecich mógłby z dużym prawdopodobieństwem chcieć, aby ścieżka zapisu i ścieżka działania były dwoma różnymi małymi modelami, z których każdy wykonuje tę jedną czynność, do której został wytrenowany, a oba działają lokalnie.

Tu właśnie ląduje kwestia routera. OrcaRouter to jeden klucz API obejmujący ponad 200 hostowanych modeli przy 0% narzutu, a jego DSL routingu komponuje wiele modeli w jedno wywołanie — to mechanizm, który pozwala lokalnie serwowanemu modelowi piszącemu i hostowanemu modelowi czołowemu odpowiedzieć jako jeden endpoint, z automatycznym przełączaniem awaryjnym, gdy backend ulegnie degradacji. Mówiąc ściśle o tym, co ma tu zastosowanie: ani Hy-Memory-30B-A3B, ani LFM2.5-24B-A2B nie znajduje się w naszym katalogu i nie hostujemy żadnego z nich. Droga do obu prowadzi przez checkpoint i własny sprzęt. Router obejmuje ścieżkę odczytu i planowanie wokół niej oraz możliwość podmiany modelu wypełniającego dane miejsce bez zmiany kodu wywołującego.

Warto to zrobić, zanim będzie potrzebne. Tabelę routingu tanio jest napisać teraz, a drogo dorobić później, gdy framework agentowy ma już na sztywno zakodowane endpointy w dziesięciu miejscach.

Ta karta jest uczciwym podsumowaniem różnicy. Własne stanowisko Liquid AI jest takie, że LFM2.5-24B-A2B został stworzony, by działać tam, gdzie znajduje się użytkownik. Zespół Hy-Memory nigdy nie wysuwa równoważnego twierdzenia, a plik o rozmiarze 60 GB stojący za Hy-Memory-30B-A3B robi coś przeciwnego.

Co podnieść najpierw?

Jeśli chcesz w tym tygodniu zobaczyć rzadki model średniej wielkości działający na własnym sprzęcie, LFM2.5-24B-A2B jest oczywistym pierwszym przystankiem — pobranie zajmuje 14,5 GB, licencję trzeba przeczytać, a liczby dotyczące wywoływania narzędzi to część jego tabeli, która najprawdopodobniej będzie dla Ciebie najważniejsza.

Jeśli Twój agent ma problem z pamięcią, który narasta z każdą rozmową, Hy-Memory-30B-A3B jest wycelowany dokładnie w niego, a w otwartym dostępie nie ma niczego całkiem podobnego. Zaplanuj budżet na sprzęt, zanim zaplanujesz budżet na czas.