Hy-Memory-30B-A3B против LFM2.5-24B-A2B: два разреженных специалиста, но только один из них работает на вашей машине

Hy-Memory-30B-A3B и LFM2.5-24B-A2B — это одна и та же идея, реализованная двумя компаниями, которые расходятся во мнениях о том, кто будет её запускать. Обе — разреженные модели смеси экспертов (mixture-of-experts) в диапазоне двадцати с небольшим миллиардов параметров, с двумя-тремя миллиардами активных параметров на токен: «писатель памяти» от команды Hunyuan на 30B общих и примерно 3B активных параметров, выложенный в открытый доступ 15 октября 2026 года; агентная модель от Liquid AI для работы на устройстве на 24,0B общих и 2,45B активных параметров, выпущенная 13 октября 2026 года. Liquid выпустила GGUF в квантовании Q4_K_M на 14,5 ГБ и сборку, обученную с учётом квантования, на 13,6 ГБ — наряду с весами полной точности. Команда выпустила один чекпойнт BF16 на 60,1 ГБ и ни одной квантованной альтернативы. Чего цифры рассказать не могут — так это того, не пошло ли что-то не так в реальной эксплуатации: задокументированные инциденты с ИИ и отказы агентов, связанные с моделями этого класса, собраны в the OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, уровень серьёзности, оценку достоверности и отметку об оспаривании.

Это различие в упаковке — не случайность расписания, и если прочитать его правильно, оно расскажет о двух моделях больше, чем любая из двух таблиц бенчмарков. К тому же именно поэтому этих двоих обычно сравнивают не по той причине — люди видят «маленький разреженный MoE» на обеих карточках и решают, что они борются за один и тот же слот развёртывания. Это не так. Один хочет оказаться внутри агентного фреймворка на вашем ноутбуке. Другой хочет оказаться внутри конвейера памяти на вашем сервере, и эти две задачи почти не пересекаются.

Единственное, что их действительно объединяет

Оба являются разреженными. Оба держат большое количество параметров резидентно в памяти и считывают небольшую их часть на каждый токен. В этом и состоит всё архитектурное пересечение, и стоит проговорить, что разреженность даёт, а чего не даёт, потому что это свойство чаще всего понимают неправильно в этом классе размеров.

Чекпоинт 24B-A2B не помещается в объём памяти, достаточный для 2,45 млрд параметров. Каждый параметр в файле должен быть загружаемым; количество активных параметров даёт выигрыш в пропускной способности на токен, а не в занимаемом объёме. Собственная карточка Liquid говорит об этом прямо: модель — это чекпоинт на 24 млрд параметров, и её запуск означает, что 24 млрд параметров нужно где-то хранить. Тот, кто прочитает «2,45B активных» и потянется к малой машине, испортит себе день. То же самое касается показателя 3B активных у Hy-Memory-30B-A3B в сравнении с его 60 GB BF16-файлом.

Помимо этого общего свойства они расходятся почти по всем значимым осям.

Обратите внимание, что это за репозиторий. Поставщик, публикующий отдельный репозиторий GGUF, самым конкретным из доступных способов заявляет, что модели, которые он поставляет, предназначены для загрузки и запуска на оборудовании, которым кто-то уже владеет. История коммитов в нём насчитывает всего два коммита и ей всего несколько дней — это не запоздалая мысль, прикрученная к девятимесячному релизу.

Характеристики рядом, включая строку об упаковке

• Общее / активное число параметров — Hy-Memory-30B-A3B: 30 млрд всего, ~3 млрд активных, против LFM2.5-24B-A2B: 24,0 млрд всего, 2,45 млрд активных.

• Конструкция слоёв — 48 слоёв для Hy-Memory-30B-A3B, один плотный блок и 47 MoE-блоков со 128 экспертами при маршрутизации top-8 плюс общий эксперт; LFM2.5-24B-A2B состоит из 40 слоёв, 30 из которых — блоки короткой свёртки с двойным гейтированием, а 10 — внимание с группированными запросами, при 64 экспертах на MoE-блок и маршрутизации top-4.

• Контекст — 262 144 позиции для Hy-Memory-30B-A3B против 131 072 для LFM2.5-24B-A2B, что само по себе выросло с 32K в предыдущем поколении.

• Объём весов — 60,1 ГБ по 51 шарду BF16 против 48 ГБ в BF16, с Q4_K_M GGUF на 14,5 ГБ и QAT QAD-Q4_0 на 13,6 ГБ.

• Лицензия — Apache 2.0 для Hy-Memory-30B-A3B против лицензии LFM1.0 для LFM2.5-24B-A2B, которая представляет собой особое разрешение, а не одобренное OSI, и которую стоит прочитать перед коммерческим развёртыванием.

• Обучающий корпус — 36 трлн токенов на 16 языках при словаре на 128 000 токенов для LFM2.5-24B-A2B; карточка Hy-Memory указывает английский и китайский языки и не публикует количество токенов для Hy-Memory-30B-A3B.

• Задокументированное назначение — запись памяти внутри Mem0, MemOS, Hy-Memory и (отложенного) EverMemOS в сравнении с агентами на устройстве с трассировками рассуждений, вызовом инструментов и агентным обучением с подкреплением внутри реальных харнессов.

• Квантование, публикуемое производителем — нет или четыре формата.

Снова обратите внимание на последнюю строку. Liquid AI опубликовала сборки GGUF, FP8, ONNX и MLX-4bit для LFM2.5-24B-A2B в течение нескольких дней после выпуска базовых весов, а сообщество добавило ещё. Это заявление вендора, сделанное максимально конкретным доступным способом, о том, что эта модель предназначена для скачивания и локального запуска. Релиз Hy-Memory говорит об обратном, ни разу этого не заявляя: одна точность, один формат, 60 ГБ и карточка, в которой vLLM 0.31.0 назван способом её обслуживания.

Чему каждого из них обучали и почему это не одна и та же работа

LFM2.5-24B-A2B — это агент. Liquid позиционирует его как быстрого, приватного исполнителя, который всегда рассуждает перед ответом и умело вызывает инструменты: опубликованные показатели использования инструментов и следования инструкциям — сильнейшая часть его таблицы, а среди особенно ярких результатов — IFEval с 96,75 и IFBench с 74,69. Рекомендации самой компании откровенно говорят о слабости: не направляйте его в одиночку на вопросы, требующие глубоких знаний, — вместо этого сочетайте его с retrieval или веб-поиском. Это модель, созданная для действий, а её знания намеренно вынесены вовне.

Hy-Memory-30B-A3B вообще не действует. Она читает разговор и записывает память. На вход она получает обмены репликами, а на выходе выдаёт структурированные записи — в кратком руководстве Hy-Memory у неё запрашивают объект JSON, содержащий список самодостаточных строк памяти, запуск при температуре 0.0 с отключённым режимом рассуждений. Там, где LFM2.5-24B-A2B оценивается по тому, выполнила ли она задачу, Hy-Memory-30B-A3B оценивается по тому, позволил ли банк памяти, который она записала, позже получить лучший ответ. Оценка проводится на этапе, следующем за моделью, поэтому в таблице Hy-Memory сравниваются модули записи, а не модели — в каждой строке меняется модуль записи, а модель ответа, судья, конфигурация извлечения и промпты остаются фиксированными.

Пробел в доказательствах, который несимметричен

Оба набора цифр принадлежат самому вендору. Но они не одинаково полезны.

Liquid AI прогнала собственную модель против бейзлайнов в той же среде vLLM и опубликовала эти строки — карточка LFM2.5-24B-A2B включает прямые сравнения с Qwen3.6-35B-A3B и другими моделями на том же стенде, что делает относительную форму таблицы по крайней мере внутренне согласованной. Её утверждения поддаются аудиту в том смысле, что любой, у кого есть GGUF, может попытаться воспроизвести их на скромном оборудовании уже на этой неделе.

Оценка Hy-Memory устроена иначе, и её сложнее проверить. Основная матрица выполняется на фиксированной 20%-ной подвыборке каждого бенчмарка, а не на полном наборе, — это оправданный выбор с точки зрения затрат и неоправданный, если вы хотите опираться на небольшие разрывы. А ведь именно на небольших разрывах и держится главное заявление: 55.49 макро-среднего у Hy-Memory-30B-A3B против 54.62 у Claude Opus 5 — это разрыв в 0.87 пункта. На стенде MemOS разрыв составляет 0.01 — 50.51 против 50.50. Между тем кульминация этого утверждения — 56.89 на отложенном стенде EverMemOS — это единственный результат, который стоит проверить больше всего, и тот, который никто не воспроизвёл.

Ни у одного из вендоров нет независимой оценки для этих двух моделей. Для LFM2.5-24B-A2B это двухдневная неприятность. Для Hy-Memory-30B-A3B это усугубляется проблемой с оборудованием: нельзя запросто воспроизвести показатели 60-гигабайтной модели BF16 так, как можно заново запустить 14,5-гигабайтный GGUF.

Если вашему агенту нужны и память, и рот

Практически это означает, что эти двое дополняют друг друга в системе, а не соперничают в сравнительном испытании, и разделение при развёртывании естественно из этого вытекает.

Модуль записи памяти срабатывает на каждом ходу с короткими выходными данными — высокочастотная, низкой сложности рабочая нагрузка, которая должна быть детерминированной. Исполнитель агента на устройстве вызывается, когда есть задача, которую нужно выполнить, должен планировать и вызывать инструменты и выигрывает от работы вблизи данных. Команда, создающая приватный стек агентов без вызовов сторонних сервисов, вполне может захотеть, чтобы путь записи и путь действий были двумя разными небольшими моделями, каждая из которых делает то единственное, для чего она была обучена, и обе работают локально.

Именно здесь и возникает вопрос о роутере. OrcaRouter — это один API-ключ к 200+ моделям, размещённым на платформе, с наценкой 0%, а его DSL маршрутизации объединяет несколько моделей в один вызов — именно этот механизм позволяет локально обслуживаемой модели-писателю и хостируемой фронтирной модели отвечать как одна конечная точка, с автоматическим переключением при сбое, когда бэкенд деградирует. Если говорить точно о том, что здесь применимо: ни Hy-Memory-30B-A3B, ни LFM2.5-24B-A2B нет в нашем каталоге, и мы не размещаем ни одну из них. Путь к обеим — это чекпойнт и ваше собственное оборудование. Роутер охватывает путь чтения и планирование вокруг него, а также возможность менять, какая модель занимает слот, не изменяя вызывающий код.

Об этом стоит позаботиться заранее. Таблицу маршрутизации сейчас написать дёшево, а вот внедрять её задним числом дорого — когда в агентском фреймворке эндпоинты уже жёстко прописаны в десяти местах.

Эта карточка — честное резюме различия. Официальная позиция Liquid AI такова: LFM2.5-24B-A2B создана для работы там, где находится пользователь. Команда Hy-Memory никогда не делает эквивалентного заявления, а 60-гигабайтный файл, стоящий за Hy-Memory-30B-A3B, делает ровно наоборот.

Что взять первым?

Если вы хотите на этой неделе увидеть, как разреженная модель среднего размера работает на вашем собственном железе, LFM2.5-24B-A2B — очевидная первая остановка: объём загрузки — 14,5 ГБ, лицензию стоит прочитать, а показатели вызова инструментов — та часть её таблицы, которая, скорее всего, будет для вас важнее всего.

Если у вашего агента есть проблема с памятью, которая растёт с каждым разговором, Hy-Memory-30B-A3B нацелена прямо на неё, и в открытом доступе нет ничего, что могло бы с ней сравниться. Заложите бюджет на оборудование прежде, чем закладывать бюджет на время.