Hy-Memory-30B-A3B vs LFM2.5-24B-A2B: ผู้เชี่ยวชาญแบบสแปร์สสองราย มีเพียงรายเดียวเท่านั้นที่รันบนเครื่องของคุณ
- Orcaใหม่Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 73 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 724 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 36 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 821 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040ความฉลาด
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 108 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 ต่อ 1 ล้านโทเค็น · 185 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845ความฉลาด75การเขียนโค้ด
Hy-Memory-30B-A3B และ LFM2.5-24B-A2B เป็นแนวคิดเดียวกันที่สร้างขึ้นโดยสองบริษัทที่เห็นไม่ตรงกันว่าใครจะเป็นคนรันมัน ทั้งคู่เป็นโมเดล sparse mixture-of-experts ในช่วงกลาง ๆ ระดับสองหมื่นกว่าล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ทำงานจริงสองถึงสามพันล้านตัวต่อโทเคน — memory writer ของทีม Hunyuan ที่มีขนาดรวม 30B และ active ราว 3B เปิดซอร์สเมื่อ 15 ตุลาคม 2026; ส่วนโมเดลเอเจนต์บนอุปกรณ์ของ Liquid AI ที่มีขนาดรวม 24.0B และ active 2.45B เปิดตัวเมื่อ 13 ตุลาคม 2026 Liquid ปล่อย Q4_K_M GGUF ขนาด 14.5 GB และบิลด์ที่ฝึกโดยคำนึงถึงการควอนไทซ์ขนาด 13.6 GB ควบคู่ไปกับเวตความแม่นยำเต็ม ส่วนทีม Hunyuan ปล่อยเช็กพอยต์ BF16 ขนาด 60.1 GB เพียงตัวเดียว และไม่มีเวอร์ชันควอนไทซ์ให้เลือกเลย สิ่งที่ตัวเลขบอกคุณไม่ได้คือว่ามีอะไรในนี้ที่ผิดพลาดไปแล้วในการใช้งานจริงหรือไม่: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งเกี่ยวข้องกับโมเดลในระดับนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง
ความแตกต่างในการจัดแพ็กเกจนั้นไม่ใช่อุบัติเหตุของกำหนดการ และการตีความมันอย่างถูกต้องจะบอกคุณเกี่ยวกับสองโมเดลนี้ได้มากกว่าตาราง benchmark ใด ๆ มันยังเป็นเหตุผลที่สองตัวนี้มักถูกนำมาเปรียบเทียบกันด้วยเหตุผลที่ผิด — ผู้คนเห็น "MoE แบบ sparse ขนาดเล็ก" บนการ์ดทั้งสองแล้วคิดว่าพวกมันกำลังแย่งสล็อตการนำไปใช้เดียวกัน พวกมันไม่ใช่ ตัวหนึ่งอยากอยู่ภายในกรอบงานเอเจนต์บนแล็ปท็อปของคุณ อีกตัวอยากอยู่ภายในไปป์ไลน์หน่วยความจำบนเซิร์ฟเวอร์ของคุณ และงานสองอย่างนี้แทบไม่ทับซ้อนกัน
สิ่งเดียวที่พวกเขามีร่วมกันอย่างแท้จริง
ทั้งคู่เป็นแบบเบาบาง ทั้งคู่เก็บพารามิเตอร์จำนวนมากไว้ในหน่วยความจำและอ่านเพียงเสี้ยวเล็ก ๆ ของมันต่อหนึ่งโทเคน นั่นคือจุดทับซ้อนเชิงสถาปัตยกรรมทั้งหมดที่มีร่วมกัน และเป็นเรื่องที่ควรกล่าวให้ชัดว่าความเบาบางให้ประโยชน์และไม่ให้ประโยชน์ในเรื่องใดบ้าง เพราะมันเป็นคุณสมบัติที่ถูกเข้าใจผิดอย่างสม่ำเสมอมากที่สุดในระดับขนาดนี้
เช็กพอยต์ 24B-A2B ไม่พอดีกับหน่วยความจำขนาดเท่าพารามิเตอร์ 2.45 พันล้านตัว ทุกพารามิเตอร์ในไฟล์ต้องโหลดได้ สิ่งที่จำนวน active ให้มาคืออัตราการประมวลผลต่อโทเคน ไม่ใช่พื้นที่หน่วยความจำที่ใช้ การ์ดของ Liquid เองก็พูดตรง ๆ เรื่องนี้ — โมเดลนี้เป็นเช็กพอยต์ขนาด 24 พันล้านพารามิเตอร์ และการรันมันหมายถึงต้องเก็บ 24 พันล้านพารามิเตอร์ไว้ที่ใดที่หนึ่ง ใครก็ตามที่อ่าน "2.45B active" แล้วหันไปใช้เครื่องเล็ก ๆ จะต้องเจอบ่ายที่แย่ เช่นเดียวกันกับตัวเลข active 3B ของ Hy-Memory-30B-A3B เมื่อเทียบกับไฟล์ BF16 ขนาด 60 GB ของมัน
นอกเหนือจากคุณสมบัติร่วมกันนั้น ทั้งสองแตกต่างกันในเกือบทุกแกนที่มีความสำคัญ
สังเกตให้ดีว่ารีโพซิทอรีนั้นคืออะไร ผู้จำหน่ายที่เผยแพร่รีโพซิทอรี GGUF แยกต่างหาก กำลังประกาศอย่างชัดเจนที่สุดเท่าที่จะเป็นไปได้ว่าโมเดลที่ตนส่งมอบนั้นมีไว้ให้ดาวน์โหลดและรันบนฮาร์ดแวร์ที่มีคนเป็นเจ้าของอยู่แล้ว ประวัติคอมมิตบนนั้นมีเพียงสองคอมมิตและเพิ่งผ่านมาไม่กี่วัน — นี่ไม่ใช่ความคิดภายหลังที่ถูกแปะเพิ่มเข้าไปในรีลีสอายุเก้าเดือน
สเปก แบบเคียงข้างกัน โดยรวมแถวบรรจุภัณฑ์ไว้ด้วย
• พารามิเตอร์ทั้งหมด / ที่ใช้งาน — Hy-Memory-30B-A3B 30B ทั้งหมด, ~3B ที่ใช้งาน เทียบกับ LFM2.5-24B-A2B 24.0B ทั้งหมด, 2.45B ที่ใช้งาน
• การประกอบเลเยอร์ — 48 เลเยอร์สำหรับ Hy-Memory-30B-A3B ประกอบด้วยบล็อกแบบ dense หนึ่งบล็อกและบล็อก MoE 47 บล็อก โดยมี 128 ผู้เชี่ยวชาญ (experts) ภายใต้การจัดเส้นทางแบบ top-8 พร้อมผู้เชี่ยวชาญแบบแชร์ (shared expert) หนึ่งราย; LFM2.5-24B-A2B ทำงาน 40 เลเยอร์ โดย 30 เลเยอร์เป็นบล็อก short-convolution แบบ double-gated และ 10 เลเยอร์เป็น grouped-query attention โดยมี 64 ผู้เชี่ยวชาญต่อบล็อก MoE ภายใต้การจัดเส้นทางแบบ top-4
• คอนเท็กซ์ — 262,144 ตำแหน่งสำหรับ Hy-Memory-30B-A3B เทียบกับ 131,072 สำหรับ LFM2.5-24B-A2B ซึ่งตัวมันเองก็เพิ่มขึ้นจาก 32K ในรุ่นก่อนหน้า
• ขนาดพื้นที่จัดเก็บน้ำหนัก — 60.1 GB ใน 51 shards BF16 เทียบกับ 48 GB ใน BF16 โดยมี Q4_K_M GGUF ที่ 14.5 GB และ QAT QAD-Q4_0 ที่ 13.6 GB
• สัญญาอนุญาต — Apache 2.0 สำหรับ Hy-Memory-30B-A3B เทียบกับสัญญาอนุญาต LFM1.0 สำหรับ LFM2.5-24B-A2B ซึ่งเป็นการให้สิทธิ์แบบกำหนดเอง ไม่ใช่แบบที่ได้รับการรับรองจาก OSI และควรค่าแก่การอ่านก่อนการนำไปใช้งานเชิงพาณิชย์
• คลังข้อมูลสำหรับการฝึก — 36T โทเคน ครอบคลุม 16 ภาษา ด้วยคำศัพท์ขนาด 128,000 โทเคน สำหรับ LFM2.5-24B-A2B; การ์ดของ Hy-Memory ระบุภาษาอังกฤษและภาษาจีน และไม่ได้เผยแพร่จำนวนโทเคนสำหรับ Hy-Memory-30B-A3B
• วัตถุประสงค์ที่บันทึกไว้ — การเขียนหน่วยความจำภายใน Mem0, MemOS, Hy-Memory และ (ที่กันไว้) EverMemOS เทียบกับเอเจนต์บนอุปกรณ์ที่มีร่องรอยการให้เหตุผล การเรียกใช้เครื่องมือ และการเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ภายในฮาร์เนสจริง
• การควอนไทซ์ที่เผยแพร่โดยผู้ขาย — ไม่มี เทียบกับสี่รูปแบบ
สังเกตแถวล่าสุดอีกครั้ง Liquid AI เผยแพร่บิลด์ GGUF, FP8, ONNX และ MLX-4bit ของ LFM2.5-24B-A2B ภายในไม่กี่วันหลังน้ำหนักฐาน และชุมชนก็เพิ่มเข้ามาอีก นั่นคือการที่ผู้ขายบอกในแบบที่ชัดเจนเป็นรูปธรรมที่สุดเท่าที่มี ว่าโมเดลนี้มีไว้ให้ดาวน์โหลดและรันในเครื่อง ส่วนการเปิดตัว Hy-Memory บอกตรงกันข้ามโดยไม่เคยเอ่ยออกมาเลย: ความแม่นยำเดียว ฟอร์แมตเดียว 60 GB และการ์ดที่ระบุ vLLM 0.31.0 ว่าเป็นวิธีเสิร์ฟมัน
สิ่งที่แต่ละตัวได้รับการฝึกให้ทำ และทำไมมันจึงไม่ใช่งานเดียวกัน
LFM2.5-24B-A2B เป็นเอเจนต์ Liquid วางตำแหน่งมันไว้ในฐานะผู้ปฏิบัติงานที่รวดเร็วและเป็นส่วนตัว ซึ่งใช้เหตุผลก่อนตอบเสมอและเรียกใช้เครื่องมือได้อย่างดี — ตัวเลขด้านการใช้เครื่องมือและการทำตามคำสั่งที่เผยแพร่เป็นส่วนที่แข็งแกร่งที่สุดในตารางของมัน โดยมี IFEval ที่ 96.75 และ IFBench ที่ 74.69 เป็นหนึ่งในจุดเด่น คำแนะนำของบริษัทเองก็ตรงไปตรงมาเกี่ยวกับจุดอ่อนนี้: อย่าให้มันตอบคำถามที่เน้นความรู้ด้วยตัวเอง แต่ให้จับคู่กับ retrieval หรือการค้นเว็บแทน นั่นคือโมเดลที่สร้างมาเพื่อลงมือทำ โดยจงใจใช้ความรู้จากภายนอก
Hy-Memory-30B-A3B ไม่ได้ลงมือทำอะไรเลย มันอ่านบทสนทนาและเขียนความทรงจำ อินพุตของมันคือการแลกเปลี่ยน และเอาต์พุตของมันคือบันทึกแบบมีโครงสร้าง — คู่มือเริ่มต้นฉบับเร็วของ Hy-Memory ขอให้มันสร้างออบเจ็กต์ JSON ที่มีรายการสตริงความทรงจำที่สมบูรณ์ในตัวเอง รันที่อุณหภูมิ 0.0 โดยปิดการให้เหตุผล ส่วน LFM2.5-24B-A2B ถูกตัดสินจากว่ามันทำงานสำเร็จหรือไม่ ส่วน Hy-Memory-30B-A3B ถูกตัดสินจากว่าคลังความทรงจำที่มันเขียนขึ้นให้คำตอบที่ดีกว่าในภายหลังหรือไม่ การประเมินอยู่ปลายน้ำของโมเดล ซึ่งเป็นเหตุผลว่าทำไมตาราง Hy-Memory จึงเปรียบเทียบตัวเขียนมากกว่าโมเดล — ทุกแถวเปลี่ยนตัวเขียน และตรึงโมเดลตอบคำถาม ตัวตัดสิน การตั้งค่าการดึงข้อมูล และพรอมป์ตไว้คงที่
ช่องว่างของหลักฐาน ซึ่งไม่มีความสมมาตร
ตัวเลขทั้งสองชุดเป็นของผู้ขายเอง แต่มีประโยชน์ไม่เท่ากัน
Liquid AI ได้รันโมเดลของตนเองเทียบกับเบสไลน์ในสภาพแวดล้อม vLLM เดียวกัน และเผยแพร่แถวข้อมูลเหล่านั้น — การ์ด LFM2.5-24B-A2B มีการเปรียบเทียบโดยตรงกับ Qwen3.6-35B-A3B และโมเดลอื่น ๆ บนฮาร์เนสเดียวกัน ซึ่งอย่างน้อยก็ทำให้รูปร่างเชิงสัมพัทธ์ของตารางมีความสอดคล้องกันภายใน ข้อกล่าวอ้างของโมเดลนี้สามารถตรวจสอบได้ในแง่ที่ว่าใครก็ตามที่มี GGUF สามารถลองทำซ้ำผลเหล่านั้นบนฮาร์ดแวร์ระดับปานกลางได้ภายในสัปดาห์นี้
การประเมิน Hy-Memory ถูกออกแบบมาแตกต่างออกไป และตรวจสอบได้ยากกว่า เมทริกซ์หลักรันบนตัวอย่างย่อย 20% แบบคงที่ของแต่ละเบนช์มาร์ก แทนที่จะเป็นชุดข้อมูลเต็ม ซึ่งเป็นทางเลือกที่หาเหตุผลรองรับได้ในแง่ต้นทุน แต่หาเหตุผลรองรับไม่ได้เลยหากคุณต้องการอ้างอิงกับช่องว่างเพียงเล็กน้อย และช่องว่างเพียงเล็กน้อยก็คือสิ่งที่พาดหัวข่าวนั้นวางอยู่บน: ค่าเฉลี่ยแมโคร 55.49 สำหรับ Hy-Memory-30B-A3B เทียบกับ 54.62 สำหรับ Claude Opus 5 คือช่องว่าง 0.87 จุด บนฮาร์เนส MemOS ช่องว่างอยู่ที่ 0.01 — 50.51 ต่อ 50.50 ขณะที่จุดยอดของข้อกล่าวอ้าง คือ 56.89 บนฮาร์เนส EverMemOS ที่กันไว้สำหรับทดสอบ เป็นผลลัพธ์เดียวที่ควรค่าแก่การทดสอบมากที่สุด และเป็นผลลัพธ์ที่ยังไม่มีใครรัน
ไม่มีผู้ขายรายใดมีคะแนนอิสระสำหรับสองโมเดลนี้ สำหรับ LFM2.5-24B-A2B นั่นเป็นความไม่สะดวกที่อายุเพียงสองวัน สำหรับ Hy-Memory-30B-A3B มันยิ่งซ้ำเติมปัญหาฮาร์ดแวร์: คุณไม่สามารถทำซ้ำตัวเลขของโมเดล BF16 ขนาด 60 GB ได้ง่าย ๆ เหมือนกับที่คุณรัน GGUF ขนาด 14.5 GB ซ้ำได้
ถ้าเอเจนต์ของคุณต้องการทั้งหน่วยความจำและปาก
การตีความในทางปฏิบัติก็คือ สองสิ่งนี้เป็นส่วนเติมเต็มกันในระบบ ไม่ใช่คู่แข่งกันในการแข่งประชัน และการแบ่งบทบาทในการติดตั้งใช้งานก็เกิดขึ้นเองตามธรรมชาติ
ตัวเขียนหน่วยความจำจะทำงานทุกเทิร์นพร้อมเอาต์พุตสั้น — งานที่มีความถี่สูง ความซับซ้อนต่ำ และต้องเป็นดีเทอร์มินิสติก ตัวดำเนินการเอเจนต์บนอุปกรณ์จะถูกเรียกใช้เมื่อมีงานต้องทำ จำเป็นต้องวางแผนและเรียกใช้เครื่องมือ และได้ประโยชน์จากการทำงานใกล้กับข้อมูล ทีมที่สร้างสแต็กเอเจนต์ส่วนตัวโดยไม่มีการเรียกใช้บุคคลที่สามอาจต้องการให้เส้นทางการเขียนและเส้นทางการกระทำเป็นโมเดลเล็กสองตัวที่แตกต่างกัน โดยแต่ละตัวทำสิ่งเดียวที่มันถูกฝึกมา ทั้งคู่ทำงานภายในเครื่อง
นั่นคือจุดที่คำถามเรื่องเราเตอร์เข้ามาเกี่ยวข้อง OrcaRouter คือคีย์ API เดียวที่ใช้ได้กับโมเดลที่โฮสต์ไว้กว่า 200 รายการโดยไม่บวกกำไรเพิ่ม (0% markup) และrouting DSLของมันประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียว ซึ่งเป็นกลไกที่ทำให้โมเดลนักเขียนที่ให้บริการในเครื่องและโมเดล frontier ที่โฮสต์ไว้ตอบกลับเป็นปลายทางเดียว โดยมีการสลับสำรองอัตโนมัติเมื่อแบ็กเอนด์มีประสิทธิภาพลดลง เพื่อให้ชัดเจนว่าอะไรใช้ได้กับกรณีนี้: ทั้ง Hy-Memory-30B-A3B และ LFM2.5-24B-A2B ต่างก็ไม่มีอยู่ในแค็ตตาล็อกของเรา และเราไม่ได้โฮสต์ทั้งสองตัวนี้ เส้นทางไปสู่ทั้งสองคือเช็กพอยต์และฮาร์ดแวร์ของคุณเอง สิ่งที่เราเตอร์ครอบคลุมคือเส้นทางการอ่านและการวางแผนรอบ ๆ มัน รวมถึงความสามารถในการสลับว่าโมเดลใดจะเติมเต็มสล็อต โดยไม่ต้องแก้โค้ดที่เรียกใช้
คุ้มค่าที่จะทำก่อนที่คุณจะต้องใช้มัน การเขียนตารางเส้นทางตอนนี้มีต้นทุนต่ำ แต่จะแพงหากต้องมาเพิ่มย้อนหลัง เมื่อเฟรมเวิร์กเอเจนต์ฮาร์ดโค้ดเอนด์พอยต์ไว้ในสิบจุดแล้ว
การ์ดนั้นเป็นบทสรุปที่ยุติธรรมของความแตกต่าง จุดยืนของ Liquid AI เองก็คือ LFM2.5-24B-A2B ถูกสร้างมาให้ทำงานในที่ที่ผู้ใช้อยู่ ทีม Hy-Memory ไม่เคยกล่าวอ้างในลักษณะเดียวกันเลย และไฟล์ขนาด 60 GB ที่อยู่เบื้องหลัง Hy-Memory-30B-A3B ก็ทำในสิ่งที่ตรงกันข้าม
อันไหนควรหยิบก่อน
ถ้าคุณอยากเห็นโมเดลขนาดกลางแบบ sparse ทำงานบนฮาร์ดแวร์ของคุณเองภายในสัปดาห์นี้ LFM2.5-24B-A2B คือจุดแรกที่ชัดเจน — ไฟล์ดาวน์โหลดมีขนาด 14.5 GB คุณต้องอ่านสัญญาอนุญาต และตัวเลข tool-calling คือส่วนในตารางที่มีแนวโน้มจะสำคัญกับคุณมากที่สุด
หากเอเจนต์ของคุณมีปัญหาด้านความจำที่เพิ่มขึ้นทุกครั้งที่สนทนา Hy-Memory-30B-A3B มุ่งเป้ามาที่ปัญหานั้นโดยตรง และในโลกโอเพนซอร์สไม่มีสิ่งอื่นใดที่เทียบได้เลย จัดงบสำหรับฮาร์ดแวร์ก่อนที่จะจัดงบสำหรับเวลา
