ARTEMIS vs. LFM2.5-2.6B-Base: der Checkpoint, der die Aufgabe nicht erledigen kann, und das Test-Harness, das darauf angewiesen ist, dass er es tut.

Vier Punkte stehen auf der ARTEMIS-Roadmap von Google, und genau einer davon erfordert ein Modell, das es offensichtlich noch nicht gibt: leichtgewichtige Vision-Language-Modelle auf dem Gerät, für Automatisierung mit niedriger Latenz und Datenschutz an erster Stelle. Der naheliegende Kandidat für eine solche Aufgabe ist etwas aus der Größenklasse von LFM2.5-2.6B-Base – Liquid AIs vortrainierter Checkpoint mit 2,69 Milliarden Parametern, veröffentlicht als offene Gewichte mit einem Kontext von 131.072 Token und einem Speicherbedarf, der klein genug für ein Smartphone ist. Außerdem ist es im Auslieferungszustand nicht in der Lage, diesen Platz auszufüllen, und die Gründe dafür lohnen sich zu verstehen, bevor jemand die beiden in eine Vergleichstabelle setzt. Googles ARTEMIS ist ein Harness zur Android-Automatisierung in natürlicher Sprache, im August 2026 unter Apache 2.0 als Open Source veröffentlicht, das ein echtes Mobiltelefon über ADB steuert und im AndroidWorld-Benchmark von Google Research eine Abschlussrate von 99 %+ beansprucht. LFM2.5-2.6B-Base ist rohes vortrainiertes Material ohne Instruction-Tuning, ohne Chat-Template und – bewusst – ohne veröffentlichte Benchmarks, gedacht für Teams, die es selbst nachtrainieren werden. Das eine ist fertige Software mit einem ungelösten Modellproblem. Das andere sind unfertige Gewichte mit einem gelösten Lizenzproblem. Keines von beiden ist ein Ersatz für das andere, und der Punkt, an dem sie sich wirklich begegnen, ist nicht der, den man vermuten würde.

Was LFM2.5-2.6B-Base tatsächlich ist

Entfernt man das Branding, ist es eine sorgfältig aufgebaute Grundlage für Arbeit direkt auf dem Gerät, mit Spezifikationen, die sich lesen, als hätte jemand eher auf Speicherbandbreite als auf einen Platz in der Bestenliste optimiert.

• Größe — 2,69 Mrd. Parameter in bfloat16 in einem einzigen ~5,39 GB großen Shard, vermarktet als „2,6B".

• Architektur — 30 Schichten in einer hybriden Aufteilung: 22 doppelt gegatterte Kurzfaltungsblöcke über 8 Grouped-Query-Attention-Schichten, Hidden-Breite 2048, 32 Attention-Heads gegenüber 8 KV-Heads, gebundene Embeddings. Dieselbe code>Lfm2ForCausalLM/code>-Klasse wie die vorherige Generation, sodass kein benutzerdefinierter Modellierungscode erforderlich ist.

• Training — etwa 34 Billionen Tokens, mit einer dedizierten Mid-Training-Phase zur Kontexterweiterung.

• Vokabular – 128.000 Tokens, in dieser Generation verdoppelt, um nicht-lateinische Schriftsysteme besser zu verarbeiten. Etwa 262 Mio. Parameter, rund ein Zehntel des Modells, stecken in der gebundenen Einbettung.

• Kontext — die Modellkarte und die Konfiguration stimmen hier nicht überein, und es lohnt sich, das zu wissen: Die Dokumentation wirbt mit 131.072 Tokens, doch code>config.json/code> legt code>max_position_embeddings/code> auf 128.000 fest. Kalkuliere mit 128K und behandle alles darüber als unbestätigt.

• Sprachen — sechzehn: Englisch, Arabisch, Chinesisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Polnisch, Portugiesisch, Russisch, Spanisch, Thai, Vietnamesisch.

• Benchmarks — keine. Liquid veröffentlicht keine Evaluation für den Basis-Checkpoint, und die Modellkarte stellt das Weglassen als beabsichtigt dar: Dieses Artefakt existiert, um nachtrainiert zu werden, nicht um in seinem Rohzustand gemessen zu werden.

Diese letzte Zeile ist der eigentliche Kern des Releases, und sie ist auch der Grund, warum ein „X vs LFM2.5-2.6B-Base“-Vergleich sorgfältig behandelt werden muss. Ein Basis-Checkpoint hat zu nichts eine Meinung. Bitten Sie ihn, einen Android-Workflow zu planen, und er wird Ihren Text probabilistisch fortsetzen, weil ihm nie beigebracht wurde zu antworten. Die Model Card empfiehlt ihn nur für Fälle, die umfangreiches Fine-Tuning erfordern: einen sprachspezifischen Assistenten, einen domänenspezifischen in einer regulierten Branche, das Training mit proprietären Daten oder als Destillations-Student. Für alles, was out of the box genutzt werden soll, einschließlich Tool Calling, verweist Liquid stattdessen auf das nachtrainierte LFM2.5-2.6B.

Was ARTEMIS von einem Modell braucht, was ein Basis-Checkpoint nicht bietet

ARTEMIS ist ein Regelkreis mit zwei Modi. Flash ist ein reaktiver Beobachten-und-Handeln-Zyklus mit ungefähr 3–5 Sekunden pro Schritt. Pro ist ein Multi-Agenten-Graph mit ungefähr 15–40 Sekunden pro Schritt, mit einem Planer, der einen lebenden Markdown-Plan führt, einem Operator mit dem vollständigen Toolset und einem schreibgeschützten Checker, der Checkpoints auf vier Ebenen prüft, von code>off/code> bis code>strict/code>. Beide Modi verlangen dasselbe vom darunterliegenden Modell: einen Screenshot ansehen, eine Aktion aus einem festen Toolset auswählen und sie in ein bis zwei Sekunden erneut ausführen, hundertmal, ohne den Faden zu verlieren.

Das ist ein anspruchsvolles Unterfangen — Anweisungsbefolgung unter einem starren Schema, verankertes visuelles Verständnis und Kohärenz über lange Horizonte — und genau das ist die Fähigkeitskombination, die ein Basis-Checkpoint nicht erhalten hat. ARTEMIS' eigene getestete Backends sind gehostete Modelle: Gemini, Claude, GPT-4o, Qwen-VL. Jedes von ihnen ist für Tool-Nutzung instruction-tuned, und jedes von ihnen ist groß.

Die Lücke ist also keine Frage der Größe. Ein nachtrainiertes 2,6B-Modell kann eine Tool-Calling-Schleife am Laufen halten — Liquids eigenes nachtrainiertes Geschwistermodell behauptet, Gemma 4 E2B-it und E4B-it in allen seinen Instruction-Following-Evaluierungen und fast allen seinen Tool-Use-Evaluierungen zu übertreffen, wobei es sich um vom Anbieter berichtete Zahlen ohne unabhängige Verifizierung handelt. Die Lücke besteht darin, dass ein Basis-Checkpoint keinerlei dieses Training erhalten hat, sodass er sich überhaupt nicht in ein Harness einsetzen lässt.

Die Lizenz ist der deutlichere Unterschied

Hier entscheidet sich das Matchup tatsächlich, und genau das ist der Teil, den die meisten Vergleiche auslassen.

• ARTEMIS — Apache 2.0. Nutze es kommerziell, forke es, liefere es in einem Produkt aus, keine Umsatzbedingung. Die einzige Verpflichtung besteht darin, Hinweise zu bewahren und deine Änderungen anzugeben – eine Verpflichtung, die das Projekt selbst im September 2026 öffentlich reparieren musste, nachdem Minitap behauptet hatte, dass 228 von ARTEMIS' 229 Dateien mit seinem eigenen Apache-2.0 code>mobile-use/code>-Projekt übereinstimmten und dass Autorennamen durch Force-Push entfernt worden seien. Das Repository trägt jetzt eine Minitap-Credit-Zeile.

• LFM2.5-2.6B-Base — die LFM Open License, eine eigene Lizenz statt Apache oder MIT. Unter 10 Mio. $ Jahresumsatz ist die Gewährung umfassend, unbefristet und lizenzgebührenfrei. Ab dieser Schwelle oder darüber erstreckt sich die Lizenz überhaupt nicht auf kommerzielle Nutzung, und Sie müssen Liquid kontaktieren. Das wichtige Detail für alle, die darauf aufbauen: abgeleitete Werke erben dieselben Bedingungen. Der Checkpoint, den Sie nachtrainieren, ist kein neues Objekt, das Ihnen uneingeschränkt gehört – er führt die umsatzabhängige Lizenz weiter, mit einer Ausnahmeregelung für qualifizierte gemeinnützige Organisationen.

Legt man diese beiden Fakten nebeneinander, kehrt sich die Entscheidung um, je nachdem, wer man ist. Ein finanziertes Unternehmen, das einen Agenten auf der Telefonseite ausliefern möchte, hat ein Apache-2.0-Harness, das es frei nutzen kann, und einen Checkpoint, den es möglicherweise überhaupt nicht kommerziell nutzen darf. Ein einzelner Entwickler oder ein Startup unterhalb der Schwelle hat beides, und die Lizenz ist eine Fußnote. Keiner der Anbieter verhält sich unvernünftig – Liquid ist ein Unternehmen, das seine kommerzielle Tarifstufe schützt, Google macht Test-Tooling als Open Source verfügbar –, aber „offene Gewichte“ und „offene Gewichte“ sind nicht dieselbe Erlaubnis, und ein Vergleich, der bei Parameterzahlen stehen bleibt, verrät einem nicht, welche man hat.

Die Familie, denn der Basis-Checkpoint ist die falsche Tür, um in sie hineinzugelangen.

Wenn das Ziel ein auf dem Gerät laufender Android-Agent ist, zählen drei Geschwister mehr als die Basis, und das, was die ARTEMIS-Roadmap tatsächlich braucht, ist nicht das Naheliegende.

• LFM2.5-2.6B — das nachtrainierte agentische Geschwistermodell. Der vom Anbieter angegebene Durchsatz liegt bei rund 30 Tokens pro Sekunde auf Hardware der Smartphone-Klasse, 113 auf einem Ryzen AI Max+ 395 und 220 auf einem Apple M5 Max, und das mit weniger als 2,5 GB.

• LFM2.5-VL-3B — das Vision-Sprach-Edge-Modell, auf derselben Basis aufgebaut, mit einem SigLIP2 400M NaFlex-Encoder; die vom Anbieter angegebene Grounding-Präzision@1 auf RefCOCO wurde von 57,1 auf 87,9 angehoben, und laut Liquid übertrifft die Leistung bei UI-Elementen auf dem Bildschirm viel größere Gemma-Modelle und reicht bis auf 0,7 % an ein 4,7B Qwen 3.5 heran. Nicht verifiziert, aber es ist das einzige Mitglied dieser Familie, das einen Bildschirm sehen kann.

• LFM2.5-230M — die Extraktions- und Klassifizierungsstufe, ausdrücklich nicht für reasoning-intensive Arbeit empfohlen.

Was ist die unangenehme Schlussfolgerung für den Basis-Checkpoint in diesem Matchup: ARTEMIS' Roadmap-Eintrag ist eine Vision-Anforderung, die Basis ist text-only, und das Familienmitglied, das den Slot füllt, ist die VL-Variante, bei der bereits sowohl der Vision-Encoder als auch das Post-Training angewendet wurden. Die Rolle des Basis-Checkpoints in einem Android-Automatisierungs-Stack besteht nicht darin, das Telefon zu steuern. Sie soll vielmehr das Rohmaterial unter dem kleinen Modell sein, das diese Aufgabe irgendwann übernimmt.

Wo sie sich tatsächlich treffen: das Schwungrad, das noch niemand gebaut hat

Hier ist die eine Verbindung, die real und nicht rhetorisch ist, und sie verläuft entgegen der üblichen Richtung. ARTEMIS' am meisten unterschätzte Funktion ist nicht der Agent – es sind die Datenabgase. Jeder Lauf erfasst Crash-Stacks, Keyframe-Screenshots, ein Sitzungsprotokoll komprimierter Schritte und einen Diagnosebericht, und Pro eröffnet einen „Ausführungsvorfall“, wann immer eine Aktion fehlschlägt, und hält ihn im Kontext, bis ein späterer Erfolg ihn auflöst. Das ist ein gelabelter Korpus genau der Momente, in denen die Wahrnehmung eines UI-Agenten falsch war.

Kombiniert man das mit einem Checkpoint, dessen ganzer Zweck das Post-Training ist, hat man eine offensichtliche Schleife: das Harness auf einem gehosteten Modell laufen lassen, die Traces sammeln, bei denen es in Ihrer App gestolpert ist, und ein 2,6B-Modell genau auf diesen Frames feinabstimmen. Es ist die Art von proprietärem Datensatz, die Liquids eigene Model Card als Begründung dafür anführt, überhaupt einen Basis-Checkpoint zu veröffentlichen – „Training mit Ihren eigenen Daten“ –, und die umsatzabhängige Lizenz bedeutet, dass es ein Weg ist, der für Teams unterhalb der Schwelle sinnvoll ist und für Teams oberhalb der Schwelle ein Gespräch erfordert.

Um den Status dieser Idee ausdrücklich klarzustellen: Niemand hat diese Schleife veröffentlicht, kein Anbieter schlägt sie vor, und es gibt keine Belege dafür, dass eine der beiden Seiten sie getestet hat. Es ist ein Vorschlag, kein Ergebnis, und es sollte auch als solcher gelesen werden. Aber es ist die einzige Rahmung, in der diese beiden Artefakte Kollaborateure und nicht ein Kategorienfehler sind.

Wenn du bis zum Fine-Tuning kommst, ist das Vergleichsset die andere Hälfte des Problems. LFM2.5-2.6B-Base ist nicht in unserem Katalog – keine LFM2.5-Variante ist es –, also stammt dieser Checkpoint aus Liquids eigener Distribution und den üblichen Drittanbieter-Hosts. Wo ein gerouteter Katalog seinen Platz verdient, ist beim Benchmarking deines Fine-Tunes gegen die Modelle, die es bei Tool-Nutzung schlagen muss, mit einem Schlüssel und einer Rechnung, mit Failover, damit ein schlechter Nachmittag eines Anbieters nicht zum schlechten Nachmittag deiner Evaluierung wird. Das ist wirklich nützlich, wenn der ganze Sinn der Übung ein direkter Vergleich ist, auf dessen Grundlage du handeln willst.

Also, welches ist dein Problem?

Wenn Sie eine Android-App haben und möchten, dass sie in diesem Quartal automatisch getestet wird, wollen Sie ARTEMIS, und LFM2.5-2.6B-Base ist nicht Teil der Antwort – Sie werden ARTEMIS gegen ein gehostetes Vision-Modell laufen lassen, pro Schritt bezahlen, und der Roadmap-Punkt zu On-Device-VLMs wird irgendwann kommen und ein Kostenproblem lösen, das Sie noch nicht gemessen haben.

Wenn du ein Produkt entwickelst, das auf einem Mobiltelefon ohne Netzwerk laufen muss, willst du den Weg über kleine Modelle, und LFM2.5-2.6B-Base ist der Anfang dieses Projekts und nicht etwa irgendein Teil seiner Lösung: Du wirst es nachtrainieren, du wirst die LFM Open License gegen deine Umsatzprognose abwägen, bevor du das erste Trainingsskript schreibst, und wenn dein Agent einen Bildschirm sehen muss, landest du stattdessen bei der VL-Variante.

Das Einzige, was man nicht tun sollte, ist, diese beiden nebeneinanderzustellen, das Harness für leistungsfähiger zu erklären und zur Tagesordnung überzugehen. Der nützliche Vergleich ist der zwischen den beiden vollständigen Stacks – gehostetes Modell plus Harness gegenüber feinabgestimmtem kleinen Modell plus einem Framework, das man selbst baut –, und nur eine davon hat eine veröffentlichte Erfolgsquote bei einem öffentlichen Benchmark, die genau so viel wert ist wie die Tatsache, dass die andere überhaupt keine Cloud-Rechnung hat.

Wo ein gerouteter Katalog seinen Platz verdient, ist das Benchmarking deines Fine-Tunes gegen die Modelle, die es bei der Tool-Nutzung schlagen muss, mit einem Schlüssel und einer Rechnung, mit Failover, damit ein schlechter Nachmittag eines Anbieters nicht zu einem schlechten Nachmittag deiner Evaluation wird.

LFM2.5-2.6B-Base ist nicht in unserem Katalog — keine LFM2.5-Variante ist darin — daher stammt dieser Checkpoint aus der eigenen Distribution von Liquid und den üblichen Drittanbieter-Hosts.