Beam 1.0 vs LFM2.5 2.6B Base: Ein unfertiges Substrat und ein fertiger Gigant

Ein Modell, dem nicht beigebracht wurde, Fragen zu beantworten, wird mit einem Modell verglichen, dem beigebracht wurde zu planen. LFM2.5 2.6B Base ist der vortrainierte Checkpoint von Liquid AI mit 2,698 Milliarden Parametern, veröffentlicht am 4. August 2026 unter der LFM Open License v1.0 und ausdrücklich als Basis für Fine-Tuning beschrieben — es ist textbasiert, es sind 30 Schichten aus hybrider Konvolution und Grouped-Query-Attention, und es ist nicht nachtrainiert. Reflection Beam 1.0 ist ein sparse Mixture-of-Experts-Modell mit insgesamt 501,3 Milliarden Parametern und 23,4 Milliarden aktiven, nachtrainiert in überwachten und Reinforcement-Phasen und am 16. Oktober 2026 unter Apache 2.0 als herunterladbare Gewichte veröffentlicht, nach seiner Ankündigung am 5. Oktober 2026. Der Größenunterschied beträgt 185 zu eins. Der Unterschied, der den Vergleich tatsächlich entscheidet, ist nicht die Größe — es ist der, dass eines davon ein rohes Substrat ist, auf das man einen Trainingslauf richtet, und das andere ein Produkt, das man ausliefert.

Beide sind auf Hugging Face. Beide sind heute herunterladbar. Beide erwarten, dass du deine eigene Hardware mitbringst. Das ist die gesamte Überschneidung, und sie gegeneinander zu lesen ist eine nützliche Art zu sehen, wie unterschiedlich das Open-Weights-Ökosystem zwei Dinge bezeichnet, die es unter demselben Tag ablegt.

Die beiden Veröffentlichungen, beschrieben, wie ihre Herausgeber sie beschreiben

LFM2.5 2.6B Basefirmiert unter dem vollständigeren Namen LFM2.5-2.6B-Base. Seine Modellkarte listet insgesamt 2,698 Milliarden Parameter, 30 Schichten, von denen 22 doppelt gegatete Short-Convolution-Blöcke und acht Grouped-Query-Attention-Schichten sind, ein Trainingsbudget von 34 Billionen Tokens, ein Vokabular von 128.000 Tokens und eine Kontextlänge von 131.072 Tokens. Es deckt 16 Sprachen ab. Es ist Teil eines Paares: Liquid AI veröffentlicht außerdem LFM2.5-2.6B, nachtrainiert für agentische Workloads, und dies ist der rohe Checkpoint, von dem jede Variante der Familie abstammt. Die Modellkarte selbst beschreibt das Basismodell als den vortrainierten Text-Only-Checkpoint, der zur Erstellung aller anderen Varianten verwendet wurde. Unter ihm existieren auf dem Hub bereits sechzehn feinabgestimmte Derivate.

Beam 1.0 ist die entgegengesetzte Anordnung. Reflection wird mit insgesamt 501,3 Mrd. Parametern ausgeliefert, davon 23,4 Mrd. aktive pro Token über 52 Schichten hinweg – drei dichte und 49 Mixture-of-Experts, wobei in dieser Konfiguration 256 Experten jeweils acht auf einmal geroutet werden. Das Kontextfenster beträgt 1.000.000 Token. Die Modalität ist ausschließlich Text, und die Karte sagt das ohne Wenn und Aber. Es kommt in drei Präzisionen, BF16, FP8 und NVFP4, plus einem 2B-Draft-Modell für spekulative Dekodierung, DFlash2. Seine Chat-Vorlage verwendet ein modifiziertes Harmony-Format mit Analyse- und Final-Kanälen sowie eine Einstellung für den Reasoning-Aufwand mit sechs benannten Stufen. Seine vier Repositories wurden am selben Tag veröffentlicht, dem 16. Oktober 2026, und Artificial Analysis verzeichnete die Veröffentlichung auf seiner Modellseite mit dem 16. Oktober 2026.

Lies diese beiden Absätze noch einmal, und die Gestalt der Sache tritt hervor. Liquid AI hat eine Komponente veröffentlicht. Reflection hat ein fertiges System mit einem Übertragungsformat und einem Aufwandsregler veröffentlicht. Beide werden „offen“ genannt, und das Wort erfüllt zwei verschiedene Funktionen.

Die Lizenz ist der Punkt, an dem sich die beiden am wenigsten ähneln.

Dies ist der Vergleich, den man nicht aus einer Parameteranzahl ableiten kann, und er ist der mit den praktischsten Konsequenzen.

Beam 1.0 steht unter Apache 2.0. Das ist eine standardmäßige permissive Lizenz ohne Nutzerobergrenzen, ohne Schwellenwert für monatlich aktive Nutzer und ohne separate kommerzielle Stufe. Laden Sie es herunter, stimmen Sie es per Fine-Tuning ab, verbreiten Sie das Derivat weiter, verkaufen Sie das Ergebnis. Die Modellkarte enthält außerdem einen Responsible Use Guide und einen separaten sicherheitstechnischen Bericht, bei denen es sich um Richtliniendokumente und nicht um Lizenzbeschränkungen handelt – sie regeln die zulässige Nutzung, nicht die Gewichte.

LFM2.5 2.6B Base ist es nicht. Der Hub kennzeichnet es license:other und nennt die Lizenz „LFM Open License v1.0“. Der praktische Unterschied ist nicht, dass die eine permissiv ist und die andere nicht – Liquid AIs Lizenz ist für offene Nutzung geschrieben –, sondern dass die beiden Lizenzen unterschiedlich gelesen werden müssen und nur eine von ihnen in einem Satz zusammengefasst werden kann. Wenn Ihr Plan die kommerzielle Weitergabe eines Derivats umfasst, erfordert die Apache-2.0-Seite dieser Seite keine Analyse. Die LFM-Seite erfordert, dass Sie die Lizenz lesen, denn eine individuelle Lizenz ist per Definition ein Dokument, das jemand absichtlich verfasst hat.

Diese Asymmetrie verläuft auf der anderen Achse in die entgegengesetzte Richtung. Liquid AIs Checkpoint ist ein dichtes Textmodell mit 2,698 Milliarden Parametern, was bedeutet, dass die Lizenzfrage an etwas hängt, das man auf einer einzelnen Consumer-GPU oder einem Edge-Gerät unterbringen kann. Reflections Apache-2.0-Gewährung ist an ein Modell mit 501 Milliarden Parametern geknüpft, dessen bfloat16-Gewichte auf rund ein Terabyte kommen und dessen Vier-Bit-Variante immer noch mit 255B zu Buche schlägt. Eine permissive Lizenz für ein Modell, das man nicht hosten kann, ist eine andere Art von Freiheit als eine maßgeschneiderte Lizenz für ein Modell, das man hosten kann.

Was das Basismodell kann und was nicht.

Ein Artikel über einen Basis-Checkpoint muss das unmissverständlich sagen, denn es ist die häufigste Art, wie Menschen einen Nachmittag verschwenden. LFM2.5 2.6B Base wurde keinem Instruction-Tuning unterzogen. Es wird Ihren Text fortsetzen. Es wird Ihre Frage nicht beantworten, Ihr Format nicht befolgen, Ihr Tool nicht aufrufen oder aufhören, wenn Sie es möchten. Es ist ein Ausgangspunkt, dessen Verhalten genau das ist, was Sie hineintrainieren, und Liquid AI sagt das in der Modellbeschreibung, statt es der Entdeckung zu überlassen.

Das ist kein Defekt, und es ist keine kleinere Version von Beam 1.0. Der Pretraining-Lauf mit 34 Billionen Token und die 30-schichtige Hybridarchitektur sind das Produkt; das fehlende Alignment ist der Punkt, denn Alignment ist aufgabenspezifisch, und das Labor, das ein Basismodell ausliefert, übergibt diese Entscheidung bewusst an wen auch immer die Aufgabe verantwortet. Sechzehn Derivate auf dem Hub – so sieht diese Regelung in der Praxis aus.

Die Konsequenz für die Evaluation ist, dass es keine Benchmark-Tabelle zum Vergleich gibt. Die Model Card von Beam 1.0 enthält eine vollständige – SWE-bench Verified 81,6 % auf BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, alle vom Anbieter gemeldet und keine davon von Dritter Seite reproduziert –, weil es ein nachtrainiertes Modell ist, das für benannte Workloads gebaut wurde, und genau das sind die Belege, die sein Käufer verlangt. LFM2.5 2.6B Base hat keine – und das ist beabsichtigt. Es gibt nichts zu bewerten: Die Qualität des Checkpoints ist das, was dein Fine-Tuning daraus macht, und der ehrliche Vergleichspunkt ist ein Trainingslauf, nicht eine Zeile in einem Leaderboard.

Wohin das Geld fließt

Keines der beiden steht in OrcaRouters Katalog. Was wir routen, ist die bediente Welt um sie herum: mehr als 200 Modelle hinter einem einzigen OpenAI-kompatiblen Schlüssel, Anbieter-Listenpreis ohne Aufschlag weitergegeben, 0 % Marge, mit automatischem Failover über Anbieter hinweg, sodass eine Route, die sich verschlechtert, umgeleitet wird statt auszufallen. Das ist hier aus einem bestimmten Grund erwähnenswert, denn die beiden Modelle auf dieser Seite stehen an entgegengesetzten Enden derselben Beschaffungsfrage.

LFM2.5 2.6B Base kostet nichts für den Download und alles für den Betrieb, in dem Sinne, dass die Kosten in einem Trainingslauf und einem Gerät bestehen. Beam 1.0 kostet nichts für den Download und alles für den Betrieb, in dem Sinne, dass die Kosten im Betrieb eines 501B-MoE liegen und Reflection zum Zeitpunkt des Verfassens keinen API-Tarif veröffentlicht. Artificial Analysis verzeichnet die Preisfelder auf der Beam-Seite als nicht verfügbar und merkt an, dass es keine öffentlich verfügbare API gibt. Zwölf Tage nach der Ankündigung weist das Modell mit der Benchmark-Tabelle für 501 Milliarden Parameter immer noch keine Zahl auf, mit der ein Finanzteam arbeiten kann.

Für einen Leser, dessen tatsächlicher Bedarf in dieser Woche Inferenz auf einer Workload ist, für die keines der beiden Modelle ausgelegt ist – ein Summarizer, ein Klassifikator, eine Chat-Oberfläche –, geht es bei der Entscheidung nicht um diese beiden. Es geht um die Wahl zwischen dem eigenen Fine-Tuning von 2,698 Milliarden Parametern und dem Mieten von etwas, das bereits ausgerichtet und bepreist ist, und die zweite Option ist diejenige, die man messen kann, bevor man sich festlegt.

Welches du tatsächlich suchst

Nehmen Sie LFM2.5 2.6B Base, wenn Ihr Problem enger gefasst ist als das eines allgemeinen Assistenten. Der Grund, einen kleinen Basis-Checkpoint zu wählen, liegt darin, dass Sie eine Aufgabe haben, Sie haben Daten, und Sie besitzen lieber das Artefakt, als einen Aufruf zu mieten. Der 131.072-Token-Kontext ist großzügig für diese Größe, die Abdeckung von 16 Sprachen ist echt, der hybride Convolutions-Stack ist auf On-Device-Durchsatz ausgelegt, und die Lizenz erlaubt es Ihnen, das zu verbreiten, was Sie bauen. Worauf Sie sich einlassen, sind die Fine-Tuning-Pipeline, das Evaluierungs-Harness und die Alignment-Entscheidungen — nichts davon liefert der Checkpoint.

Wählen Sie Beam 1.0, wenn Ihre Aufgabe eine derjenigen ist, die seine Karte aufführt: Programmierung, Tool-Nutzung, Reasoning auf Repository-Ebene, langfristige agentische Ausführung. Die Evaluierungstabelle zielt direkt auf diese Arbeit, der 1-Mio.-Token-Kontext passt dazu, die FP8- und NVFP4-Builds machen die Hardware-Diskussion handhabbarer, als 501B vermuten lässt, und die Apache-2.0-Lizenz ermöglicht eine kommerzielle Ableitung. Worauf Sie sich einlassen, ist Serving-Infrastruktur, ein dauerhaft aktives Reasoning-Budget, das die Vorlage nicht abschalten lässt, und eine Kostenschätzung, die Sie selbst erstellen müssen, weil der Anbieter keine veröffentlicht hat.

Die beiden Modelle stehen nicht im Wettbewerb, und der Vergleich lohnt sich gerade deshalb, weil er zeigt, wie wenig „open weights“ für sich genommen aussagt. Der eine Anbieter übergab eine Komponente und ein Trainingsbudget; der andere übergab ein System mit einem Wire-Protokoll und einer Lizenz, die man direkt in eine rechtliche Prüfung einfügen kann. Zu erkennen, welches der beiden einem angeboten wurde, bevor man es herunterlädt, macht den Großteil der Arbeit aus.

Was würde das Bild verändern?

Ein veröffentlichter API-Preis für Beam 1.0 oder ein gehostetes FP8-Deployment mit einer Preisliste würde dieses Modell von der Spalte „eine Schätzung erstellen“ in die Spalte „die Zahlen vergleichen“ verschieben, und es ist die einzige fehlende Zeile in seiner Dokumentation. Ein unabhängiger Benchmark auf Beams Gewichten – inzwischen möglich, da sie öffentlich sind – würde der Anbietertabelle einen Schiedsrichter geben, den LFM2.5 2.6B Base niemals haben kann, weil es noch nichts zu bewerten gibt. Bis eines davon eintritt, lautet die zutreffende Zusammenfassung, dass ein Basis-Checkpoint mit 2,7 Milliarden Parametern und ein nachtrainierter MoE mit 501 Milliarden Parametern beide kostenlos herunterzuladen sind, beide teuer im Betrieb sind – in völlig unterschiedlichen Währungen – und keiner ein Ersatz für den anderen ist.

Vergleiche wie dieser sind auch der Punkt, an dem die Fehlermodi sichtbar werden: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle hinter Modellen dieser Klasse sind in the OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig mitführt.