HiRO-ACEv2 vs. LFM2.5 2.6B Base: Keines von beiden ist ein Produkt, und sie sind nicht auf dieselbe Weise unfertig.

Stellt man HiRO-ACEv2 und LFM2.5 2.6B Base nebeneinander, und das Erste, was einem auffällt, ist, dass keines von beiden etwas ist, das ein Entwickler aufrufen kann. HiRO-ACEv2 ist der Klimaemulator der zweiten Generation von Ai2, hochgeladen als 10,9 GB großes Repository auf Hugging Face am 12. Oktober 2026, ohne Ankündigung und mit einem auf den Folgetag datierten Preprint; LFM2.5 2.6B Base ist der vortrainierte Checkpoint von Liquid AI mit 2,69 Milliarden Parametern, erstellt am 1. August 2026, von seinem eigenen Anbieter ausdrücklich als der Checkpoint beschrieben, zu dem man nur greift, wenn man umfangreiche Anpassung benötigt. Beide sind Rohmaterial. Beide sind heute herunterladbar. Und die Aspekte, in denen jedes von beiden kein fertiges Produkt ist, sind nahezu gegensätzlich, was der einzige Grund ist, diesen Vergleich zu schreiben, statt ihn zu verwerfen.

Der Base-Checkpoint ist unvollendet, weil ihm noch nicht beigebracht wurde, Anweisungen zu befolgen. HiRO-ACEv2 ist in dem Sinne unvollendet, dass es niemals ein Allzweckmodell sein wird – es ist eine Anwendung, die bereits trainiert, bereits spezialisiert und bereits in angegebene Grenzen gefasst ankam. Das eine ist ein Substrat, das auf einen Zweck wartet. Das andere ist ein Zweck ohne Substrat für irgendetwas anderes.

Was jedes Repository tatsächlich enthält

Das Base-Repository von Liquid AI ist ein Modell. Die Modellkarte listet 2,69 Milliarden Parameter über 30 Schichten auf — 22 doppelt gegatete Kurz-Konvolutionsblöcke und 8 Grouped-Query-Attention-Schichten, eine hybride Anordnung, um die herum die LFM2-Familie aufgebaut ist — mit einem Kontextfenster von 131.072 Tokens, einem Vokabular von 128.000 Einträgen, 34 Billionen Tokens Vortraining und Abdeckung von 16 Sprachen, darunter Englisch, Arabisch, Chinesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Spanisch, Vietnamesisch, Thailändisch, Indonesisch, Hindi, Russisch und Polnisch. Es ist ausschließlich textbasiert und nicht instruction-tuned. Die Download-Formate reichen vom nativen Transformers-Checkpoint über GGUF für llama.cpp und ONNX für plattformübergreifendes Deployment bis hin zu MLX für Apple Silicon; die Q4_K_M-Quantisierung liegt bei etwa 1,67 GB.

Ai2s Repository ist in diesem Sinne kein Modell. Es enthält zwei Checkpoints — HiROv2.ckpt mit etwa 1,28 GiB und ACE2S-X-SHiELD.ckpt mit etwa 2,98 GiB — sowie zehn Jahre NetCDF-Forcing-Daten mit ungefähr 609 MB pro Datei, zwei Dateien mit Anfangsbedingungen, drei YAML-Konfigurationen und ein Shell-Skript. Die ungefähr 4,3 GiB tatsächlicher Gewichte machen nur einen Bruchteil der insgesamt 10,9 GB aus; der Großteil dessen, was du herunterlädst, ist das Eingabedatenfenster, für dessen Verarbeitung das Framework gebaut wurde. Es gibt keine Quantisierung, keine alternative Laufzeitumgebung, keinen ONNX-Export und keine kleinere Variante. Es gibt nur einen Weg, es auszuführen, und die README beschreibt ihn: Installiere Ai2s fme-Paket, bearbeite vier Pfade in der Konfiguration, führe das Skript aus.

Zwei verschiedene Arten von Lizenzproblemen

Die Lizenz-Tags sind der Punkt, an dem der Kontrast praktisch statt philosophisch wird, und an dem sich dieses Paar tatsächlich von einem Modell wie den Apache-2.0-Veröffentlichungen unterscheidet, die man hier erwarten könnte.

• HiRO-ACEv2 — Apache 2.0, wobei Ai2s Responsible Use Guidelines die Gewährung an Forschungs- und Bildungsabsichten binden und die Trainingsdaten X-SHIELD zugeschrieben werden, bereitgestellt von GFDL.

• LFM2.5 2.6B Base — die LFM Open License v1.0, keine permissive Lizenz im OSI-Stil. Ihre Bedingungen stehen in der LICENSE-Datei des Repositorys selbst, und die kommerziellen Konditionen sind der Grund, diese Datei statt des Tags zu lesen, bevor man ein Produkt auf dem Checkpoint aufbaut.

• Was das für den Fork bedeutet, den Sie gleich erstellen werden — bei HiRO-ACEv2 ist die Frage, ob Ihre Nutzung Forschung ist; bei LFM2.5 2.6B Base ist die Frage, ob Ihre Nutzung kommerziell ist und in welchem Umfang. Unterschiedliche Fragen, unterschiedliche Antworten, und keine von beiden wird durch das Wort „offen“ beantwortet.

Die Ausgabeformen haben nichts gemeinsam, und genau das ist das Nützliche daran.

Der Base-Checkpoint erzeugt Text. Token für Token, autoregressiv, mit der üblichen Sampling-Oberfläche – die Karte schlägt Temperatur 0,6 und Top-p 0,95 für den Generierungsstil des nachtrainierten Geschwistermodells vor, und bei einem Base-Checkpoint müssen Sie das selbst entscheiden. Alles, was darauf aufbaut, ist eine Sprachaufgabe: ein Dokument fortsetzen, eine Textspanne klassifizieren, übersetzen, strukturierte Daten ausgeben oder als Ausgangspunkt für ein Fine-Tuning dienen, das ihm eine Domäne oder eine Sprache beibringt, die es derzeit nicht gut abdeckt.

HiRO-ACEv2 erzeugt gegitterte physikalische Felder mit 3 km Auflösung – sechsstündlich gemittelte Oberflächenniederschlagsraten, momentane 10-Meter-Winde in Ost- und Nordrichtung sowie Luftdruck auf Meereshöhe –, herunterskaliert aus 100-km-Eingaben durch ein Diffusionsmodell, wobei der grobe Zustand selbst autoregressiv von einem separaten Emulator von X-SHIELD erzeugt wird. Nichts an dieser Pipeline ist Text. Die entscheidende Bewertung ist, ob die Verteilung der Ausgabe bis in den äußersten Tail hinein mit einer Referenzsimulation übereinstimmt, und das Papier hinter der Veröffentlichung handelt genau davon: Die Autoren berichten, dass sie die Verteilungen des Referenzniederschlags und der oberflächennahen Winde bis zum 99,9999. Perzentil nachverfolgen und der Referenzverteilung der Intensität tropischer Wirbelstürme weitgehend folgen, mit beanspruchten Inferenzkosten, die mehr als 300-mal unter denen eines herkömmlichen numerischen globalen sturmauflösenden Modells liegen.

Beide davon sind Hersteller- oder Autorenbehauptungen, nicht reproduziert. Der Unterschied liegt darin, was jemand, der sie reproduzieren will, tun müsste. Die Überprüfung einer Behauptung über den Base-Checkpoint bedeutet eine Task-Suite und GPU-Stunden im Umfang eines Checkpoints. Die Überprüfung einer Behauptung über HiRO-ACEv2 bedeutet einen zehnjährigen Forcing-Datensatz, eine Referenzsimulation zum Vergleich und eine Verteilungsanalyse im äußersten Tail — weshalb die zweite Behauptung voraussichtlich noch deutlich länger unwidersprochen bleiben wird.

Was du tatsächlich auf jedem aufbauen würdest

Die natürliche Verwendung des Base-Checkpoints ist die Anpassung, und Liquid AI ist darin ungewöhnlich direkt: sprach- oder domänenspezifische Assistenten, Training mit proprietären Daten oder das Testen neuer Post-Training-Methoden. Das ist ein Checkpoint, dessen Wert erst nach Ihrer Arbeit entsteht, nicht davor. Das nachtrainierte Geschwistermodell – LFM2.5 2.6B, drei Tage zuvor am 28. Juli erstellt – ist dasjenige, das für agentische Workloads gebaut wurde, und die Download-Zahlen sagen alles darüber aus, welches der beiden die Community wollte: Bis Mitte Oktober hatte das nachtrainierte Modell 114.000 Downloads und 823 Likes erreicht, gegenüber 6.282 Downloads und 51 Likes für das Base. Das Base ist ein Spezialistenwerkzeug, und der Markt hat es entsprechend bepreist.

Der natürliche Einsatzzweck von HiRO-ACEv2 ist der Betrieb eines Ensembles. Das Verkaufsargument des Frameworks ist nicht eine einzelne Vorhersage, sondern viele: Die Motivation des Papers ist es, große Ensembles kostengünstig genug zu erzeugen, um das Verhalten und die Extreme tropischer Wirbelstürme bei 3 km über mehrere Jahrzehnte hinweg und in beliebigen globalen Regionen zu untersuchen. Man fine-tunt es nicht, und die Modellkarte lädt auch nicht dazu ein. Man betreibt es, und entweder vertraut man seinen Grenzen – neun Jahre Trainingsdaten, keine Anwendbarkeit außerhalb von 66°S bis 70°N, Artefakte an Patch-Grenzen oberhalb der 16×16-Ein-Grad-Trainingskachel – oder eben nicht.

Anders gesagt: Eines dieser Modelle ist ein Ausgangspunkt, den man verändert, und das andere ist ein Instrument, das man bedient. Sie als austauschbare „offene Modelle“ zu lesen, weil beide herunterladbar sind, ist der Fehler, den diese Seite verhindern soll.

Das Einzige, was sie gemeinsam haben: Keines von beiden ist pro Token abrechenbar.

Wo die beiden sich wirklich überschneiden, ist die Kostenstruktur. Keines von beiden hat eine Preisliste. LFM2.5 2.6B Base ist kostenlos herunterzuladen und günstig im Betrieb, gerade weil es klein ist – ein paar Gigabyte in bf16 und deutlich unter zwei Gigabyte quantisiert, was der ganze Sinn des LFM2.5-Designs ist und der Grund, warum es neben einem nachtrainierten Geschwistermodell existiert, das für On-Device-Arbeit abgestimmt ist. HiRO-ACEv2 ist aus einem anderen Grund günstig: Es ist ein schmaler Emulator, und seine Wirtschaftlichkeit rührt daher, dass es eine enorm teure numerische Simulation ersetzt, und nicht daher, dass es auf ein Telefon passt.

Wenn es bei Ihrer Workload also um Text geht, ist der Base-Checkpoint eine Frage des Fine-Tunings, und die alltägliche Variante dieser Workload – die, bei der Sie möchten, dass ein Modell antwortet, statt einen Checkpoint zu trainieren – sieht wie ein Aufruf aus, nicht wie ein Download.ein API-Schlüssel für über zweihundert gehostete Modelle, wobei der Listenpreis des Anbieters ohne Aufschlag weitergegeben wird und bei Verschlechterung eines Anbieters automatisch ein Failover zwischen Anbietern erfolgt. Keines der Modelle in diesem Vergleich ist in diesem Katalog enthalten, und keines könnte es in seiner derzeitigen Form sein; LFM2.5 2.6B Base ist ein Checkpoint und kein Dienst, und HiRO-ACEv2 hat überhaupt keine anfrageförmige Schnittstelle. Was wir routen, ist alles um sie herum – die Zusammenfassung, die Extraktion, den Harness-Code und die Agent-Schleife, die ein heruntergeladenes Artefakt in eine Pipeline verwandelt.

Kommissionierung in der Praxis

Wenn Sie Daten in einer Domäne oder einer Sprache haben, von der das Basismodell nicht genug gesehen hat, und Sie die Rechenleistung für Post-Training haben, ist LFM2.5 2.6B Base ein günstigerer Ausgangspunkt als die meisten seiner Konkurrenten – lesen Sie die Lizenzdatei, bevor Sie den Benchmark lesen, auf den Sie gehofft haben, denn bei diesem Checkpoint ist die Lizenz das Dokument, das entscheidet, ob Ihr Projekt erlaubt ist. Wenn Sie ein kleines agentisches Modell wollen, das auf einem Gerät läuft, wollen Sie das nachtrainierte Geschwistermodell statt das Base, und die Downloadzahlen legen nahe, dass die Community zu dieser Schlussfolgerung gelangt ist, bevor Sie es taten. Wenn Sie ein 3-km-Atmosphärenfeld über drei Jahrzehnte simulierten Klimas wollen, ist keines von beiden relevant, und nur eine Datei in diesem Artikel ist es.

Die nützliche Erkenntnis daraus ist, dass „offene Gewichte“ aufgehört haben, für sich genommen eine nützliche Kategorie zu sein. Ein Basis-Checkpoint, ein nachtrainiertes Geschwistermodell und ein Forschungsemulator können alle ein permissiv klingendes Label tragen und damit drei völlig unterschiedliche Dinge bedeuten.

Auch bei einem solchen Vergleich zeigen sich die Fehlermodi: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle hinter Modellen dieser Klasse sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, einen Schweregrad, einen Konfidenzgrad und eine Strittig-Kennzeichnung mitführt.