LBS-27B vs. LFM2.5 24B A2B: Die Frage nach den aktiven Parametern

Die wichtigste Zahl in LFM2.5 24B A2B ist nicht 24. Sie ist 2,45 — die Milliarden Parameter, die das Modell tatsächlich pro Token liest. Deshalb kann Liquid AI 184 Ausgabe-Tokens pro Sekunde auf einem Apple M5 Max behaupten, während das Modell 24 Milliarden Parameter an Wissen enthält, und deshalb positioniert das Unternehmen es als On-Device-Agenten statt als Data-Center-Arbeitspferd. Dieselbe Zahl fehlt in LBS-27B, und ihr Fehlen ist der Grund, warum dieser Vergleich noch nicht entschieden werden kann: Ohne eine Anzahl aktiver Parameter gibt es keine Möglichkeit, das Modell von inclusionAI auf die Effizienzkurve einzuordnen, die LFM2.5 definiert.

LFM2.5 24B A2B ist seit dem 13. Oktober 2026 herunterladbar, mit einer Modellkarte, sechzehn Benchmark-Zeilen und einer Lizenz, die die meisten Unternehmen sorgfältig prüfen müssen. LBS-27B ist ein Repository, das am 26. Oktober 2026 erstellt wurde und eine standardmäßige .gitattributes-Datei sowie ein 28-Byte-README enthält, das Apache-2.0 angibt. Keine Gewichte, keine Konfiguration, keine Karte, keine Ankündigung. Was folgt, ist daher ein Vergleich zwischen einem vollständig spezifizierten Effizienz-Ansatz und einem Namen, der noch nicht verraten hat, um welche Art von Modell es sich handelt.

Worauf Liquid optimiert

LFM2.5 24B A2B ist ein Mixture-of-Experts-Decoder mit 64 Experten und Top-4-Routing, 40 Schichten, einer Hidden-Size von 2.048 und einem Vokabular von 128.000 Tokens. Die aktive Parameterzahl beträgt 2,45 Milliarden. Er verarbeitet einen Kontext von 131.072 Tokens, gegenüber 32K in der vorherigen Generation, und wurde auf 33 Billionen Tokens vortrainiert, etwa doppelt so vielen wie die 17 Billionen, die für LFM2 verwendet wurden.

Die Änderung des Vokabulars ist ein Detail, das Beachtung verdient. Der Wechsel von 65K auf 128K Tokens ist teuer – er bedeutet, die Embedding- und Ausgabeschichten neu zu trainieren – und der übliche Grund dafür ist nichtlateinischer Text. Die Karte listet sechzehn Sprachen auf: Englisch, Arabisch, Chinesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Spanisch, Vietnamesisch, Thailändisch, Indonesisch, Hindi, Russisch und Polnisch. Ein größeres Vokabular macht diese Sprachen pro Wort günstiger und in der Regel besser im Long-Tail-Bereich.

Es ist außerdem ein reines Reasoning-Modell. Liquids Post-Training-Pipeline umfasst überwachtes Finetuning, Lehrer-Spezialisierung, nicht-agentische und agentische Destillation und anschließend agentisches Reinforcement Learning in Harnessen wie OpenClaw, Hermes Agent, Pi und OpenCode. Das Modell erzeugt vor der Antwort eine Gedankenkette; auf der Modellkarte ist kein separater „schneller Modus ohne Nachdenken“ dokumentiert.

Ein bewusst spitzes Benchmark-Profil

Liquids eigene Zahlen, von uns nicht reproduziert, beschreiben ein Modell, das bei dem, was ein On-Device-Agent tut, hervorragend und bei dem, was ein Wissensarbeiter braucht, schlecht ist. Diese Form ist kein Zufall; sie ist das Design.

• Instruktionsbefolgung — IFEval 96,75, IFBench 74,69, Multi-IF 84,38. Dies ist der stärkste Cluster auf der Karte und derjenige, der für einen Agenten, der ein Tool-Schema befolgen muss, am wichtigsten ist.

• Tool-Nutzung — ToolSandbox 80,71, PinchBench 83,18, BFCL v4 65,01, AutomationBench 27,69. Gut, aber über die Harnesses hinweg uneinheitlich.

• Agentisches Browsen und Computernutzung — LiveClaw 48.09, WebArena Verified 26.75, tau3-Bench Banking 8.04. Das Banking-Ergebnis ist der Ausreißer: ein einstelliger Wert in einer Task-Suite, die andere agentische Modelle deutlich besser bewältigen. Es erinnert daran, dass „agentisch“ keine einzelne Fähigkeit ist.

• Softwareentwicklung — SWE-Bench Verified 51,00 unter OpenCode, SciCode 32,71. Mittelfeld.

• Mathematik — MATH-500 96.04. Für die Größe stark.

• Wissen — GPQA Diamond 74,42, HLE 7,40, AA-Omniscience −24,90. Der negative Omniscience-Wert ist hier das ehrliche Signal: In einem Benchmark, der selbstsichere falsche Antworten bestraft, verliert das Modell mehr, als es gewinnt. Liquid räumt dies in seiner eigenen Positionierung ein – das Modell ist für die Kombination mit Retrieval vorgesehen und nicht als Enzyklopädie gedacht.

Zusammengenommen besagen diese Zeilen, dass das Modell ein kompetenter Befolger von Anweisungen und Aufrufer von Tools mit einer schmalen Wissensbasis ist. Für einen lokalen Agenten, der Ihre Dateien liest und Ihre APIs aufruft, ist das der richtige Kompromiss. Für einen Rechercheassistenten ist es der falsche.

Die Effizienzbehauptung, mit ihren Vorbehalten

{{1}}Liquid{{/1}} berichtet von 184 Token pro Sekunde auf einem {{2}}Apple M5 Max{{/2}} mit etwa {{3}}15GB{{/3}} Arbeitsspeicher und von 114 Token pro Sekunde auf einem {{4}}Ryzen AI Max+ 395{{/4}}. Dabei handelt es sich um Herstellerangaben für bestimmte Hardware, nicht um einen allgemeinen Benchmark, und sie werden sich mit Quantisierung und Batch-Größe verändern. Die Richtung ist dennoch aussagekräftig: Ein 24B-Modell mit 2,45B aktiven Parametern kann auf einem Laptop laufen, wie es ein dichtes 24B-Modell nicht kann.

Der Kompromiss ist die Speicherbandbreite. Sparse-Modelle müssen immer noch alle 24 Milliarden Parameter im Speicher halten – die Einsparung betrifft den Rechenaufwand pro Token, nicht den Speicher. Deshalb ist die Angabe von 15 GB genauso wichtig wie der Durchsatz: Sie entspricht ungefähr einer 4-Bit-Quantisierung des gesamten Gewichtssatzes und legt die Hardware-Untergrenze fest.

Wo LBS-27B sitzen müsste

Alles an dieser Paarung hängt von zwei Feldern ab, die im LBS-27B-Repository noch nicht existieren: der Expertenanzahl und der Anzahl der aktiven Parameter.

Wenn LBS-27B dünn besetzt ist und etwa 2B bis 4B aktive Parameter hat, landet es direkt im Terrain von LFM2.5 – eine Wissensbasis der 27B-Klasse bei Rechenaufwand eines kleinen Modells – und der Vergleich wird zu einem direkten Wettstreit um Qualität pro aktivem Parameter. Wenn es dicht ist, ist es ein völlig anderes Produkt: ein serverseitiges Modell mit vorhersehbarem Rechenaufwand und einem Speicherbedarf, der die meisten Laptops ausschließt. Wenn es dünn besetzt ist und viele aktive Parameter hat, liegt es zwischen den beiden und konkurriert eher über Qualität als über Effizienz.

Aus dem Repository lässt sich nicht ableiten, welches davon zutrifft. Der Name nennt 27B, die README nennt Apache-2.0, und der Dateibaum sagt nichts Weiteres. inclusionAI hat – soweit wir feststellen konnten – weder eine Modellkarte noch einen Blogbeitrag noch ein Paper veröffentlicht.

Der Vergleich, soweit er sich anstellen lässt

• Parameter insgesamt — 24,0 Mrd. für LFM2.5 24B A2B; ein unbestätigter Wert von 27 Mrd. für LBS-27B.

• Aktive Parameter — 2,45 Mrd. für LFM2.5; für LBS-27B unbekannt, und dies ist die entscheidende Unbekannte.

• Architektur — 64 Experten mit Top-4-Routing und 40 Schichten für LFM2.5; für LBS-27B unbekannt.

• Kontext — 131.072 Token für LFM2.5; unbekannt für LBS-27B.

• Modalität — nur Text für LFM2.5; unbekannt für LBS-27B.

• Sprachen — sechzehn für LFM2.5 aufgeführt; für LBS-27B unbekannt.

• Reasoning – standardmäßig Chain-of-Thought, ohne dokumentierten No-Thinking-Modus, für LFM2.5; unbekannt für LBS-27B.

• Lizenz — die LFM 1.0-Lizenz, mit einer Pflicht zu einer kommerziellen Lizenz bei über 10 Millionen US-Dollar Jahresumsatz, für LFM2.5; Apache-2.0 für LBS-27B angegeben.

• Veröffentlichte Bewertungen — sechzehn vom Anbieter gemeldete Zeilen für LFM2.5; keine für LBS-27B.

Die Lizenz ist eine Beschaffungsfrage, keine Fußnote.

Das ist die eine Dimension, in der das leere Repository LBS-27B bereits einen Vorteil verschafft. Die LFM-1.0-Lizenz ist im OSI-Sinne kein Open Source: Unternehmen mit mehr als 10 Millionen US-Dollar Jahresumsatz benötigen eine separate kommerzielle Lizenz, bevor sie es einsetzen. Für einen einzelnen Entwickler oder ein Startup unterhalb der Schwelle ist das kein Thema. Für ein mittelständisches Unternehmen bedeutet es eine rechtliche Prüfung, eine Verhandlung und einen Budgetposten.

LBS-27B gibt in seiner README Apache-2.0 an. Das ist eine permissive Lizenz mit einer ausdrücklichen Patentgewährung und ohne Umsatzschwelle, und wenn sie bis zur Veröffentlichung der Gewichte Bestand hat, entfällt dadurch ein ganzer Beschaffungsschritt. Es ist der einzige konkrete Vorteil, den LBS-27B in diesem Vergleich derzeit hat, und es lohnt sich, ihn klar zu benennen, weil er real ist — eine Lizenzangabe, die bei der Erstellung des Repositorys gemacht wurde, ist ein schwacher Beleg, aber sie ist nicht nichts.

On-Device versus API: zwei verschiedene Produkte

LFM2.5 24B A2B ist dafür gebaut, dort zu laufen, wo die Daten sind. Die Botschaft lautet: Privatsphäre und Latenz – ein Modell auf einem Laptop oder einer Workstation, das niemals eine Anfrage an Dritte sendet, mit Tool-Calling, das gut genug ist, um lokale Automatisierung anzutreiben. Der 4-Bit-Speicherbedarf und der 131K-Kontext sind auf diese Aufgabe zugeschnitten.

LBS-27B hat nicht gesagt, wofür es gedacht ist. Wenn inclusionAI ein Modell ausliefert, das für serverseitiges Serving konzipiert ist, lässt sich das On-Device-Argument nicht übertragen, und die beiden Modelle sind Ergänzungen statt Ersatz. Wenn es ein MoE mit wenigen aktiven Parametern und einer lokalen Deployment-Story ausliefert, ist der Vergleich direkt, und Liquids Zwei-Generationen-Vorsprung beim On-Device-Tooling — Unterstützung für llama.cpp, MLX, ONNX und vLLM sowie ein dokumentiertes Agent-Harness — wird zum Zünglein an der Waage.

Die Framework-Unterstützung ist dabei ein unterschätzter Aspekt. Ein Modell, das am ersten Tag nicht in llama.cpp oder MLX verfügbar ist, ist in der Praxis kein On-Device-Modell, unabhängig von der Anzahl seiner aktiven Parameter.

Ein unbewiesenes Modell testen, ohne darauf zu wetten

Weder LBS-27B noch LFM2.5 24B A2B sind heute auf OrcaRouter vertreten, daher gibt es für beide keinen gehosteten Endpunkt, und wir werden nichts anderes nahelegen. Der Grund, die Plattform hier zu erwähnen, ist das daraus folgende Evaluierungsproblem: Wenn Sie wissen möchten, ob ein neues Small-Active-Modell Ihr aktuelles ersetzen kann, müssen Sie beide auf Ihrem eigenen Traffic laufen lassen, nicht auf einem Leaderboard.

OrcaRouter-Routing-DSL ermöglicht es dir, einen Prozentsatz der Anfragen an ein Kandidatenmodell zu senden, während das etablierte Modell als Standard erhalten bleibt, und automatisches Failover bedeutet, dass ein Kandidat, der ein Timeout hat oder Fehler verursacht, auf das bekannte Modell zurückgestuft wird, statt die Anfrage scheitern zu lassen. Für die schwierigen Fälle, in denen ein Modell nicht ausreicht, lässt die Modellfusion ein Panel von Modellen gemeinsam antworten und liefert ein kombiniertes Ergebnis — nützlich, wenn die Aufgabe wissensintensiv ist und die Schwäche des günstigen Modells genau das ist, was du testest. Der Katalog mit über 200 Modellen und 0 % Aufschlag sind hier weniger wichtig als die Möglichkeit, mit deinen eigenen Eingaben zu vergleichen, ohne eine zweite Integration.

Das ist eine Möglichkeit, die Belege zu erzeugen, die dieser Seite fehlen. Es ist kein Ersatz dafür, dass das Modell existiert.

Drei Leser, drei Antworten

Wenn du einen On-Device-Agenten baust und etwas brauchst, das heute auf einem Laptop läuft, ist LFM2.5 24B A2B ein ernstzunehmender Kandidat: starke Befolgung von Anweisungen, gutes Tool-Calling in mehreren Harnesses, 131K-Kontext und ein dokumentierter Weg in die üblichen lokalen Runtimes. Prüfe zuerst die Lizenzschwelle und erwarte nicht, dass es Fakten ohne Retrieval kennt.

Wenn Sie ein serverseitiges 27B-Modell auswählen und eine permissive Lizenz benötigen, lohnt es sich, LBS-27B gerade deshalb im Auge zu behalten, weil Apache-2.0 bereits deklariert ist. Aber es gibt nichts zu bewerten, und eine Lizenzdeklaration ist kein Modell.

Wenn Sie ein Unternehmen mit mehr als 10 Millionen US-Dollar Umsatz und einem strengen Beschaffungsprozess sind, kann der Lizenzunterschied wichtiger sein als jede Benchmark-Zeile in diesem Artikel. Die individuelle Lizenz von LFM2.5 ist ein echter Kostenfaktor; Apache-2.0 von LBS-27B ist ein echter Vorteil – vorausgesetzt, LBS-27B schafft es bis zur Veröffentlichung.

Die Zahl, die alle drei Antworten ändern würde, ist die Anzahl der aktiven Parameter. Solange diese nicht vorliegt, ist die ehrliche Einschätzung die, dass das eine Modell eine Effizienz-Story hat und das andere ein Repository.