LFM2.5-2.6B-Base: Liquid AIs leiseste Veröffentlichung ist genau die, die Fine-Tuner tatsächlich wollten

Liest man am 5. August 2026 die Zähler auf Hugging Face, ist die Kluft unübersehbar: LFM2.5-2.6B, das am 4. August von Liquid AI veröffentlichte agentische On-Device-Modell, verzeichnet 47.393 Downloads. LFM2.5-2.6B-Base, der vortrainierte Checkpoint, von dem jedes dieser Gewichte abstammt, steht bei 151. Gleiche Organisation, gleiche Architektur, gleiche Woche, ein Verhältnis von 314 zu 1.

Der Basis-Checkpoint wurde weder geleakt noch versteckt. Er erschien in Liquids Launch-Post in genau einer Parenthese — "Das Basismodell (LFM2.5-2.6B-Base) und das nachtrainierte Modell (LFM2.5-2.6B) sind heute auf Hugging Face verfügbar" — und das ist der gesamte veröffentlichte Bericht darüber. Keine eigenen Benchmarks, kein Abschnitt, keine separate Modellkarte. Alles unten wird direkt aus dem Repository gelesen — die Modellkarte, config.json, die LICENSE-Datei und die Hugging-Face-API — plus Berechnungen, die wir selbst durchgeführt haben. Wenn eine Zahl aus Liquids eigenen Auswertungen stammt, sagen wir das, denn für diesen speziellen Checkpoint ist die wichtigste Tatsache, wie wenig tatsächlich gemessen wurde.

Das ist wichtiger, als eine Fußnote vermuten lässt. Ein nachtrainiertes Modell kann man beurteilen, indem man es ausprobiert. Ein Basis-Checkpoint ist ein Angebot, zwei Wochen und ein GPU-Budget zu investieren, bevor man etwas lernt. Daher sind die Bedingungen des Angebots – was darin enthalten ist, wofür es lizenziert ist, was evaluiert wurde – die gesamte Entscheidung.

Was ist eigentlich im Repository?

Neun Dateien, ein Gewichtsshard, kein Modellierungscode. Die Spezifikationsliste der Karte, abgeglichen mit config.json:

• 2,69B Gesamtparameter, bfloat16, in einer einzigen 5,39-GB-Datei model.safetensors. Planen Sie Speicher und VRAM auf Basis dieser Zahl, nicht ausgehend von „2,6B“.

• 30 Schichten, hybrid. Die Karte gibt 22 doppelt gegatterte kurze Faltungsblöcke plus 8 GQA-Aufmerksamkeitsschichten an. Das layer_types-Array in config.json bestätigt es genau: 22 Einträge von conv und 8 von full_attention, wobei die Aufmerksamkeitsschichten in Abständen von etwa jedem dritten oder vierten Block angeordnet sind, statt gehäuft.

• 2048 verborgene Dimension, 10752 Zwischendimension, 32 Attention-Header über 8 Key-Value-Header — ein GQA-Verhältnis von 4 zu 1 — mit gebundenen Eingabe- und Ausgabe-Embeddings und einem RoPE-Theta von 10.000.000.

• 128.000-Token-Vokabularund ein 18-MB-Tokenizer obendrein. Liquid hat das Vokabular in dieser Generation verdoppelt, was bei 2,6B einen erheblichen Kostenfaktor darstellt: Bei gebundenen Embeddings macht allein die Vokabulartabelle etwa 262M des Parameterbudgets aus, also fast ein Zehntel des Modells.

• 34 Billionen Trainingstokens. Das ist ein ungewöhnlich langer Pre-Training-Lauf für diese Größenklasse, und es ist der mit Abstand stärkste Grund, sich den Checkpoint überhaupt anzusehen.

• 16 Sprachen angegeben: Englisch, Arabisch, Chinesisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Polnisch, Portugiesisch, Russisch, Spanisch, Thailändisch und Vietnamesisch.

One inconsistency for anyone planning long-context work: the card advertises a context length of 131,072 tokens, while config.json sets max_position_embeddings to 128,000. Liquid's own blog and docs both say 128K. The 3,072-token difference will not matter to most people, but if you are writing a training script that packs sequences to the advertised maximum, trust the config file over the card.

Der Architektur-String ist die praktische Überschrift: model_type ist lfm2 und die Klasse ist Lfm2ForCausalLM — dieselbe Klasse, mit der LFM2 ausgeliefert wurde. LFM2.5 stellt erweitertes Pre-Training und neues Post-Training auf einer bestehenden Architektur dar, nicht auf einer neuen, daher ist hier kein benutzerdefinierter Modellierungscode erforderlich. Deshalb haben llama.cpp, vLLM, MLX, ONNX Runtime, SGLang und LM Studio diese Familie ab dem ersten Tag unterstützt, und deshalb funktioniert der Fine-Tuning-Pfad über Unsloth und TRL ohne Patches. Sie benötigen allerdings transformers>=5.0.0.

Die Karte, die Sie erhalten, ist die des anderen Modells.

Öffnen Sie das Basis-Repository, und die erste Überschrift ist "LFM2.5-2.6B" — der Name des nachtrainierten Modells, nicht das, das Sie sich ansehen. Das ist keine Spitzfindigkeit; die gesamte Seite liest sich wie die Instruct-Karte mit einem eingefügten Basisabsatz, und drei der zurückgelassenen Artefakte können Ihnen echte Zeit kosten.

• Im YAML-Frontmatter steht base_mode: LiquidAI/LFM2.5-2.6B-Base.Zwei Probleme in einer Zeile: Der Schlüssel ist eine falsche Schreibweise von Hugging Face's base_model, und er verweist das Basis-Repository auf sich selbst. Nichts bricht, aber die Model-Tree-Links, die man bei einer ordnungsgemäß deklarierten Abstammung erwarten würde, werden daraus nicht generiert.

• Das Repository ist als „conversational“ getaggt und enthält eine chat_template.jinja, sodass Hugging Face einen „Chat template“-Badge auf einem Checkpoint anzeigt, der nie für Instruction-Tuning trainiert wurde. Eine Vorlage existiert, weil die Tokenizer-Konfiguration geerbt wurde, nicht weil die Gewichte wissen, was sie damit anfangen sollen.

• Das Schnellstart-Snippet verwendet dann diese Vorlage. Das Python-Beispiel auf der Basiskarte ruft tokenizer.apply_chat_template mit einer {"role": "user"} Nachricht auf und fragt: „Was ist C. elegans?“ – der klassische Weg, ein Basismodell kaputt aussehen zu lassen. Wickelt man einen rohen, vortrainierten Checkpoint in Chat-Runden, erhält man abdriftenden, sich wiederholenden, sich selbst fortsetzenden Text, und es ist leicht, das als schlechtes Modell zu lesen statt als falsches Prompt-Format. Prompten Sie dieses Modell als Textvervollständiger, Few-Shot, mit Stopp-Sequenzen, die Sie kontrollieren.

• Die Variantentabelle enthält nur die nachtrainierte Linie — LFM2.5-2.6B, sowie seine GGUF-, ONNX- und MLX-Builds. Es gibt überhaupt keinen GGUF- oder MLX-Build des Basis-Checkpoints, daher ist es nicht möglich, „es heute Abend lokal in LM Studio auszuführen“, ohne es selbst zu konvertieren.

Hugging Face berichtet außerdem, dass kein Inference-Anbieter dieses Repository bereitstellt. Es gibt nirgendwo einen gehosteten Endpunkt für den Basis-Checkpoint; wenn du seine Logits haben möchtest, mietest du die GPU.

Der Benchmark-Abschnitt, der nicht existiert.

Für LFM2.5-2.6B-Base wurde keine einzige Bewertungszahl veröffentlicht. Kein MMLU, kein MMLU-Pro, kein GPQA, kein HellaSwag, kein ARC, keine Perplexity-Zahl – nichts, auf keiner der drei Oberflächen von Liquid (Modellkarte, Ankündigungsbeitrag, Dokumentation). Bei einem Basis-Checkpoint ist das eine auffällige Abwesenheit, denn genau anhand dieser Wissens- und Denkwerte beurteilt man, ob 34T Tokens des Pre-Trainings etwas hinterlassen haben, das sich zum Feintuning lohnt.

Was existiert, gehört zum post-trainierten Schwestermodell, wird von Liquid berichtet und wurde nicht unabhängig reproduziert. Laut Liquids eigenen Auswertungen erzielt LFM2.5-2.6B 51,87 bei AIME25, 59,17 bei IFBench, 80,07 bei Multi-IF, 56,88 bei BFCLv4, 77,83 bei ToolSandbox und 26,89 bei BrowseComp+ im OpenClaw-Harness, gemessen an gemma-4-E2B-it (5.1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4.7B) und Qwen3.5-9B (9.7B). Liquid fasst zusammen, dass es bei jedem Instruction-Following-Benchmark und fast jedem Tool-Use-Benchmark führt, und die eigene Grafik ist offen, was die Ausnahmen angeht: Qwen3.5-9B liegt bei AIME25 mit 56,07 und bei BFCLv4 mit 60,13 vorn. Die Geschwindigkeitsbehauptungen folgen derselben Regel – 220 Token/s beim Dekodieren auf einem M5 Max, 113 auf einem Ryzen AI Max+ 395, etwa 30 auf einem Smartphone, unter 2,5 GB Speicherbedarf und rund 15.000 Ausgabe-Token/s bei hoher Parallelität auf einer einzelnen H100 – alles vom Anbieter gemessen, nichts davon bisher von anderer Seite verifiziert.

Die Falle liegt darin, anzunehmen, dass sich davon irgendetwas überträgt. Diese Scores sind das Produkt einer vierstufigen Pipeline, angewendet auf diesen Checkpoint: zwei Runden überwachtes Fine-Tuning, domänenweise Teacher-Spezialisierung, Multi-Domain-On-Policy-Destillation, dann agentisches Reinforcement Learning mit GRPO, ausgeführt in echten Harness-Umgebungen. Tool-Calling und Instruction-Following sind genau die Verhaltensweisen, die diese Pipeline installiert. Nimm die Basisgewichte, und du startest vor all dem. Was du erbst, ist das Pre-Training — die Sprachen, das Weltwissen, die Long-Context-Fähigkeit, die effiziente Hybrid-Architektur — und du solltest davon ausgehen, dass du nichts vom agentischen Scoreboard erbst.

151 Downloads sind nicht nur früh – sie weichen vom eigenen Muster der Familie ab.

Liquid veröffentlicht regelmäßig Basis-Checkpoints, daher ist diese Veröffentlichung in ihrer Art unauffällig. Messbar ist die Vernachlässigung. Der Vergleich jedes LFM2.5-Basis-Repositorys mit seinem Instruct-Pendant am selben Tag ergibt eine klare Hausnorm – und einen klaren Ausreißer.

• LFM2.5-230M — 58,676 downloads against 6,982 for its base: about 8 to 1.

• LFM2.5-350M — 94,526 against 9,397: about 10 to 1.

• LFM2.5-1.2B — 583.914 für den Instruct-Build gegenüber 17.867 für das Basismodell: etwa 33 zu 1.

• LFM2.5-8B-A1B — 171.520 gegenüber 3.996: etwa 43 zu 1.

• LFM2.5-2.6B — 47.393 gegen 151: etwa 314 zu 1.

Einiges davon ist einfach dem Alter geschuldet; das Basis-Repository wurde am 1. August erstellt und das Instruct-Modell hatte einen Vorsprung von vier Tagen plus einen Startbeitrag. Aber die älteren Basis-Checkpoints dieser Familie lagen zwischen 8 zu 1 und 43 zu 1, sodass eine Größenordnung über dem schlechtesten Wert eine echte Anomalie ist und kein Rundungsartefakt eines neuen Repos.

Die Likes erzählen eine subtilere Geschichte. Das Basis-Repository hat 28 Likes bei 151 Downloads – etwa ein Lesezeichen für jeweils fünf Abrufe. Das Instruct-Modell hat 232 Likes bei 47.393, etwa eines pro 204. Die Leute markieren den Basis-Checkpoint, um später darauf zurückzukommen, nicht um ihn abzurufen. Zwei Community-Feintunings und sieben Quantisierungen existieren bereits in seinem Modellbaum – genau das ist die Spitze der Adoption, bevor die Masse eintrifft.

„Ohne Einschränkungen“ ist nicht das, was die Lizenz sagt.

Die Startseite von Liquid beschreibt die Veröffentlichung als Open-Weight: „Herunterladen, Feintunen und Bereitstellen ohne Einschränkungen." Die Datei im Repository formuliert es enger, und dieser Abschnitt sollte zweimal gelesen werden, wenn Sie erwägen, ein Produkt auf diesen Gewichten aufzubauen.

Die Lizenz ist LFM Open License v1.0 — nicht Apache-2.0, nicht MIT, und nicht dieselben Bedingungen wie die der meisten kleinen Open-Weight-Modelle, mit denen Sie sie wahrscheinlich vergleichen. Wenn man die Datei direkt zitiert, trägt Abschnitt 5 den Titel „Beschränkung der kommerziellen Nutzung“ und lautet: „Die im Rahmen dieser Lizenz für die kommerzielle Nutzung gewährten Rechte gelten unter der Bedingung, dass Sie oder Ihre juristische Person den Schwellenwert nicht überschreiten,“ gefolgt von „Jede kommerzielle Nutzung des Werks oder eines abgeleiteten Werks durch eine juristische Person, die den Schwellenwert überschreitet, ist im Rahmen dieser Vereinbarung nicht lizenziert.“ Abschnitt 1 definiert den Schwellenwert als „einen Jahresumsatz von 10 Millionen US-Dollar (10.000.000 $) oder mehr.“

Also die praktische Lesart:

• Bei einem Jahresumsatz unter 10 Mio. $ — haben Sie eine umfassende, unbefristete, lizenzgebührenfreie Rechteeinräumung, die Vervielfältigung, abgeleitete Werke, Verbreitung und Unterlizenzierung abdeckt, einschließlich der kommerziellen Nutzung.

• Ab 10 Mio. $ — die kommerzielle Nutzung ist durch diese Vereinbarung nicht lizenziert. Nicht „erfordert Namensnennung", nicht „erfordert Benachrichtigung". Sie müssen mit Liquid sprechen, was vermutlich der Grund dafür ist, dass die Karte mit einem Link zu deren Vertriebsteam endet.

• Abgeleitete Werke erben die Einschränkung. Ihre Feinabstimmung dieses Checkpoints ist ein Abgeleitetes Werk, sodass ein Modell, das Sie ein Vierteljahr lang trainieren, dieselbe umsatzabhängige Gewährung trägt. Wenn Ihr Unternehmen die Schwelle überschreitet — oder von einem Unternehmen übernommen wird, das die Schwelle bereits überschritten hat —, ändern sich die Bedingungen, auf denen Ihr Produkt beruht.

• Qualifizierte gemeinnützige Organisationen sind ausgenommen: Die Schwelle gilt nicht für eine 501(c)(3)-Organisation oder eine ausländische Entsprechung, die das Werk für nicht-kommerzielle oder Forschungszwecke nutzt. Die üblichen Verpflichtungen gelten ebenfalls — geben Sie die Lizenz weiter, behalten Sie die Namensnennungshinweise bei, kennzeichnen Sie geänderte Dateien.

Nichts davon macht die Veröffentlichung knauserig; eine Schwelle von 10 Millionen Dollar befreit fast jedes Startup und jeden Forscher, und es ist ein legitimer Weg, Gewichte zu veröffentlichen. Aber „ohne Einschränkungen“ ist Marketingtext, dem die Lizenz widerspricht, und die Diskrepanz trifft genau hier am härtesten. Das Feintuning eines Basischeckpunkts ist der teuerste und am wenigsten umkehrbare Weg, ein Modell zu übernehmen. Das ist der schlechteste Ort, um eine Umsatzklausel zu entdecken.

Wer sollte diesen Checkpoint eigentlich absolvieren?

Liquids eigene Anleitung ist erfrischend eng gefasst und es lohnt sich, ihr zu folgen: Die Karte besagt, dass der vortrainierte Checkpoint „nur für Aufgaben empfohlen wird, die ein intensives Feintuning erfordern, wie sprachspezifische (z. B. japanische) oder domänenspezifische (z. B. medizinische) Assistenten, Training mit proprietären Daten oder Experimentieren mit neuartigen Post-Training-Ansätzen.“ Das Wort „only“ leistet hier echte Arbeit. Wenn Sie einen On-Device-Agenten möchten, der Tools aufruft, ist der nachtrainierte LFM2.5-2.6B eindeutig der bessere Ausgangspunkt, und der Basis-Checkpoint wird Ihnen Ihren Monat kosten.

Die Fälle, in denen es wirklich die richtige Wahl ist:

• Eine Sprache, die das Post-Training nicht ausreichend bedient. 34T Token über 16 Sprachen sind eine starke mehrsprachige Grundlage, und Liquid hat dieses Muster intern bereits mit einem japanischen Build in der 1.2B-Linie bewiesen. Fortgesetztes Pre-Training auf Ihrer Sprache und anschließendes eigenes Instruction-Tuning vermeidet den Kampf gegen eine englischzentrierte, post-trainierte Persona.

• Ein reguliertes Marktsegment mit proprietären Daten. Weniger als 2,5 GB bei der Inferenz, keine Cloud-Abhängigkeit und eine ausreichend permissive Lizenz unterhalb der Umsatzschwelle sind eine seltene Kombination für medizinische, juristische oder industrielle Einsätze, bei denen die Daten das Gerät nicht verlassen können.

• Forschung nach dem Training.Liquid veröffentlichte sein Rezept — SFT, Lehrerspezialisierung, MOPD, agentisches RL — und übergab dann die genaue Eingabe für dieses Rezept zusammen mit der Ausgabe. Die eigene Methode auf denselben Startgewichten auszuführen und mit einer starken Referenzimplementierung abzugleichen zu können, ist ungewöhnlich und wertvoll.

• Destillationsziele.Ein 2,6B-Hybrid, der auf einem Laptop mit 220 Tokens/s dekodiert, ist ein attraktiver Schüler, um einen viel größeren Lehrer in etwas Lieferbares zu komprimieren.

Das letzte Paar ist das, wo die Kosten tatsächlich anfallen, und es sind nicht GPU-Stunden — es sind Daten. Die Pipeline von Liquid basiert auf Lehrerspezialisierung und On-Policy-Destillation, was bedeutet, dass die eigentliche Voraussetzung für die Reproduktion von etwas Ähnlichem eine große Menge generierter Daten von stärkeren Modellen ist, plus Präferenzpaare und verifizierbare Reward-Rollouts. Das ist eine Aufgabe mit vielen Modellen, bevor sie zu einer Trainingsaufgabe wird: Man möchte Kandidaten-Lehrer in seiner Domäne vergleichen und dann in großem Umfang von demjenigen generieren, der gewinnt. Genau auf diesen Teil der Arbeit ist unser eigenes Produkt ausgerichtet — OrcaRouter stellt 200+ Modelle hinter einen einzigen API-Schlüssel mit 0% Aufschlag, sodass man für ein synthetisches SFT-Set den Listenpreis des Anbieters zahlt anstatt eines Routing-Aufschlags (wenn ein Anbieter die Preise senkt, landet das bei uns noch am selben Tag), automatisches Failover verhindert, dass ein zwanzigstündiger Generierungslauf an einer schlechten Stunde eines Anbieters scheitert, und die Routing-DSL ermöglicht es, einen einzelnen Prompt auf mehrere Lehrer zu verteilen und die beste Antwort zu behalten. Um klar zu sagen, was wir nicht anbieten: LFM2.5-2.6B-Base ist nicht auf OrcaRouter und kein Inferenzanbieter hostet es — man betreibt diese Gewichte selbst. Wir sind für die Lehrer nützlich, nicht für den Schüler.

Dieselbe Aufteilung solltest du bei allem, was du auslieferst, im Hinterkopf behalten. Liquids Beitrag argumentiert, dass {{1}}lokale Agenten Inferenz kostenlos machen und die Kosten pro Token als Einschränkung beseitigen{{/1}}, was {{2}}für das marginale Token zutrifft, nicht jedoch für die Gesamtrechnung{{/2}} — du hast {{3}}sie in Hardware vorausbezahlt{{/3}} und ein 2.6B-Modell hat dennoch eine {{4}}Obergrenze{{/4}}. {{5}}Liquid sagt das selbst{{/5}} {{6}}und rät für code-lastige oder wissensintensive agentische Arbeit von dieser Familie ab{{/6}}. Das {{7}}dauerhafte Muster{{/7}} ist ein {{8}}feinabgestimmtes lokales Modell, das den hochvolumigen Standardpfad auf dem Gerät übernimmt{{/8}} und {{9}}die schwierige Minderheit über eine API an ein Frontier-Modell eskaliert{{/9}}, was {{10}}die Vorteile bei Datenschutz und Latenz dort bewahrt, wo sie zählen{{/10}}, ohne {{11}}vorzugeben, dass 2.6B-Parameter alles können{{/11}}.

Der Weg von diesen Gewichten zu etwas Brauchbarem

Der Launch-Post sagt nichts darüber, aber die Basiskarte enthält stillschweigend das Nützlichste im gesamten Repository: sieben einsatzbereite Colab-Notebooks, die genau die Pipeline-Stufen abdecken, die ein Basis-Checkpoint braucht. Zwei davon sind fortgesetztes Pre-Training – eines für Textvervollständigung, eines für Übersetzung – also der Schritt, der nur von Basis-Gewichten aus Sinn ergibt und für den niemand Tutorials schreibt. Der Rest deckt überwachtes Feintuning über Unsloth und TRL, DPO über TRL und GRPO über beides ab. Liquid liefert außerdem LEAP Finetune als eigenen Trainings-Stack, falls man lieber keinen eigenen zusammenstellen möchte.

Wenn man Liquids Fine-Tuning-Dokumentation im Kontext der Form dieses Modells liest, sieht die realistische Abfolge wie folgt aus:

• Prompten Sie es zuerst als Vervollständiger, bevor Sie etwas trainieren. Ignorieren Sie die Chat-Vorlage auf der Karte. Few-Shot, Rohtext, Ihre eigenen Stopp-Sequenzen. So finden Sie heraus, ob das Pre-Training Ihre Domäne und Sprache bereits abdeckt, was darüber entscheidet, ob Sie überhaupt fortgesetztes Pre-Training benötigen oder direkt zum SFT übergehen können.

• Fortgesetztes Vortraining nur, wenn Sie Wissen oder eine Sprache hinzufügen. Dies ist der teure Zweig — im Korpusmaßstab, nicht im Beispielmaßstab — und das Einzige, was das nachtrainierte Geschwistermodell Ihnen wirklich nicht geben kann.

• Anschließend SFT mit LoRA an 500 bis 5.000 Beispielen.Liquids eigene Empfehlung ist, dass Qualität und Verteilung Volumen schlagen und dass die Beispiele den Eingaben aus der Produktion entsprechen sollten. Bei 2,6B ist ein LoRA-Durchlauf kurz: Laut Dokumentation dauert ein 1,2B-Lauf Minuten bis zu mehreren zehn Minuten auf einer modernen GPU, also ist diese Modellgröße weiterhin ein Loop, den man an einem Nachmittag durchläuft.

• Frieren Sie einen zurückgehaltenen Datensatz ein, bevor Sie trainieren. Das ist unverblümt, und es lohnt sich, dies gerade bei diesem Checkpoint zu wiederholen, weil es keine veröffentlichte Baseline zum Vergleich gibt — Ihr Eval-Datensatz ist die einzige Zahl, die irgendjemand hat.

• Präferenz- oder RL-Phasen kommen zuletzt, und nur, wenn Verhalten das Problem ist. DPO- und GRPO-Rezepte existieren für die Familie, aber sie sind Verfeinerungen basierend auf einem Modell, das bereits antwortet; sie einzusetzen, bevor SFT verfügbar ist, führt dazu, dass Basis-Checkpoint-Projekte ins Stocken geraten.

Beachten Sie, was nicht auf dieser Liste steht: Nichts davon benötigt einen benutzerdefinierten Kernel, einen gepatchten Trainer oder eine Modellierungsdatei. Da LFM2.5 die LFM2-Architektur wiederverwendet, fügt sich der Basis-Checkpoint nahtlos in den Standard-Stack ein, und die gesamten Kosten dieses Projekts bestehen aus dem Korpus und dem Evaluierungsset, das Sie dafür erstellen.

Was würde das Bild verändern?

Drei Dinge sind es wert, beobachtet zu werden, alle sind für Liquid günstig zu lösen, und keines davon wurde heute gelöst.

Der erste Punkt sind Basis-Evaluationen. Eine einzige MMLU-Pro- oder GPQA-Zahl auf dem vortrainierten Checkpoint würde Fine-Tunern mehr sagen als alle agentischen Benchmarks im Launch-Post zusammen, und die Tatsache, dass 34T Token hineingeflossen sind, macht ihr Fehlen merkwürdiger, nicht weniger. Der zweite Punkt ist die Model-Card selbst — ein Base-Repository, dessen Überschrift ein anderes Modell nennt, dessen Quick-Start ein Chat-Template auf ein Nicht-Chat-Modell anwendet und dessen Frontmatter base_model falsch schreibt, ist eine Zehn-Minuten-Korrektur, die verhindern würde, dass Leute schlussfolgern, die Gewichte seien defekt, obwohl es die Anweisungen sind. Der dritte Punkt ist der LFM2.5-Technikreport. Der Zitationsblock verweist auf arXiv 2511.23404 – dabei handelt es sich um den LFM2-Technikreport vom November 2025; das eigene Paper der 2.5-Generation ist noch nicht erschienen, daher wird der Pre-Training-Datenmix hinter diesen 34T Token nicht offengelegt.

Bis dahin ist die ehrliche Bilanz, dass dies ein gut spezifiziertes, lange trainiertes, effizient gestaltetes 2.6B-Foundation-Modell mit einer ungewöhnlich klaren Zielgruppe ist, das ohne Messwerte und mit einer umsatzgedeckelten Lizenz veröffentlicht wurde und das bisher fast niemand ausgepackt hat. Wenn Sie zur Zielgruppe gehören, die die Modellkarte beschreibt, ist es Ihre GPU-Zeit wert — und Sie gehören zu den allerersten, die erfahren, wie gut es tatsächlich ist.

Beantwortenswerte Fragen

Ist das derselbe Checkpoint, von dem LFM2.5-2.6B nachtrainiert wurde, oder ein separater Pre-Training-Lauf?

Die Modellkarte besagt, dass LFM2.5-2.6B-Base „der vortrainierte Text-only-Checkpoint ist, der zur Erstellung aller LFM2.5-2.6B-Varianten verwendet wird", es also die tatsächliche Eingabe für die veröffentlichte Pipeline ist und keine parallele oder abgespeckte Version. Genau das macht es für Post-Training-Forschung nützlich: Ihre Methode und die vier Stufen von Liquid starten von identischen Gewichten, sodass ein Vergleich zwischen ihnen aussagekräftig ist. Erwähnenswert ist, dass das Basis-Repository am 1. August erstellt und am 4. August, dem Launch-Tag, zuletzt geändert wurde – prüfen Sie die Commit-Historie, bevor Sie annehmen, dass die Datei, die Sie früh heruntergeladen haben, die ausgelieferte Datei ist.

Kann ich es feinabstimmen und das Ergebnis verkaufen?

Wenn der Jahresumsatz Ihres Rechtsträgers unter 10.000.000 $ liegt, ja — der LFM1.0-Zuschuss deckt die kommerzielle Nutzung abgeleiteter Werke ab, vorbehaltlich der Beibehaltung der Lizenz- und Urheberrechtsvermerke sowie der Kennzeichnung geänderter Dateien. Ab dieser Schwelle fällt die kommerzielle Nutzung des Modells oder von etwas, das daraus abgeleitet ist, nicht unter die Lizenz und erfordert eine separate Vereinbarung mit Liquid. Die Schwelle knüpft an den Umsatz Ihres Rechtsträgers an, nicht an das Modell oder den Umsatz, den es generiert. Daher kann dasselbe Fine-Tuned-Modell für ein Unternehmen lizenziert sein und für ein anderes nicht, und ein Unternehmen, das über die Grenze hinauswächst, behält den Zuschuss, den es hatte, nicht.

Warum nicht einfach das nachtrainierte LFM2.5-2.6B feinabstimmen?

Für die meisten Projekte sollte man das tun, und Liquid's Karte sagt das im Grunde auch. Der Grund, vom Basis-Checkpoint zu starten, liegt dann vor, wenn das Post-Training gegen einen arbeitet statt für einen: Massives fortgesetztes Pre-Training auf einer neuen Sprache oder einem Spezialkorpus schadet ohnehin tendenziell dem instruction-tuned Verhalten, und die von SFT und RL eingebackenen Verweigerungsmuster, Tool-Calling-Konventionen und Antwortstile sind schwer zu entfernen und geraten leicht in Konflikt. Wenn man Wissen oder eine Sprache hinzufügt, startet man vom Basis-Checkpoint. Wenn man Verhalten nur am Rande anpasst, startet man vom post-trainierten Modell und behält die vier Arbeitsstufen bei, die jemand bereits bezahlt hat.