Ling 3.0 Tiny vs LFM2.5-2.6B-Base: Zwei Arten von Freiheit, und nur eine antwortet dir heute

Beide Modelle sind kostenlos. Das ist fast das Einzige, was sie gemeinsam haben. Ling 3.0 Tiny, das 7,9-Milliarden-Parameter-Mixture-of-Experts-Reasoning-Modell von Ant Group InclusionAI, ist kostenlos, weil jemand einen Server betreibt und eine API darauf zeigt – du fügst einen Schlüssel in einen Client ein und es beantwortet deinen Absatz sofort, kein Trainingslauf, keine GPU. LFM2.5-2.6B-Base, der 2,69-Milliarden-Parameter-Pre-Training-Checkpoint von Liquid AI, ist kostenlos, weil jemand eine Gewichtsdatei veröffentlicht hat – 151 Downloads bei letzter Zählung, kein Inferenzanbieter, der sie irgendwo hostet, und eine Modellkarte, die das Basismodell „nur für Aufgaben, die starkes Feintuning erfordern“ empfiehlt. Das eine ist ein Produkt mit einem Zähler darauf. Das andere ist Rohmaterial. Bei diesem Vergleich geht es darum, welche Art von „kostenlos“ du tatsächlich brauchst, denn die beiden Modelle werden nicht für dieselbe Person funktionieren, egal wie viele Monate sie beide „$0“ sagen.

Die Namen machen es leicht, die Divergenz zu übersehen. Beide sitzen in der Kategorie der „tiny / small models“, die 2026 zum am dichtesten besiedelten Regalbrett der KI geworden ist. Beide sind rein textbasiert, beide haben Kontextfenster, die groß genug für echte Arbeit sind, und beide lassen sich mit einem bescheidenen Budget als wirklich nützliches Modell betreiben. Doch sie basieren auf unterschiedlichen Philosophien, gehören unterschiedlichen Parteien und werden über völlig verschiedene Kanäle gemietet oder erworben. Bevor du dich für eines entscheidest, ist die mit Abstand nützlichste Frage: Brauchst du Antworten – oder brauchst du Gewichte?

Ling 3.0 Tiny, die kostenlose API

Ling 3.0 Tiny erschien am 6. August 2026 im klassischen Muster eines leisen Starts: eher ein kommerzieller API-Eintrag von InclusionAI, der Modell-Sparte von Ant Group, als eine Keynote. Die Architektur ist ein Mixture-of-Experts-Modell mit 7,9 Mrd. Gesamtparametern und etwa 1,3 Mrd. aktiven Parametern pro Token – klein genug, um günstig bereitgestellt zu werden, groß genug, um echte Denkfähigkeit zu besitzen. Es unterstützt ein Kontextfenster von 256K Token (die kommerziellen Einträge zeigen 262K), bis zu 32K Ausgabetoken, und es wird mit zwei Modi geliefert, die pro Anfrage umgeschaltet werden können: ein standardmäßig aktivierter „Thinking“-Modus, der zusätzliche Token für das Denken aufwendet, und ein „Instant“-Modus, der direkt antwortet. Native Funktionsaufrufe und Prompt-Caching werden beide beworben, was für Agentenarbeit wichtig ist.

Die Preisgestaltung ist der Punkt, an dem „kostenlos“ genauer betrachtet werden muss. Heute ist das Modell tatsächlich kostenlos aufrufbar: Es ist gelistet als inclusionai/ling-3.0-tiny:free mit einem Tarif von 0 $ für Eingabe und Ausgabe, und ein zweites Gateway bietet es im Rahmen einer kostenlosen Aktion unter dem Namen inclusionai/ling-3.0-tiny-free bis zum 14. August 2026, 8:00 Uhr PT, an. Nach dieser Aktion gilt die von Vercel veröffentlichte Tariftabelle: 0,06 $ pro Million Eingabe-Token, 0,18 $ pro Million Ausgabe-Token und 0,01 $ pro Million gecachter Eingabe-Token. Das ist ein echter Preis – etwa ein Drittel dessen, was die GPT-5.6-Luna-Stufe nach der Preissenkung kostet, um die Dimension zu veranschaulichen – aber es ist nicht das „kostenlos“, auf das man nach Mitte August zählen kann. Wer auf der Annahme aufbaut, dass Ling 3.0 Tiny dauerhaft 0 $ kostet, baut auf einer Aktion auf, die endet.

LFM2.5-2.6B-Base, die freien Gewichte

LFM2.5-2.6B-Base ist die andere Art, völlig frei zu sein. Es ist der vorab trainierte Basis-Checkpoint hinter Liquid AIs LFM2.5-2.6B-Familie, veröffentlicht auf Hugging Face am 4. August 2026 – in derselben Woche, als OpenAI den Preis von GPT-5.6 Luna um 80 % senkte, was einiges darüber aussagt, warum der gesamte Markt so überfüllt ist. Die Basis ist ein Modell mit 2,69 Milliarden Parametern in bfloat16 mit einer hybriden Architektur: 22 doppelt gegatete Short-Convolution-Blöcke plus 8 Grouped-Query-Attention-Schichten, ein Vokabular von 128.000 Tokens, das 16 Sprachen abdeckt, und etwa 34 Billionen Pre-Training-Tokens – ein ungewöhnlich langer Trainingslauf für ein Modell dieser Größe.

Es ist auch, an jeder verfügbaren Metrik gemessen, nicht gemessen. Liquids eigener Launch bescherte dem nachtrainierten Schwestermodell LFM2.5-2.6B die Benchmark-Tabelle und die 47.000 Downloads in der ersten Woche, während der Basis-Checkpoint einen Klammerzusatz und 151 Downloads erhielt. Das Basismodell hat null veröffentlichte Evaluierungen – kein MMLU, kein GPQA, keine Perplexität auf keiner von Liquids Oberflächen. Es ist rein textbasiert. Sein Kontext beträgt laut config.json im Repository 128K (die Modellkarte bewirbt 131.072, und die Config ist das, woran sich ein Trainingsskript tatsächlich hält). Und kein Inferenzanbieter hostet es – der einzige Weg, herauszufinden, was diese Gewichte können, besteht also darin, sie selbst zu feintunen und bereitzustellen – genau das, wozu die Modellkarte dich auffordert. Es wird unter der LFM Open License v1.0 veröffentlicht, die die kommerzielle Nutzung auf einen Jahresumsatz von 10 Millionen US-Dollar begrenzt und diese Grenze auf abgeleitete Werke wie dein Fine-Tuning überträgt.

Die ehrliche Anzeigetafel

Dieses Duell weist die einseitigste Beweislage auf, die Sie zwischen zwei 2026er-Modellen sehen werden. Ling 3.0 Tiny hat einen unabhängigen Wert: Artificial Analysis vergibt ihm eine 23 auf dem Intelligence Index, eingestuft auf Platz 6 von 56 Modellen in seiner Größenklasse, bei einem Klassenmedian von 8 – weit über dem Durchschnitt für ein so kleines Modell. Dieser Index ist eine Zusammenstellung aus neun Bewertungen, darunter Terminal-Bench 2.1, GPQA Diamond und Humanity's Last Exam, die von einem Dritten durchgeführt und nicht vom Anbieter ausgewählt wurden.

LFM2.5-2.6B-Base hat überhaupt keine Bewertung. Die agentischen Zahlen, die Leute für die Familie nennen — ToolSandbox 77.83, IFBench 59.17, Multi-IF 80.07, AIME25 51.87 — gehören zum nachtrainierten LFM2.5-2.6B, sie werden vom Anbieter angegeben, und sie sind das Ergebnis einer vierstufigen Post-Training-Pipeline, die im Basis-Checkpoint nicht vorhanden ist. Nimmt man die Basisgewichte, erbt man das Vortraining — die Sprachen, das Weltwissen, die Langkontextfähigkeit — und nichts von der Instruction-Following-Bestenliste. Die einzige Zahl, die die Basis mit sich führt, ist 34T Trainings-Tokens, was ein Budget ist, kein Ergebnis. Niemand hat bisher berichtet, was man dafür bekommen hat.

Die sechs Dimensionen, die sie voneinander trennen, je eine Zeile:

• Preis — Ling 3.0 Tiny 0,06 $ / 0,18 $ pro 1M nach der kostenlosen Aktion (kostenlos bis 14. Aug.) vs. LFM2.5-2.6B-Base 0 $ zum Herunterladen, plus Ihre Trainingskosten, für immer.

• Kontext — 256K Token bei Ling 3.0 Tiny gegenüber 128K bei LFM2.5-2.6B-Base (config.json), eine 2-fache Lücke.

• Parameter — ~1,3 Mrd. aktive von 7,9 Mrd. gesamt (MoE) vs. 2,69 Mrd. dicht; beide nur Text.

• Unabhängiger Score — Ling 3.0 Tiny AA Intelligence Index 23 (#6/56) vs. LFM2.5-2.6B-Base: null veröffentlichte Evals.

• Modi — Ling 3.0 Tiny Thinking/Instant-Umschaltung, Function Calling, Prompt-Caching vs. LFM2.5-2.6B-Base: nichts, bis man es nachtrainiert.

• Bereitgestellt — Ling 3.0 Tiny ist heute live auf seinen eigenen kommerziellen Endpunkten, im Gegensatz zu LFM2.5-2.6B-Base, das von keinem Inferenzanbieter irgendwo gehostet wird.

Die Asymmetrie ist der Punkt: Du kannst Ling 3.0 Tiny noch heute Nachmittag für ein paar Cent gegen deine eigenen Prompts A/B-testen, und die Zahlen, die du zurückbekommst, sind überprüfbar. Der Basis-Checkpoint ist eine Wette auf deine eigenen Fine-Tuning-Fähigkeiten, ohne dass es bisher eine externe Validierung gibt.

Die Kosten von "kostenlos": eine gemessene Antwort vs. ein Zähler, der stoppt

Der Zähler von Ling 3.0 Tiny stoppt nie, sobald die Werbeaktion endet. Jedes Token, das ein- und ausgeht, wird für immer zum angegebenen Satz abgerechnet, unabhängig von der Parallelität, mit der Sie arbeiten. Es gibt auch versteckte Kosten: Artificial Analysis maß, dass das Modell 210 Millionen Ausgabe-Token generierte, als es seine Klasse von 56 Modellen bewertete – gegenüber einem Median von 63 Millionen – und stuft es als „sehr gesprächig“ ein. Ein Reasoning-Modell, das beim Denken zusätzliche Ausgabe-Token verbrennt, hat höhere effektive Kosten pro Aufgabe, als die Preisliste vermuten lässt, und die Gesprächigkeit untergräbt den Preisvorteil teilweise. Heute kostenlos, morgen gesprächig abgerechnet zu werden, ist ein echter wirtschaftlicher Kompromiss und kein Rundungsfehler.

Das „frei“ des Basis-Checkpoints ist eine andere Rechnung: Es kostet nichts beim Herunterladen, kostet dich dann aber Daten, einen Trainingslauf und Hardware. Ein überwachter Feinabstimmungsdatensatz mit 100.000 Beispielen kostet in Tokens etwa zehn Dollar zur Generierung; ein Satz mit 1 Million Beispielen liegt eher bei hundert. Das Feintuning selbst – ein 2,6B-Modell ist ein kurzer Lauf auf einer einzelnen GPU – bedeutet Stunden an Rechenzeit plus deine Entwicklungsstunden. Um es bereitzustellen, benötigst du ein Gerät; Liquid gibt für die Familie eine Dekodierungsrate von etwa 220 Tokens pro Sekunde auf einem Apple M5 Max und 113 auf einem Ryzen AI Max+ 395 an, vom Hersteller am nachtrainierten Geschwistermodell gemessen, und das Basismodell hat keine eigenen Geschwindigkeitszahlen. In der Praxis bedeutet das einen Laptop, den du bereits besitzt, oder ein neues Gerät ab etwa 1.500 Dollar.

Der entscheidende Unterschied ist derselbe, mit dem dieser Blog LFM2.5-2.6B-Base gegen ein neu bepreistes GPT-5.6 Luna abgesetzt hat: Der eine Zähler hört nie auf, der andere stoppt an dem Tag, an dem das Training endet. Ling 3.0 Tiny berechnet pro Token, ganz gleich, wie hoch Ihre Parallelität ist – und das für immer. Die zusätzlichen Token des Basismodells sind nach dem Trainingslauf kostenlos, bei jeder Parallelität, für so viele gleichzeitige Agenten, wie Sie versorgen können. Das ist das einzige Szenario, in dem ein 2.6B-Modell ein nach Verbrauch abgerechnetes API bei den Kosten wirklich schlägt: Workloads mit hohem Volumen, hoher Parallelität und Dauerbetrieb.

Wer sollte welche auswählen?

Wählen Sie Ling 3.0 Tiny, wenn…

Sie brauchen diese Woche ein funktionierendes Modell: ein leistungsfähiges Text-Reasoning-Modell, das Sie über einen O​penAI-kompatiblen Endpunkt aufrufen können, mit 256K-Kontext, Tool-Calling und einem unabhängigen Score, den Sie nachschlagen können. Der kostenlose Zeitraum verschafft Ihnen ein echtes Zeitfenster, um es anhand Ihrer eigenen Arbeitslast zu bewerten, bevor Sie etwas bezahlen, und selbst nach der Aktion ist der Satz von $0.06 / $0.18 aggressiv für ein Modell mit einem gemessenen Intelligenzwert über seiner Klasse. Sie mieten Intelligenz mit Zähler, und Sie haben kein Problem damit.

Wählen Sie LFM2.5-2.6B-Base, wenn…

Sie bauen ein Modell, anstatt eines zu mieten: eine Sprache oder Domäne, die die Standardmodelle nur unzureichend abdecken, eine regulierte Branche, in der Daten das Gerät nicht verlassen dürfen, Post-Training-Forschung oder ein Destillations-Schülermodell. Bei Ihrer Arbeitslast ist die Nebenläufigkeit hoch genug, dass Grenzkosten von null eine verbrauchsabhängige Rechnung schlagen, und Sie liegen komfortabel unter der Umsatzgrenze der Lizenz. Sie sollten außerdem ehrlich zu sich selbst sein, was die Risiken angeht: keine veröffentlichten Evaluationen, kein Serving-Pfad und ein Fine-Tune, das Sie debuggen müssen, ohne eine Benchmark, auf die Sie zielen können.

Der ehrliche Hybrid — und wo ein Router hineinpasst

Der sinnvollste Weg, diese Paarung zu lesen, ist als zwei Hälften eines Systems und nicht als zwei Rivalen. Die eigentliche Voraussetzung des Basis-Checkpoints sind Daten: Liquids eigenes Post-Training-Rezept basiert auf Lehrerspezialisierung und On-Policy-Destillation, was bedeutet, dass die Nutzbarmachung der Basis mit einer Many-Model-Datengenerierungsaufgabe beginnt, bevor sie zu einer Trainingsaufgabe wird. Genau hier verdient sich ein günstiges, leistungsfähiges API-Modell wie Ling 3.0 Tiny — oder, bei höherer Qualität, jede der Text-Stufen auf OrcaRouter — seinen Platz als Lehrer für einen kleinen lokalen Schüler. Nutze das kostenlose Fenster, solange es dauert, generiere den Fine-Tuning-Korpus und trainiere die Basis dann zu etwas, das dir gehört.

Auf der API-Seite ein ehrlicher Vorbehalt, bevor wir etwas über unser eigenes Produkt sagen: Weder Ling 3.0 Tiny noch LFM2.5-2.6B-Base sind auf OrcaRouter verfügbar. Ling 3.0 Tiny wird über eigene kommerzielle Endpunkte bereitgestellt, und der Basis-Checkpoint wird von niemandem gehostet. Was OrcaRouter nützlicherweise tut, ist, die Lehrer-Modelle und den API-Verkehr um sie herum zu transportieren — Qwen 3.7 Flash zu 0,03 $ / 0,13 $ pro 1M, Gemini 3.5 Flash-Lite zu 0,30 $ / 2,50 $ und 200+ weitere mit einem einzigen Schlüssel bei 0 % Aufschlag, sodass du den Listenpreis des Anbieters zahlst und eine Preissenkung des Anbieters am selben Tag wirksam wird. Für einen Datengenerierungslauf, der nicht auf halber Strecke sterben darf, ist automatisches Failover über Anbieter hinweg wichtiger als die Modellwahl. Aber wir hosten keines der beiden Modelle, um die es in diesem Artikel geht, und wir werden nicht so tun, als wäre es anders.

Urteil

Dies ist kein Wettbewerb zwischen zwei billigen Modellen, sondern eher eine Weggabelung zwischen zwei Arten, Ihr Geld auszugeben. Wenn Sie Antworten brauchen — leistungsfähige, überprüfbare, mietbare Antworten — ist Ling 3.0 Tiny heute live, für die nächste Woche kostenlos, hat unabhängig über seiner Klasse abgeschnitten und ist nach der Aktion günstig bepreist. Wenn Sie das Modell besitzen möchten — offline, privat, ohne Grenzkosten, zu etwas Eigenem feinabgestimmt — ist LFM2.5-2.6B-Base einer der wenigen wirklich ungemessenen 2.6B-Checkpoints mit 34T Tokens Vortraining dahinter, und Sie werden zu den Ersten überhaupt gehören, die herausfinden, wie gut es ist. Beide sind kostenlos. Sie sind in verschiedenen Währungen kostenlos: Ling 3.0 Tiny kostet Sie einen Zähler, und LFM2.5-2.6B-Base kostet Sie einen Trainingslauf.