MiniCPM5-2B vs. LFM2.5 2.6B Base: Ein fertiges Modell vs. das Rohmaterial für Ihr eigenes Modell

Zwei der interessantesten Veröffentlichungen kleiner Modelle des vergangenen Monats liegen in derselben Gewichtsklasse und könnten sich an unterschiedlicheren Punkten ihres Lebenszyklus kaum befinden. MiniCPM5-2B ist das fertige Produkt: ein dichtes 2,5B-Modell, das ModelBest und OpenBMB am 19. Juli auf der World Artificial Intelligence Conference vorstellten; seine offenen Gewichte gingen am 6. und 7. September mit vollständiger Post-Training-Pipeline auf Hugging Face still live – Apache-2.0, bereit für den Einsatz. LFM2.5 2.6B Base ist Liquid AIs vortrainierter reiner Text-Checkpoint – das rohe Substrat, das laut Unternehmen „nur für Aufgaben empfohlen wird, die ein intensives Feintuning erfordern“, ohne Instruction-Tuning, ohne Chat-Vorlage und ohne veröffentlichte Benchmarks, denn ein Basismodell wird nicht bewertet; wohl aber die Modelle, die man daraus feintunt. Der Vergleich zwischen ihnen ist letztlich eine Frage davon, für welche Ebene des Builds man sich entscheidet: ein Modell, das noch heute funktioniert, oder die Zutaten, um sein eigenes zu bauen.

Beide Karten sagen in verschiedenen Dialekten „nicht zur direkten Verwendung“, und die Anbieter haben das in die ersten Zeilen gesetzt. Die Karte von MiniCPM5-2B beschreibt einen dichten Transformer mit Llama-Architektur mit insgesamt 2.516.756.480 Parametern (1.981.982.720 ohne Einbettung), 42 Schichten, Grouped-Query-Attention, einem Kontextfenster von 131.072 Token in der ausgelieferten Konfiguration sowie eine Post-Training-Geschichte – Deep-Thinking-SFT, spezialisiertes RL, On-Policy-Distillation –, die genau auf agentisches Verhalten und Werkzeugnutzung abzielt. Die Karte von Liquid für LFM2.5 2.6B Base beschreibt einen 2,69B-Hybriden, der acht Grouped-Query-Attention-Schichten auf zweiundzwanzig dual-gated Short-Convolution-Blöcken stapelt, vortrainiert auf etwa 34 Billionen Token in 16 Sprachen mit einem 128K-Kontext, und dann endet: Die Basis existiert, um zu etwas anderem weiterentwickelt oder feinabgestimmt zu werden. Das eine ist ein Ziel; das andere ist eine Startlinie.

Was Liquid tatsächlich ausgeliefert hat

LFM2.5 2.6B Base erreichte Anfang August Hugging Face als vorab trainierte Grundlage für Liquids LFM2.5-2.6B-Familie. Seine Modellkarte zeigt die Familientabelle – das Base-Modell und das nachtrainierte LFM2.5-2.6B, das Liquid für agentische Arbeitslasten mit Tool-Aufrufen optimiert hat – und gibt offen an, dass das Base-Modell der reine Text-Checkpoint ist, der zur Erstellung aller Varianten verwendet wird. Das ist seine ganze Aufgabe: Man nimmt die Hybridarchitektur mit 2,69 Milliarden Parametern und die auf 34 Billionen Token basierende mehrsprachige Grundlage und setzt das Pre-Training oder SFT in der eigenen Domäne fort, woraufhin alles, was man veröffentlicht, dessen Lizenzbedingungen übernimmt. Auf der Karte gibt es keine Benchmarks, weil es noch nichts zu benchmarken gibt; das Modell hat kein Instruction-Tuning, daher setzt es standardmäßig Texte fort, statt zu antworten. Es läuft mit etwa 2,5 GB Gewichten und wird von Transformers, vLLM, SGLang, MLX und llama.cpp unterstützt, was es zu einer plausiblen Basis für Fine-Tuning-Projekte für die Smartphone- und Edge-Klasse macht.

Der praktische Vorbehalt bei diesem Vergleich: Wenn Sie von Liquid ein funktionierendes kleines Modell möchten, ist das faire Gegenstück zu MiniCPM5-2B das nachtrainierte LFM2.5-2.6B, nicht die Base. Die Base ist die Version, die man wählt, wenn man das Nachtraining selbst durchführen möchte – genau aus diesem Grund vergleicht die eigene Benchmark-Tabelle von MiniCPM5-2B mit dem instruktionsabgestimmten Geschwistermodell der Familie und nicht mit diesem Roh-Checkpoint.

Was OpenBMB herausgebracht hat, und warum es anders ist

MiniCPM5-2B kommt als fertiges Produkt mit den Fabrikbauplänen im Anhang. Wo Liquid dir eine Basis und die Arbeit überlässt, gibt dir OpenBMB das Ganze offen in die Hand: den mit RL + OPD nachtrainierten finalen Checkpoint, die GGUF-, MLX-, GPTQ-, Basis-, SFT- und Draft-Begleitmodelle und – der Teil, der den Vergleich verändert – die Trainingskorpora selbst, veröffentlicht unter Apache-2.0 als UltraData-Familie. Die Modellkarte meldet einen internen Durchschnitt von 53,9 über einen vom Anbieter ausgewählten Vergleichssatz aus offenen 2B-4B-Modellen, mit 86,5 bei AIME 2025/2026 sowie einem vom Anbieter erzielten 46,4 bei SWE-bench Verified; nichts davon wurde bisher unabhängig reproduziert. Es soll laufen, nicht trainiert werden: Die Ankündigung zum Launch umfasste Unterstützung für neun Chip-Familien und ARM ab dem ersten Tag, nativen Tool-Aufruf über XML-artige Aufrufe sowie hybride schnelle/überlegte Antwortmodi für die interaktive Nutzung.

Die Anzeigetafel, ehrlich beschriftet

Was du bekommst — MiniCPM5-2B: ein fertiges, einsatzbereites Chat-Modell plus offene Trainingsdaten. LFM2.5 2.6B Base: ein vortrainiertes Basismodell, das du zu einem fertigen Modell feintunen kannst.

• Parameter — MiniCPM5-2B: 2,52 Mrd. gesamt / 1,98 Mrd. ohne Embedding, dicht, im Llama-Stil. LFM2.5 2.6B Base: 2,69 Mrd. hybrid (8 Attention-Blöcke + 22 Short-Convolution-Blöcke).

• Kontext — MiniCPM5-2B: 131.072 Token in der ausgelieferten Konfiguration. LFM2.5 2.6B Base: 128K nativ.

• Sprachen — MiniCPM5-2B: Englisch- und chinesisch-zentrierte Karte und Daten. LFM2.5 2.6B Base: vortrainiert auf 16 Sprachen.

• Benchmarks — MiniCPM5-2B: vollständige Anbieter-Suite (interner Durchschnitt 53,9; nicht reproduziert). LFM2.5 2.6B Base: Für das Basismodell selbst sind bewusst keine veröffentlicht.

• Lizenz — MiniCPM5-2B: Apache-2.0 für Gewichte und veröffentlichte Daten. LFM2.5 2.6B Base: LFM Open License v1.0, kostenlos bei einem Jahresumsatz unter 10 Mio. US-Dollar; die Obergrenze überträgt sich auf Ihre Derivate.

Die obige Anzeigetafel zeigt in sechs Zeilen dieselbe Geschichte: Beide Modelle sind klein, in der 128K-Klasse und Apache-nah, aber die eine Spalte endet in einem laufenden Dienst und die andere in einer Entscheidung darüber, wer das Training übernimmt.

Die Lizenz ist das Feature.

Für einen Entwickler ist der Unterschied bei der Lizenzierung der unscheinbarste, aber entscheidendste Punkt auf dieser Liste. OpenBMB hat MiniCPM5-2B und die dazu veröffentlichten Daten unter Apache-2.0 gestellt: Du kannst es bereitstellen, feinabstimmen und ein kommerzielles Produkt darauf aufbauen – ohne Umsatzobergrenze und ohne ererbte Verpflichtungen außer der Namensnennung. Liquids LFM Open License v1.0 ist zwar eine echte Open-Weight-Lizenz, aber umsatzabhängig: Organisationen mit weniger als 10 Millionen US-Dollar Jahresumsatz erhalten eine breite kommerzielle Nutzungserlaubnis, Organisationen ab dieser Schwelle nicht. Die Obergrenze überträgt sich auf alles, was du feinabstimmst; ein Produkt, das auf LFM2.5 2.6B Base aufbaut, bringt also dieselbe Obergrenze mit, während dein Unternehmen wächst. Das macht Liquids Lizenz nicht unvernünftig; es macht sie zu einer Bedingung, mit der ein Start-up, das über die Obergrenze hinauswachsen will, von Anfang an planen muss – und es ist der wichtigste Grund dafür, dass die Rahmung als „fertiges Modell“ zählt. Wenn du etwas baust, das du wachsen lassen willst, ist Apache-2.0 mit offenen Daten ein anderes Rohmaterial als eine Lizenz mit Obergrenze.

Die Weggabelung zwischen Bauen und Kaufen, konkretisiert.

Rahmt man es als Make-or-Buy-Frage, ist die Entscheidung nicht mehr verwirrend. MiniCPM5-2B ist der Kaufweg: Die harte Arbeit — das Post-Training eines kleinen Modells für agentische Langkontext-Aufgaben — ist bereits getan, die Lizenz ist sauber, und deine verbleibende Arbeit besteht aus Serving und Evaluation. Der Preis dafür ist, dass du die Post-Training-Entscheidungen eines anderen übernimmst, und seine Top-Kennzahlen sind eine Woche alt und wurden von niemandem außerhalb des Labors verifiziert. LFM2.5 2.6B Base ist der Bauweg: Du kaufst Liquids Architektur und Pretraining und machst das Post-Training selbst — was auch der einzige ehrliche Grund ist, ein Base-Modell dem instruction-tuned Geschwistermodell LFM2.5-2.6B vorzuziehen, das Liquid bereits verkauft. Dieser Weg ist dann sinnvoll, wenn du eine Domäne, eine Sprache oder ein Verhaltensprofil hast, das Fertigmodelle von der Stange nicht abdecken. Er ist strikt mehr Arbeit, startet bei null veröffentlichten Benchmarks und trägt die Umsatzobergrenze weiter. Der Lohn ist ein Modell, das niemand sonst hat — und weil OpenBMB die Daten von MiniCPM5-2B geöffnet hat, gibt es jetzt einen zweiten Weg dorthin: ein bewährtes Apache-2.0-Rezept weiterzutrainieren, statt von einem nackten Base-Modell zu starten.

Die Routing-Realität für beide

Keiner der beiden Checkpoints ist derzeit in einem gehosteten Katalog verfügbar, daher dreht sich die Frage auf dieser Ebene eher um die Umgebung, in der sie sich befinden, als um die Bereitstellung. Sobald Sie MiniCPM5-2B bereitgestellt oder LFM2.5 2.6B Base zu etwas Eigenem feinabgestimmt haben, ist der leicht umkehrbare Weg, eines von beiden gegen die bereits genutzten gehosteten Modelle zu testen, eine einzige API mit automatischem Failover – ein neuer oder abgeleiteter Stack kann ins Stocken geraten, ohne die Produktion lahmzulegen, und die Listenpreise der Anbieter werden ohne Aufschlag durchgereicht, sodass der A/B-Vergleich günstig ist. Bei der Build-versus-Buy-Entscheidung selbst ist der ehrliche Ansatz jedoch derselbe wie immer bei kleinen offenen Modellen: Der Benchmark, der zählt, ist der, den Sie auf Ihrer eigenen Hardware und mit Ihren eigenen Daten ausführen, nicht der, der auf der einen oder anderen Karte abgedruckt ist.

Für welche Schicht suchst du eigentlich?

Wählen Sie MiniCPM5-2B, wenn Sie ein fertiges On-Device-Modell mit Apache-2.0-Lizenz möchten, das Sie noch heute betreiben und mit offenen Daten feinabstimmen können — wohl wissend, dass seine beeindruckende Modellkarte unverifiziert ist und erst durch Ihre eigene Reproduktion Produktionsvertrauen gewinnt. Wählen Sie LFM2.5 2.6B Base, wenn Sie vorhaben, Ihr eigenes Modell nachzutrainieren, und Liquids hybride Architektur sowie die 16-Sprachen-Grundlage als Startgewichte nutzen möchten — in Kauf nehmend, dass die Feinabstimmung Kosten verursacht, keinerlei Benchmarks veröffentlicht sind und eine Umsatzobergrenze von 10 Millionen Dollar an allem haftet, was Sie ausliefern. Die beiden sind keine Rivalen für dieselbe Aufgabe; sie sind zwei verschiedene Aufgaben auf derselben Hardware, und die einzige falsche Entscheidung ist, das eine zu wählen, während Sie glauben, das andere zu wählen.