PAN 2 vs. LFM2.5-2.6B-Base: Zwei Arten von Checkpoints, die Sie feinabstimmen sollen

Das Erste, was an LFM2.5-2.6B-Base auffällt, ist das Wort Base. Der 2,69-Milliarden-Parameter-Checkpoint von Liquid AI ist kein Modell, mit dem man chattet; er ist das vortrainierte Substrat, aus dem die nachtrainierten LFM2.5-2.6B-Varianten entstehen, veröffentlicht, damit andere ihre eigenen daraus machen können. PAN 2 ist dieselbe Art von Objekt im dreißigfachen Maßstab: ein 29-Milliarden-Parameter-Diffusionstransformer vom Institute of Foundation Models der MBZUAI, unter Apache-2.0 mit Trainingskonfigurationen im Repository veröffentlicht, gedacht zur Anpassung statt nur zum Konsumieren. Nebeneinandergestellt wirken sie absurd – das eine ist ein Sprachmodell, das auf einem Laptop läuft, das andere ein Video-Weltmodell, das vier B300s will. Aber beide sind Basisartefakte mit einer Lizenz, und für alle, deren eigentliche Aufgabe darin besteht, einen Checkpoint zu nehmen und ihn etwas tun zu lassen, wofür er nicht trainiert wurde, ist der interessante Vergleich überhaupt nicht die Leistungsfähigkeit. Sondern was jedes davon dir zum Arbeiten gibt und was es kostet, das Ding vorzuhalten, während du es herausfindest.

Beginnen Sie mit der Lizenz, denn sie ist der eine harte Unterschied.

Der eigene Code und die Gewichte von PAN 2 stehen unter Apache-2.0. Die Komponenten von Drittanbietern – Qwen3.5-9B als Textencoder, Wan 2.2 als VAE, Diffusers – werden zu ihren eigenen Bedingungen eingesetzt und nicht von MBZUAI weiterverbreitet; Sie laden sie bei ihren jeweiligen Urhebern herunter. Das ist eine saubere, langweilige und aus Sicht der Unternehmensrechtsabteilung unproblematische Regelung – und der Hauptgrund, warum ein Unternehmen mit Prüfprozess PAN 2 überhaupt einführen kann.

LFM2.5-2.6B-Base wird unter der LFM1.0-Lizenz veröffentlicht, die Hugging Face als Andere mit einem Link zur LICENSE-Datei statt einer SPDX-Kennung führt. Das ist keine Kritik – Liquids Lizenz erlaubt die kommerzielle Nutzung bis zu einer Umsatzschwelle, was für eine Open-Weights-Veröffentlichung eine gängige und vernünftige Form ist –, aber sie hat eine andere Form als Apache-2.0, und der Unterschied ist kein Detail, das man erst nach dem Fine-Tuning entdeckt. Wenn Ihr Rechtsteam eine Liste vorab genehmigter Lizenzen hat, steht eines dieser beiden Modelle darauf und das andere braucht ein Gespräch.

Diese Asymmetrie verläuft genau entgegengesetzt zu den Parameterzahlen, und es lohnt sich, darüber nachzudenken. Das winzige Modell ist das mit den Fesseln; das riesige ist das, das man ausliefern kann, ohne irgendwen zu fragen.

Was ein Basis-Checkpoint tatsächlich liefert

LFM2.5-2.6B-Base ist eine Hybridarchitektur: dreißig Schichten, von denen zweiundzwanzig doppelt gegatete Kurzfaltungsblöcke und acht Grouped-Query-Attention sind. Diese Mischung ist der eigentliche Kern der LFM-Reihe — Faltungsblöcke sind bei langen Sequenzlängen günstig, und Attention-Blöcke bewahren das Erinnerungsvermögen — und deshalb kann das Modell mit 2,69 Milliarden Parametern einen Kontext von 131.072 Token tragen. Das Training lief über 34 Billionen Token mit einem Vokabular von 128.000 Token und deckte sechzehn Sprachen ab, darunter Arabisch, Japanisch, Koreanisch, Thailändisch und Vietnamesisch.

Was ihm fehlt, ist jegliches Post-Training. Kein Instruction-Tuning, kein nennenswertes Chat-Template, kein Safety-Alignment. Ein Basismodell sagt das nächste Token voraus, und mehr tut es nicht, was es zur falschen Wahl für die Evaluierung auf einem Instruction-Following-Benchmark macht und zur richtigen dafür, zu evaluieren, wie schnell ein LoRA in Ihrer Domäne konvergiert. Liquid veröffentlicht das post-trainierte Geschwistermodell separat, und die Existenz von GGUF- und ONNX-Builds dieses Geschwistermodells ist die klarste Aussage über die Absicht: Diese Familie ist dafür gedacht, auf Geräten zu laufen, die Ihnen gehören.

PAN 2 liefert Ihnen deutlich mehr Gerüst und in einer bestimmten Hinsicht weniger Freiheit. Das Repository enthält Trainingskonfigurationen sowohl für Pre-Training als auch für überwachtes Fine-Tuning – config/pretrain_29B_720p.yaml und config/sft_29B_720p.yaml –, und die Dokumentation weist Sie an, deren Datenpfade auf Ihre eigenen Latents zu richten. Der Fine-Tuning-Pfad existiert also. Doch die Daten, die er erwartet, sind kein Text. Es sind Video-Latents, annotiert in einem spezifischen strukturierten Caption-Format: Ereignisse in Reihenfolge, Aktionen an Akteure gebunden, Kamerabewegung, innerhalb eines Text-Encoder-Budgets von 1.536 Tokens. Wenn Sie PAN 2 auf Ihre Domäne fine-tunen möchten, ist Ihr erstes Projekt kein Trainingslauf. Es ist eine Datenpipeline, die Ihr Filmmaterial in dieses Format überführt, und das Repository liefert Ihnen einen Validator, aber nicht den Annotator.

• Rechenleistung fürs Fine-Tuning — {{1}}LFM2.5-2.6B-Base{{/1}}: eine einzelne GPU, LoRA auf einer Workstation, Stunden statt Wochen. {{2}}PAN 2{{/2}}: ein 67,37 GB großer Transformer in BF16 vor dem Optimizer-Zustand, plus ein 15,87 GB großer eingefrorener Encoder und ein VAE, auf Video-Latents. Multi-Node, und niemand hat eine Anleitung veröffentlicht.

• Daten, die Sie bereitstellen müssen — LFM2.5-2.6B-Base: Text, in dem Format, das Ihre Aufgabe verwendet. PAN 2: Video sowie strukturierte Weltzustands-Captions im Schema des Repositories.

• Was Sie erhalten – LFM2.5-2.6B-Base: einen Textgenerator und nach dem Post-Training einen Assistenten oder eine Agenten-Policy. PAN 2: ein Video von bis zu 20 Sekunden bei 704×1248 und 24 fps, das die Folge einer Aktion zeigt.

• Lizenz — LFM2.5-2.6B-Base: LFM1.0, andere, lies sie nach. PAN 2: Apache-2.0 für die eigenen Gewichte.

Bei dem einen Benchmark, bei dem sie sich fast treffen

Es gibt eine echte Überschneidung, und sie ist klein genug, um interessant zu sein. Die Modellkarte von OpenBMBs MiniCPM5-2B vergleicht LFM2.5-2.6B mit dem eigenen 2B-Modell und einer Reihe weiterer Modelle, und eine der Zeilen ist langer Kontext. Bei AA-LCR meldet OpenBMB 5,3 für LFM2.5-2.6B gegenüber 59,0 für MiniCPM5-2B. Bei NoLiMa 0,7 gegenüber 68,1. Bei LongBench v2 30,3 gegenüber 43,7.

Das sind von Wettbewerbern gemeldete Zahlen, die mit der Testumgebung eines Wettbewerbers ermittelt wurden, und die Model Card, die sie veröffentlicht, ist am Ergebnis dieses Vergleichs offensichtlich interessiert. Doch die Größe des Abstands bei den beiden schwierigsten Long-Context-Tests ist nichts, was sich mit der Wahl der Testumgebung wegdiskutieren lässt, und sie ist eine nützliche Korrektur für die Lesart, „131.072-Token-Kontext“ als Fähigkeitsaussage zu verstehen. Ein Kontextfenster ist eine Kapazität; Recall über die Länge hinweg ist ein Verhalten. Der Base-Checkpoint hat Ersteres und, nach Belegen von Drittanbietern, nicht viel von Letzterem – genau deshalb ist ein Fine-Tune der vorgesehene Einsatzzweck und nicht ein Langdokument-Assistent direkt ab Werk.

PAN 2 hat keine entsprechende Gegenprüfung. Niemand außerhalb von MBZUAI hat es benchmarkiert, und die Zahlen auf der Model Card sind die einzigen, die es gibt. Das ist eine schwächere Beweislage als bei LFM2.5-2.6B-Base, obwohl das Modell hundertmal teurer im Betrieb ist – eine Erinnerung daran, dass unabhängige Bewertung der Adoption folgt und Adoption der Fähigkeit, das Ding überhaupt laufen zu lassen.

Die Kosten für das Vorhalten jedes Checkpoints

LFM2.5-2.6B-Base hat etwa 2,7 Milliarden Parameter. In BF16 sind das bequem unter 6 GB Gewichte, und die GGUF-Builds des nachtrainierten Geschwistermodells bringen es deutlich darunter. Du kannst es dauerhaft auf derselben Maschine wie den Rest deines Stacks im Speicher halten, über Nacht feinabstimmen und vergessen, dass es da ist.

PAN 2 umfasst 86,17 GB auf sechzig Dateien, und die entscheidende Zahl ist nicht die Gesamtsumme, sondern die Form. Der Transformer umfasst 67,37 GB, und jeder Inferenz-Worker hält eine vollständige Kopie – das eigene Inferenzskript des Repositorys startet einen Worker pro GPU, wobei jeder jeden N-ten Prompt übernimmt, da es in diesem Pfad kein Tensor-Parallel-Sharding gibt. Das vLLM-Rezept ist die geshardete Option, und seine Schlagzeile lautet: dreizehn Sekunden 704×1248-Video in etwa 119 Sekunden auf vier B300s mit Classifier-Free-Guidance-Parallelität über zwei Ranks und Ulysses-Sequenzparallelität über zwei. Die Standardkonfiguration sind acht H200s. Ein Sampler mit fünfzig Schritten und Guidance bei jedem Schritt bedeutet hundert Forward-Passes pro Clip, und das ist die Arithmetik hinter jeder Konfigurationsentscheidung im Rezept.

Der ehrliche Kostenvergleich lautet also nicht {{1}}„6 GB gegenüber 86 GB“{{/1}}. Er lautet {{2}}„keine Grenzkosten pro Inferenz gegenüber einem Multi-GPU-Knoten pro zwei Minuten Ausgabe“{{/2}}. Ein feinabgestimmtes 2.6B-Modell, das eine Anfrage beantwortet, kostet nichts Messbares. Ein feinabgestimmtes PAN 2, das einen zwanzigsekündigen Clip rendert, kostet drei Minuten lang einen GPU-Knoten, und Sie werden es hunderte Male ausführen, bevor Sie wissen, ob die Feinabstimmung funktioniert hat.

Wo ein Router eines dieser beiden berührt

Keines der beiden Modelle ist etwas, das eine Routing-Schicht bedienen kann. LFM2.5-2.6B-Base ist ein Basis-Checkpoint ohne gehosteten Endpunkt, an den zu routen sich lohnt – es ist eine Datei, die man herunterlädt. PAN 2 hat überhaupt keinen gehosteten Endpunkt, weder von MBZUAI noch von irgendjemand anderem. Wenn Ihr Plan eines der beiden beinhaltet, beinhaltet Ihr Plan GPUs.

Der Grund, Routing trotzdem zu erwähnen, ist, dass fast niemand ein Basismodell isoliert einsetzt. Ein feinabgestimmtes LFM2.5 ist eine Komponente in einer Anwendung, die auch einen allgemeinen Reasoner braucht, und eine Simulation von PAN 2 ist eine Stufe in einer Pipeline, deren erste Stufe ein Sprachmodell ist, das strukturierte Captions schreibt. Diese umgebende Schicht ist der Punkt, an dem sich eine einzige API für mehr als 200 Modelle lohnt: Sie behalten den abgestimmten Checkpoint auf Ihrer eigenen Hardware, leiten die Standardaufrufe über OrcaRouter zum Listenpreis des Anbieters mit 0 % Aufschlag durchgereicht und erhalten automatisches Failover, wenn ein Anbieter mal eine schlechte Stunde hat. Speziell für eine Pipeline für PAN 2 ist die Caption-Stufe der elastische Teil – der Bericht ordnet Claude Opus 5.5, GPT-6 Astra, Kimi K3 und Qwen3.8-Flash danach ein, wie vollständig sie Pläne abschließen, und Qwen3.8-Flash ist auf OrcaRouter verfügbar, sodass Sie testen können, welcher Planner Ihre Pläne tatsächlich abschließt, ohne vier Modelle bereitstellen zu müssen.

Was OrcaRouter nicht tun wird, ist, einen der beiden Checkpoints zu hosten. Etwas anderes zu behaupten wäre die Art von Aussage, die sich wie ein Feature anhört und sich wie ein Bug verhält.

Was das Base-Model-Framing verbirgt

Beide dieser Veröffentlichungen sind im strengen Sinne unfertig. LFM2.5-2.6B-Base hat designbedingt kein Instruction-Tuning; PAN 2 hat einen Abschnitt zu Einschränkungen, der besagt, dass etwa zwei von drei simulierten Plänen mindestens einen Schritt enthalten, der nicht ausgeführt wird. Keines von beiden ist ein Produkt. Der Unterschied liegt darin, was „unfertig“ im jeweiligen Fall bedeutet.

Bei LFM2.5-2.6B-Base ist „unfertig“ eine Stufe in einer Pipeline, die der Anbieter nachgelagert bereits abgeschlossen hat – das nachtrainierte Modell existiert, die quantisierten Builds existieren, und der Basis-Checkpoint ist für diejenigen veröffentlicht, die einen anderen Weg einschlagen möchten. Die Lücke ist beabsichtigt und dokumentiert.

Für PAN 2 ist der unfertige Zustand bezeichnend für das gesamte Release. Die Gewichte sind verfügbar, die Framework-Unterstützung kam am 10. November, und das Einzige, was irgendjemand öffentlich dazu gesagt hat, ist ein zwei Absätze langer Beitrag auf dem eigenen X-Konto des Labors noch am selben Nachmittag. Seine Einschränkungen sind keine Designentscheidung, die man nachgelagerten Nutzern übergibt; es sind offene Probleme, die das Team öffentlich benennt. Wenn du PAN 2 fine-tunest, erbst du diese Probleme zusammen mit den Gewichten.

Das ist der eigentliche Vergleich, und er lässt sich nicht in eine Empfehlung zwischen den beiden Modellen auflösen, weil sie keine Substitute sind. Er mündet in eine Frage zu Ihrem Projekt: Passen Sie eine bewährte Komponente an, oder bauen Sie auf einem Forschungsartefakt auf, dessen Fehlermodi noch gemessen werden? LFM2.5-2.6B-Base ist Ersteres. PAN 2 ist Letzteres, und die Apache-2.0-Lizenz ist der einzige Grund, warum Letzteres überhaupt eine Option ist.