Perceptron Mk1.5 vs. LFM2.5-2.6B-Base: Die Wahrnehmung mieten oder den Checkpoint besitzen und selbst fertigstellen

Beide dieser Modelle richten sich an Hardware, die man mit einer Hand hochheben könnte. Perceptron Mk1.5 ist ein Wahrnehmungsmodell für verkörperte Agenten, das laut seinem Anbieter auf Drohnen, Quadrupeden, Smart Glasses und Telefonen landet. LFM2.5-2.6B-Base ist ein Open-Weights-Checkpoint mit 2,69B, den Liquid AI explizit für den On-Device-Einsatz entwickelt hat – klein genug, um mit weniger als 2,5 GB Speicher zu laufen. Diese gemeinsame physische Ambition ist das Einzige, was sie gemeinsam haben, und sie ist eine Falle für jeden, der sie anhand eines Datenblatts vergleicht. Perceptron Mk1.5 ist ein fertiges Produkt, das man pro Token mietet: Text, Bilder, Video und Audio hinein, Text plus maschinenlesbare Geometrie heraus, live seit dem 25. September 2026. LFM2.5-2.6B-Base ist eine rohe vortrainierte Grundlage ohne Instruction-Tuning, ohne Chat-Template und ohne Benchmark-Angaben – ein Checkpoint, der veröffentlicht wurde, damit andere ihn fertigstellen. Eines von ihnen beantwortet heute eine Frage; das andere ist der Rohstoff für ein Modell, das dies tun wird.

Der Vergleich funktioniert nur, wenn du die Phase benennst.

Eine bereitgestellte API neben einen Basis-Checkpoint zu stellen, ist kein Kopf-an-Kopf-Vergleich, und wenn man etwas anderes vorgibt, entsteht eine unsinnige Tabelle, in der eine Seite in jeder Zeile „gewinnt“, weil sie von ihrem Anbieter fertiggestellt wurde und die andere noch nicht begonnen hat. Die nützliche Frage ist, in welcher Phase der Arbeit Sie sich befinden.

Liquid AI hat die LFM2.5-Familie als eine Reihe von Checkpoints veröffentlicht, und die Basis ist der erste. Seine Modellkarte listet 2,69 Mrd. Gesamtparameter über 30 Schichten auf — 22 doppelt gegatete Kurz-Konvolutionsblöcke und 8 Grouped-Query-Attention-Blöcke — trainiert auf etwa 34 Billionen Token, mit einem Vokabular von 128.000 Token, einer Kontextlänge von 131.072 Token und Unterstützung für 16 Sprachen, darunter Englisch, Chinesisch, Japanisch, Koreanisch und Arabisch. Es ist rein textbasiert, es ist ein kausales Sprachmodell und nichts weiter, und Liquids eigene Empfehlung ist unverblümt: Dieser Checkpoint ist für Aufgaben gedacht, die intensives Fine-Tuning erfordern, wie etwa einen sprachspezifischen oder domänenspezifischen Assistenten, Training mit proprietären Daten oder Experimentieren mit neuartigen Post-Training-Ansätzen. Was es in den Tool-Calling-Agenten verwandelt, der die veröffentlichten Werte der Familie trägt, ist Liquids vierstufige Post-Training-Pipeline, die die Basis nicht enthält.

Perceptron Mk1.5 befindet sich am anderen Ende dieses Bogens. Perceptron hat das Post-Training bereits durchgeführt, das Ausgabeformat festgelegt und den Preis dafür bestimmt – 0,15 $ pro Million Eingabe-Tokens und 1,50 $ pro Million Ausgabe-Tokens, bei zwischengespeicherter Eingabe 0,0375 $. Seine Spezifikationen sind in einer Weise konkret, wie es die des Basis-Checkpoints nicht sind: 36.864-Token-Kontext, maximale Ausgabe von 8.192 Token, vier Eingabemodalitäten, eine reasoning_effort-Steuerung, die standardmäßig auf high steht, Funktionsaufrufe bei Chat-Completions und eingeschränkte Antworten über JSON Schema und Regex.

Der Grund, beide im Blick zu behalten, ist, dass die Gesamtbetriebskosten in entgegengesetzte Richtungen verlaufen. Mk1.5 ist teuer pro Token und kostenlos zum Einstieg. LFM2.5-2.6B-Base ist an der Marge kostenlos und teuer in der einzigen Währung, die für einen Basis-Checkpoint zählt – deine Engineering-Zeit.

Dimension für Dimension, wobei die Rollen klar getrennt bleiben.

• Was es ist — Perceptron Mk1.5 ist eine gehostete Wahrnehmungs-API mit strukturierter räumlicher Ausgabe. LFM2.5-2.6B-Base ist ein herunterladbares vortrainiertes kausales LM mit 2,69 Mrd. Parametern.

• Eingabe — Mk1.5 verarbeitet Text, Bilder, Video und Audio (WAV, MP3, FLAC). LFM2.5-2.6B-Base verarbeitet Text, und nur Text.

• Ausgabe — Mk1.5 liefert Text sowie optionale Punkte, Boxen, Polygone, Clips und mit Zeitstempel versehene <track>-Elemente oder durch JSON Schema eingeschränkte Antworten. Das Basismodell liefert Token-Wahrscheinlichkeiten für das nächste Token, und nichts wurde darauf abgestimmt, das nutzbar zu machen.

• Eigenständige Verwendung — Mk1.5 funktioniert ab dem Tag, an dem Sie einen Schlüssel erhalten. LFM2.5-2.6B-Base beantwortet in keiner produktiven Hinsicht Fragen; es braucht ein Fine-Tuning und in der Regel eine Chat-Vorlage, bevor es ein Modell ist, das man ausliefern würde.

• Kontext — 36.864 Token für Mk1.5 gegenüber 131.072 für die Basis. Der On-Device-Checkpoint enthält fast viermal so viel Text, wie das bereitgestellte Wahrnehmungsmodell von irgendetwas enthält.

• Speicherbedarf — Mk1.5 läuft dort, wo Perceptron es laufen lässt, und seine veröffentlichte Latenzarbeit wurde auf einem einzigen H100 durchgeführt. Das Basismodell ist dafür ausgelegt, auf einem Laptop, einem Smartphone oder einer Edge-Box mit unter 2,5 GB zu laufen.

• Belege — jede Leistungsangabe zu Mk1.5 stammt von Perceptron selbst, und es gibt keinen unabhängigen Index dafür. Das Basismodell erhebt überhaupt keine Benchmark-Ansprüche: Liquid veröffentlicht Werte für das nachtrainierte LFM2.5-2.6B, nicht für diesen Checkpoint.

• Lizenz — Mk1.5 ist geschlossen und wird pro Token vermietet. LFM2.5-2.6B-Base wird unter der LFM Open License v1.0 ausgeliefert, samt Gewichten, die Sie herunterladen und behalten.

Die Gewichtsroute, ehrlich kalkuliert

Wenn der Reiz von LFM2.5-2.6B-Base darin liegt, dass die Gewichte kostenlos sind, dann lautet die ehrliche Version dieses Satzes, dass die Gewichte der billigste Teil des Projekts sind. Ein Fine-Tuning auf proprietären Daten bedeutet einen Datensatz, einen Trainingslauf, einen Evaluierungs-Harness, mit dem sich feststellen lässt, ob das Fine-Tuning funktioniert hat, und einen Serving-Pfad — Transformers, vLLM oder SGLang oder einen der GGUF-, ONNX- und MLX-Builds, die Liquid jeweils für die Bereitstellung auf CPU, für plattformübergreifende Bereitstellung bzw. für Apple-Silicon-Bereitstellung veröffentlicht. Nichts davon ist exotisch, und mit 2,69B passt es auf Hardware, die ein 70B-Fine-Tuning nie berührt. Doch ein Basis-Checkpoint ist ein Ausgangspunkt, und das Terminrisiko liegt vollständig auf Ihrer Seite der Transaktion.

Was du dafür bekommst, ist Kontrolle. Der 16-Sprachen-Tokenizer und der 131K-Kontext bedeuten, dass ein Domain-Fine-Tuning nicht mit dem Pretraining um Platz kämpfen muss. Der Footprint von unter 2,5 GB bedeutet, dass das Deployment-Ziel ein Gerät statt eines Rechenzentrums ist — und genau darum geht es bei dieser Familie. Und die LFM Open License lässt dich das Ergebnis behalten: einen Spezialisten, den kein Wettbewerber über dieselbe API mieten kann wie du.

Es gibt einen Drittanbieter-Beleg, den man kennen sollte, bevor man auf die Abstammungslinie setzt, und eine Lücke. Das post-trainierte LFM2.5-2.6B von Liquid hat tatsächlich eine unabhängige Messung: Artificial Analysis führt es mit einem Intelligence Index von 8 auf, auf Rang 9 von 49 Modellen seiner Klasse. Der Basis-Checkpoint nicht – es gibt keine Seite dafür, was für ein vortrainiertes Foundation-Modell normal ist und klar gesagt werden sollte, statt es als Urteil zu behandeln. Was der Index des post-trainierten Modells aussagt, ist, was die Pipeline von diesem Ausgangspunkt am unteren Ende des Index-Bandes hervorbringt, nicht, was Ihr Fine-Tuning hervorbringen wird.

Der API-Weg und was „on-device“ bei einem gehosteten Modell bedeutet

Die Deployment-Geschichte von Perceptron Mk1.5 ist komplizierter, als die Zielliste vermuten lässt, und es lohnt sich, hier präzise zu sein. In der Ankündigung des Anbieters werden Drohnen, Vierbeiner, Smart Glasses und Smartphones als Deployment-Ziele genannt. Das Modell selbst wird unter api.perceptron.inc hinter einem API-Schlüssel bereitgestellt, und die von Perceptron veröffentlichten Latenz-Belege sind ein Median aus drei Läufen auf einer einzigen H100. Eine einzelne H100 ist keine Drohne. Die realistische Lesart ist, dass Mk1.5 die Wahrnehmungsschicht für einen Roboter ist, der über eine Netzwerkverbindung oder eine begleitende Compute-Box verfügt, und nicht ein Modell, das im Rumpf selbst läuft – und wer ein Offline-Gerät darauf aufbauen will, sollte diese Annahme testen, bevor er die Hardware entwirft.

Was die API-Route einbringt, wenn die Netzwerkannahme zutrifft, ist das, was ein Basis-Checkpoint einem um keinen Preis geben kann: Koordinaten. Die von Mk1.5 <track>-Ausgabe trägt eine räumliche Beobachtung und ihren Zeitstempel, sodass ein Clip als Objektpositionen über die Zeit zurückkommt statt als Beschreibung einer Szene. Ergänzen Sie das asset_idx-Feld, das eine Anfrage mehrere Bilder oder Videos getrennt adressieren lässt, und die Form der Anfrage entspricht einem Regelkreis — Referenzframe rein, Geometrie raus, keine Parsing-Stufe zwischen dem Modell und dem Code, der etwas bewegt.

Die Kosten sind die bereits aufgeführten: 36.864 Token Kontext, eine Obergrenze von 16.384 Token pro Element für Audio, die Perceptrons Dokumentation bei etwa 750 Token pro Minute auf rund 21,8 Minuten beziffert, ein reasoning_effort-Standardwert von high, der Ihnen bei jedem Aufruf, den Sie nicht konfigurieren, den teuersten Reasoning-Pfad in Rechnung stellt, sowie eine Reihe von Benchmark-Behauptungen, die von dem Unternehmen stammen, das das Modell verkauft. Die Handtracking-Zahl ist diejenige, die Sie an Ihrem eigenen Material testen sollten: 0,9433 bei egozentrischem hand_box gegenüber 0,4467 für Gemini 3.1 Pro in Perceptrons eigenem Durchlauf ist ein großer Abstand, und große Abstände in Anbieter-Evaluierungen sind genau die, die es wert sind, reproduziert zu werden.

Keines von beiden ist in unserem Katalog, und das ändert die Entscheidung.

Weder Perceptron Mk1.5 noch LFM2.5-2.6B-Base werden heute auf OrcaRouter geroutet. Mk1.5 hat überhaupt keine Route, der Zugriff darauf läuft also über die API des Anbieters selbst — pip install "perceptron>=0.4.0" und PERCEPTRON_API_KEY — und Liquid AI hat kein Modell irgendeiner Größe in unserem Katalog, daher ist der Basis-Checkpoint ein Download von Liquids Hugging Face statt eines Aufrufs.

Das ist weniger bedeutsam, als es klingt, denn die beiden sind keine austauschbaren Endpunkte, und kein Preisargument wird sie dazu machen. Was eine Routing-Schicht hier beiträgt, ist der Teil der Entscheidung, der noch offen ist. Wenn Sie einen Wahrnehmungsdienst auf Mk1.5 und einen Textspezialisten auf einem feinabgestimmten LFM2.5-2.6B-Base aufbauen, betreiben Sie zwei Integrationen und zwei Fehlermodi; ein OpenAI-kompatibles Gateway davor macht aus einem Anbieterausfall auf einer der beiden Seiten einen Fallback statt einen fehlgeschlagenen Job, und eine Routing-Regel kann den Vision-Verkehr und den Text-Verkehr an unterschiedliche Modelle leiten, ohne dass die Anwendung weiß, welcher welcher ist. Eine einzige API, die über 200 Modelle abdeckt und die Listenpreise der Anbieter bei 0 % Aufschlag durchreicht ist die Version davon, bei der eine Preisänderung eines Anbieters noch am selben Tag ankommt statt erst bei Ihrer nächsten Verlängerung — wobei das Gateway für diese beiden speziell heute eher eine Planungsüberlegung als eine verfügbare Abkürzung ist.

Was Sie tun sollten und was Sie messen sollten

Wenn Ihre Aufgabe darin besteht, „dieses Objekt in diesem Frame zu finden und zurückzugeben, wo es sich befindet“, mieten Sie Mk1.5 und testen Sie die Hand-Box-Behauptung an Ihrem eigenen Video, bevor Sie einen Produktionspfad darauf festlegen. Kalkulieren Sie die Netzwerkannahme ein, setzen Sie reasoning_effort bewusst, statt high zu akzeptieren, und behandeln Sie das 36.864-Token-Fenster als die harte Einschränkung, die es ist. Die strukturierte Ausgabe ist das Produkt, und wenn Ihr nachgelagerter Code eine Koordinate ohne eine Parsing-Stufe verarbeiten kann, ist das eine echte Einsparung an einer Stelle, an der die meisten Vision-Pipelines stillschweigend an Genauigkeit verlieren.

Wenn Ihre Aufgabe lautet: „Ich brauche ein 2,6-B-Modell, das auf Daten abgestimmt ist, die sonst niemand hat, und das irgendwo ohne GPU läuft“, dann laden Sie LFM2.5-2.6B-Base herunter und kalkulieren Sie das Fine-Tuning ehrlich, bevor Sie beginnen. Der Checkpoint ist kostenlos, das Engineering nicht, und die Lektion der Familie selbst – dass das nachtrainierte Geschwistermodell im unabhängigen Index eine 8 erzielt – ist eine Erinnerung daran, dass die Lücke zwischen einem Basismodell und einem fertigen Modell der Ort ist, an dem die eigentliche Arbeit steckt. Keines von beiden ist die falsche Antwort. Es sind unterschiedliche Käufe, und der einzige wirkliche Fehler ist, ein Fundament, das Sie erst fertigstellen müssen, so zu behandeln, als wäre es bereits ein Produkt.

Zwei Modelle, zwei Integrationen und zwei Fehlermodi sind eine schlechtere Ausgangslage, als es aussieht. Bei OrcaRouter kannst du automatisches Failover einrichten, sodass eine Störung bei einem Anbieter auf einer der beiden Seiten zu einem Fallback statt zu einem fehlgeschlagenen Job wird.