SubQ Snap 1.1 vs. LFM2.5 2.6B Base: Die Entscheidung kaufen oder aus einem Checkpoint selbst aufbauen

Das wichtigste Wort in einem Vergleich zwischen SubQ Snap 1.1 und LFM2.5 2.6B Base ist das letzte Wort. Base bedeutet vortrainiert. Es bedeutet, dass Liquid AI den Checkpoint nach etwa 34 Billionen Tokens Training und vor jeglichem überwachten Fine-Tuning, jeglicher Distillation oder jeglichem Reinforcement Learning veröffentlicht hat, die ein Sprachmodell in etwas verwandeln, das einer Anweisung folgt. Es wird keine Frage beantworten. Es wird kein Label auswählen. Bitten Sie es, ein Support-Ticket weiterzuleiten, und es wird Ihren Prompt im Stil des Textes fortsetzen, auf dem es trainiert wurde, was kein Fehler ist — es ist genau das, wofür ein Base-Checkpoint da ist.

SubQ Snap 1.1 ist dagegen ein fertiges Produkt: das Entscheidungsmodell von Subquadratic, veröffentlicht am 22. Oktober 2026, das bis zu 384K Tokens Text und Bilder plus eine feste Antwortmenge aufnimmt und eine kalibrierte Auswahl zurückgibt. Sie so gegeneinander antreten zu lassen, als wären sie Alternativen, ist ein Kategorienfehler, und zwar ein nützlicher, denn der Fehler ist genau die Entscheidung, vor der ein Team steht, wenn es eine Klassifikation will, die auf Hardware läuft, die es selbst kontrolliert. Die Frage ist nicht „welches Modell ist besser“. Sie lautet: „Kauft man die Entscheidung, oder baut man sie von einem Ausgangspunkt aus?“

Was Liquid AI tatsächlich veröffentlicht hat

LFM2.5-2.6B Base wurde am 4. August 2026 zusammen mit seinem nachtrainierten Geschwistermodell LFM2.5-2.6B veröffentlicht, als Teil einer Familie, die von 230 Millionen Parametern bis zu einem 24B-Mixture-of-Experts reicht. Die Architektur folgt dem LFM2-Design von Liquid: dreißig Schichten, von denen zweiundzwanzig doppelt gegatete Short-Convolution-Blöcke und acht Grouped-Query-Attention-Schichten sind, ein Vokabular mit 128.000 Token und ein 128K-Kontextfenster, das in einer Mid-Training-Erweiterungsphase hinzugefügt wurde. Mit 2,69 Milliarden Parametern passt es in rund 2,5 Gigabyte, läuft mit ungefähr 220 Token pro Sekunde auf einem Apple M5 Max, rund 113 auf einem Ryzen AI Max+ und etwa 30 auf einem Smartphone.

Beim Instruct-Geschwistermodell finden sich die interessanten Zahlen, und sie lohnen einen Blick als Maßstab dafür, wie viel Post-Training wert ist. Liquid meldet AIME25 mit 51,87, LiveCodeBench v6 mit 59,41, IFBench mit 59,17, Multi-IF mit 80,07, BFCLv4 mit 56,88 und ToolSandbox mit 77,83 — alle vom Anbieter gemeldet, alle für das nachtrainierte Modell. Der Basis-Checkpoint hat keine vergleichbaren Instruction-Following-Werte, weil er keine Anweisungen befolgen kann. Diese Lücke – zwischen einem Checkpoint und einem Modell, das man etwas fragen kann – besteht aus vier Post-Training-Stufen: zwei Runden überwachtes Fine-Tuning, domänenspezifische Lehrer-Spezialisierung, Multi-Domain-On-Policy-Distillation und agentisches Reinforcement Learning in echten Harnesses.

Liquid sagt auch klar, wofür das Modell nicht gedacht ist: agentisches Programmieren und wissensintensive Arbeit. Das ist eine ehrlichere Positionierungsaussage, als die meisten Labore veröffentlichen, und es lohnt sich, sie für bare Münze zu nehmen.

Die Spezifikationen im Vergleich

• Was es ist — LFM2.5 2.6B Base ist ein vorab trainierter Checkpoint ohne Instruction-Tuning; SubQ Snap 1.1 ist ein gehostetes Entscheidungsmodell mit einer API für fest vorgegebene Antworten.

• Kontext – 128K Token für LFM2.5 2.6B Base; 384K Token für Snap 1.1.

• Eingabe — nur Text für LFM2.5 2.6B Base; Text und Bilder für Snap 1.1.

• Ausgabe — freiformige Token-Generierung oder welchen Head auch immer man obendrauf trainiert, für LFM2.5 2.6B Base; eine Auswahl oder einen Score mit einer Wahrscheinlichkeit für Snap 1.1.

• Preis — nur selbst gehostet, keine Abrechnung pro Token, für LFM2.5 2.6B Base; $0.04 pro 1 Mio. Eingabe-Tokens, Ausgabe kostenlos, für Snap 1.1.

• Lizenz — LFM Open License v1.0, kommerzielle Nutzung mit einer Umsatzschwelle erlaubt, für das Liquid-Modell; für Snap keinerlei Gewichte.

• {{1}}Speicherbedarf — etwa 2,5 GB und für LFM2.5 2.6B Base auf einem Telefon ausführbar{{/1}}; {{2}}ein Netzwerkaufruf für Snap 1.1{{/2}}.

Die Lücke zwischen einem Checkpoint und einem Klassifikator

Um LFM2.5 2.6B Base in etwas zu verwandeln, das das tut, was Snap 1.1 tut, braucht man fünf Dinge, und nur eines davon ist das Modell.

Du brauchst gelabelte Daten – ein paar tausend Beispiele pro Klasse sind ein vernünftiger Ausgangspunkt für eine eng umrissene Routing-Aufgabe, und deutlich mehr, wenn die Klassen unausgewogen sind oder die Grenze subtil ist. Du brauchst einen Trainingslauf: einen Klassifikationskopf oder einen LoRA-Adapter auf einem Basis-Checkpoint, der noch nie eine Instruktion gesehen hat, was bedeutet, dass das Feintuning sowohl die Aufgabenanpassung als auch die Instruction-Following-Arbeit auf einmal erledigt. Du brauchst Kalibrierung, denn ein Softmax-Score ist keine kalibrierte Wahrscheinlichkeit, und eine Routing-Schwelle, die auf einem unkalibrierten Score festgelegt wird, ist eine per Vermutung festgelegte Schwelle. Du brauchst einen Evaluations-Harness, den du pflegst, da das Modell driftet, wenn sich dein Traffic ändert. Und du brauchst Serving-Infrastruktur – llama.cpp, MLX, vLLM oder ONNX, die alle die Architektur unterstützen.

Nichts davon ist exotisch. All das bedeutet wochenlange Arbeit durch jemanden, der weiß, was er tut, und es wiederholt sich jedes Mal, wenn sich die Aufgabe ändert. Der ehrliche Vergleich ist nicht $0,04 pro Million Tokens gegen kostenlos. Er lautet $0,04 pro Million Tokens gegen vier bis acht Wochen Engineering, plus die laufenden Kosten dafür, ein Modell zu besitzen.

Die Lizenz ist nicht Apache.

Liquid liefert LFM2.5 unter der LFM Open License v1.0. Die kommerzielle Nutzung ist erlaubt, aber Organisationen mit mehr als 10 Millionen US-Dollar Jahresumsatz benötigen eine separate kommerzielle Lizenz. Das ist eine wesentlich andere Ausgangslage als bei der Apache-2.0-Lizenz von Granite oder der Apache-2.0-Lizenz von Gemma, und es ist die Art von Klausel, die spät entdeckt wird – von der Rechtsabteilung, nachdem der Prototyp funktioniert. Wenn Sie ein Startup unterhalb dieser Schwelle sind, kostet es Sie heute nichts und könnte Sie später etwas kosten. Wenn Sie darüber liegen, kalkulieren Sie die Lizenzkosten, bevor Sie die GPU-Kosten kalkulieren.

Wo der Basis-Checkpoint eindeutig gewinnt

Die Air-Gapped-Bereitstellung ist der stärkste Anwendungsfall – und das nicht knapp. Ein 2,5-Gigabyte-Modell, das auf einem Telefon, einem Laptop oder in einem Container ohne Netzwerkverbindung läuft, ist die einzige Option für eine Feldanwendung, eine klassifizierte Umgebung oder ein Gerät, das an Kunden ausgeliefert wird. Snap 1.1 kommt für keinen dieser Fälle infrage. Es ist eine API, und es gibt keine Version davon, die lokal läuft.

Die Volumenökonomie ist der zweite Fall, erfordert aber echtes Volumen, um relevant zu sein. Bei zwei Millionen Entscheidungen pro Monat mit jeweils 20.000 Kontext-Tokens – 40 Milliarden Eingabe-Tokens – kostet Snap 1.1 1.600 US-Dollar pro Monat oder etwas weniger als 20.000 US-Dollar pro Jahr. Ein einzelnes feinabgestimmtes 2,6B-Modell, das diesen Datenverkehr auf Hardware verarbeitet, die Sie bereits besitzen, hat keine Grenzkosten. Der Break-even-Punkt liegt etwa dort, wo die jährliche API-Rechnung die Engineering-Kosten für das Fine-Tuning plus die Hardware übersteigt, was für die meisten Teams ein bis zwei Jahre entfernt ist, nicht einen Monat.

Volle Kontrolle ist der dritte Punkt. Ein Modell, das Sie mit Ihren eigenen Labels trainiert haben, tut genau das, wofür Sie es trainiert haben, und nichts anderes. Snap 1.1 ist ein allgemeines Entscheidungsmodell mit einer Genauigkeit von 20 % im Artificial Analysis Decision Index v1.0 – sein Indexwert von 65 ergibt sich hauptsächlich daraus, dass es bei dem, was es nicht beantworten kann, auf eine Antwort verzichtet, bei einer berichteten Nicht-Halluzinationsrate von 86 %. Ein feinabgestimmtes 2,6B-Modell für Ihre Domäne wird diese Genauigkeit bei Ihrer Aufgabe häufig übertreffen und wird nie auf eine Antwort verzichten, es sei denn, Sie trainieren es darauf.

Wo Snap 1.1 eindeutig gewinnt

Die Zeit bis zur ersten Entscheidung wird in Minuten gemessen, nicht in Sprints. Es gibt keine Trainingsdaten zu sammeln, keinen Head zu fitten, keine Kalibrierungskurve zu zeichnen. Sie senden ein Dokument und eine Optionsliste und erhalten eine Wahrscheinlichkeit zurück, und die Wahrscheinlichkeit ist das Produkt.

Langer Kontext ist der zweite Unterschied, und er ist architektonisch bedingt und nicht beiläufig. Snap verarbeitet 384K Token in einem einzigen Forward-Pass bei konstantem Rechenaufwand pro Token. LFM2.5 2.6B Base hat ein 128K-Fenster, und als Modell mit 2,6 Milliarden Parametern wird seine effektive Retrieval-Reichweite deutlich kürzer sein als die nominale – Liquids eigenes Schwestermodell meldet einen AA-Omniscience-Score von −29,50; dieser misst, wie viel ein kleines Modell weiß, nicht, wie gut es liest, setzt aber Erwartungen.

Der dritte Punkt ist, dass die Ausgabe von Snap bereits genau das ist, was man braucht. Kein Parser, kein Schema, keine Retry-Logik für fehlerhafte Antworten.

Welches denn?

Kaufen Sie Snap 1.1, wenn es sich bei der Entscheidung um einen Routing- oder Klassifizierungsaufruf über lange Dokumente handelt, wenn die Daten Ihr Netzwerk verlassen dürfen und wenn Sie die Fähigkeit in diesem Quartal wollen. Der Do-it-yourself-Weg ist real, aber für die meisten Teams im ersten Jahr nicht günstiger, und der Basis-Checkpoint ist dafür der schwierigstmögliche Ausgangspunkt – normalerweise würden Sie vom nachtrainierten LFM2.5-2.6B ausgehen und von dort aus feinabstimmen, nicht von Base.

Nehmen Sie den Base-Checkpoint, wenn das Modell an einem Ort laufen soll, den das Netzwerk nicht erreicht, oder wenn Sie die Gewichte dauerhaft besitzen möchten und über die Engineering-Kapazität verfügen, das lohnend zu machen. In diesem Fall sollten Sie sowohl die Lizenzfrage als auch den Trainingslauf einplanen.

Keines davon ist in OrcaRouters Katalog und keines wird es sein: LFM2.5 2.6B Base ist ein lokaler Checkpoint, und Snap 1.1 wird ausschließlich über die API von Subquadratic unter console.subq.ai bereitgestellt. Was OrcaRouter in einer Pipeline um eines der beiden herum tut, ist die Ebene, die aus einer Entscheidung eine Aktion macht — über 200 Generierungsmodelle hinter einem Schlüssel, den Listenpreis des Anbieters ohne Aufschlag weitergegeben und automatisches Failover, damit ein Routing-Aufruf, der auf einem vorübergehend nicht verfügbaren Modell landet, nicht zu einer verlorenen Anfrage wird. Die Entscheidungsebene und die Schreibebene haben unterschiedliche Fehlermodi; es lohnt sich, sie nicht an dieselbe Abhängigkeit zu koppeln.

Interessant ist nicht die Benchmark-Zeile des einen oder anderen Modells. Entscheidend ist, ob ein auf wenigen tausend Domänenbeispielen feinabgestimmter Checkpoint mit 2,6 Milliarden Parametern bei der einen Aufgabe, die ein Team tatsächlich hat, mit einem eigens entwickelten Entscheidungsmodell mithalten kann. Bei enger, gut gelabelter Klassifikation lautete die Antwort historisch ja, und genau deshalb ist die Buy-versus-Build-Frage hier wirklich offen und nicht bloß rhetorisch.