ZwZ2-9B vs. LFM2.5 2.6B Base: Ein Kategorienfehler, der es wert ist, verstanden zu werden

Stellt man ZwZ2-9B neben LFM2.5 2.6B Base, sieht das aus wie ein Größenvergleich, und ist keiner. ZwZ2-9B ist ein Vision-Language-Checkpoint mit 9,41 Milliarden Parametern, den inclusionAI am 16. Oktober 2026 ohne Model Card veröffentlichte; LFM2.5 2.6B Base ist ein vortrainiertes, rein textbasiertes Modell mit 2,697 Milliarden Parametern, das Liquid AI am 1. August 2026 veröffentlichte, mit einer Model Card, die mit eigenen Worten sagt, es sei der Checkpoint, der „zur Erstellung aller LFM2.5-2.6B-Varianten verwendet wurde“. Das eine ist etwas, das man übernimmt. Das andere ist etwas, auf dem man aufbaut. Zwischen ihnen zu wählen ist nicht wie die Wahl zwischen zwei Autos – es ist wie die Wahl zwischen einem Auto und einem Motorblock, und die einzig nützliche Frage ist, welches von beidem man tatsächlich gebraucht hat.

Dieser Beitrag tut also zwei Dinge. Er liefert Ihnen die echten Zahlen zu beidem, denn Sie sind hierhergekommen, um einen Vergleich zu finden, und diese Zahlen sollten Sie kennen. Und dann erklärt er den Unterschied, den der Vergleich verdeckt, denn wenn man das falsch macht, sitzen Teams schnell drei Wochen in einem Fine-Tuning fest, das sie nicht gebraucht hätten, oder sie betreiben ein 9.4B-Servermodell für eine Aufgabe, die ein 3B-Laptopmodell erledigt hätte.

Was jedes dieser Artefakte tatsächlich ist

LFM2.5 2.6B Base ist bewusst unfertig. Es ist der vorab trainierte Checkpoint an der Wurzel der LFM2.5-2.6B-Familie von Liquid AI – 30 Schichten, die sich zwischen doppelt gegateten Kurzkonvolutionsblöcken und Grouped-Query-Attention abwechseln, 34 Billionen Token Vorabtraining, ein Vokabular mit 128.000 Token und eine Obergrenze von 128.000 Positionen. Es ist rein textbasiert. Es ist für den Einsatz auf dem Gerät konzipiert, so formuliert es Liquid AI in der Model Card, und der ganze Sinn des Suffixes „Base“ ist, dass die nachtrainierte Konversationsvariante und die agentische Variante separate Downloads sind, die davon abgeleitet wurden. Sie sollen es feinabstimmen oder Wissen in es destillieren. Von Haus aus ist es kein Assistent.

ZwZ2-9B ist ein Objekt der entgegengesetzten Art. Es ist ein fertig geformter Checkpoint, der nicht beschrieben wurde. Seine Konfiguration umfasst einen 27-schichtigen Vision-Tower, Bild- und Video-Token-IDs, einen Videoprozessor, der auf 768 Frames begrenzt ist, eine Chat-Vorlage mit einem fest eingebauten Standard-System-Prompt und 24 seiner 32 Schichten, die lineare Attention statt eines wachsenden Key-Value-Caches nutzen. Das ist ein Deployment-Ziel, kein Trainingssubstrat. Es fehlt alles, was ein Käufer verlangen würde: kein Lizenzfeld, keine Evaluierungsergebnisse, keine Angabe darüber, womit es trainiert wurde, und kein Eintrag in irgendeiner der zehn öffentlichen Sammlungen von inclusionAI.

• Parameter — ZwZ2-9B: 9.409.813.744. LFM2.5 2.6B Base: 2,697 Milliarden.

• Zweck — ein auf den Einsatz ausgerichteter multimodaler Checkpoint vs. eine vortrainierte Basis für das Fine-Tuning.

• Modalitäten in — Text, Bild und Video vs. nur Text.

• Kontext-Obergrenze — 262.144 Positionen vs. 128.000 (Liquid AIs Datenblatt rundet dies auf 131.072 auf).

• Wortschatz — 248.320 vs. 128.000.

• Attention-Design — 24 lineare Schichten plus 8 Full-Attention-Schichten gegenüber 22 Faltungsschichten plus 8 Attention-Schichten.

• Lizenz — keine angegeben im Vergleich zur LFM Open License v1.0, einer eigenen Lizenz statt Apache-2.0.

• Dokumentation — keine vs. eine Modellkarte, ein technischer Bericht und ein angegebenes Trainingsbudget.

Zwei Zeilen dort sind interessanter, als sie aussehen. Beide Modelle landen bei genau 8 Attention-Layern, und beide füllen den Rest mit etwas Günstigerem — ZwZ2-9B mit rekurrenter linearer Attention, LFM2.5 2.6B Base mit kurzen Faltungen. Diese Konvergenz ist kein Zufall; sie ist das, was „effiziente Architektur“ in den letzten zwei Jahren bedeutet hat, erreicht aus entgegengesetzten Richtungen und in entgegengesetzten Größenordnungen. Und die Kontextobergrenzen sind kein Wettkampf: 262.144 gegen 128.000 sagt fast nichts, weil das 2.7B-Modell dafür gebaut wurde, auf einem Laptop zu laufen, wo ein Viertelmillion-Token-Cache kein realistischer Working Set ist.

Das Wort „Base" ist die ganze Entscheidung

Wenn du aus dieser Kombination nur eine Sache mitnimmst, dann diese. Ein Basis-Checkpoint hat kein Instruction-Following, keine Chat-Formatierung, auf die man sich verlassen kann, und kein Safety-Tuning – und das ist ein Feature, wenn du ein Domänenmodell baust, denn es bedeutet, dass du nicht gegen das Alignment von jemand anderem ankämpfst, wenn du deines trainierst. Es ist ein Mangel, wenn du einen Assistenten wolltest, denn du wirst deine ersten zwei Wochen damit verbringen, wiederzuentdecken, dass vortrainierte Modelle Text vervollständigen, statt Fragen zu beantworten.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

Die Deployment-Mathematik, in der der eigentliche Unterschied liegt

Ein 2,697B-Textmodell und ein 9,41B-Vision-Modell sind auf derselben Hardware keine Alternativen. Die LFM2.5-Basis ist für Telefone, Laptops und Einplatinenrechner gebaut; Liquid AIs Framing ist On-Device-Inferenz, und ein auf vier Bits quantisierter 2,7B-Checkpoint ist ein paar Gigabyte groß. ZwZ2-9B behält einen 27-schichtigen Vision-Tower neben 32 Sprachschichten und ungefähr 2 GB Embedding-Matrix in jeder Richtung – allein das Vokabular ist eine 248.320-mal-4.096-Tabelle –, also gehört es auf einen Server oder zumindest auf einen Desktop mit einem echten Beschleuniger.

Deshalb ist die ehrliche Architektur für die meisten Teams nicht "wähle eines". Es sind zwei Ebenen. Setzen Sie das kleine dokumentierte Modell dort ein, wo Latenz und Datenschutz wichtig sind und die Aufgabe eng gefasst ist, und leiten Sie die schwierigen Fälle an ein gehostetes Modell weiter, bei dem die variablen Kosten nur dann anfallen, wenn der schwierige Fall auftritt. Diese Aufteilung richtig hinzubekommen ist wertvoller als jede einzelne Modellwahl auf dieser Seite, und es ist auch das, was später am schwersten zu ändern ist, weil es das ist, was Ihren Code berührt.

Genau das ist der Sinn eines Routers: alles hinter einer einzigen Schnittstelle abzuwickeln. OrcaRouter stellt über einen einzigen OpenAI-kompatiblen Endpoint und einen einzigen API-Schlüssel mehr als 200 Modelle bereit, mit automatischem Failover, sodass die günstige und die teure Stufe nur einen Modell-String voneinander entfernt sind, statt zwei Integrationen zu erfordern — und die Listenpreise der Anbieter mit 0 % Aufschlag weitergegeben werden, sodass der Betrieb der teuren Stufe genauso viel kostet wie überall sonst. Wir hosten LFM2.5 2.6B Base nicht und wir hosten ZwZ2-9B nicht, daher können wir bei keinem von beiden für Sie eine Entscheidung treffen — Liquid AI vertreibt seine eigenen Gewichte über die eigenen Kanäle des Anbieters, und inclusionAI hat überhaupt keinen Endpoint veröffentlicht. Was wir heute auf der gehosteten Seite dieser Aufteilung anbieten können, ist qwen/qwen3-vl-8b-instruct, ein 8B-Vision-Language-Modell mit einem 131K-Token-Kontext zu 0,18 $ pro Million Eingabe-Token und 0,70 $ pro Million Ausgabe-Token, was die nächstliegende dokumentierte Alternative für die kleine multimodale Stufe ist.

Bei der Lizenzierung gehen diese beiden am stärksten auseinander.

Keine der beiden Lizenzen ist Apache-2.0, und die Gründe dafür sind auf eine Weise unterschiedlich, die relevant ist. LFM2.5 2.6B Base wird unter der LFM Open License v1.0 vertrieben, einer individuellen Lizenz – sie ist veröffentlicht, sie ist lesbar, und es ist dieselbe Lizenz, die der Rest der Familie verwendet, was bedeutet, dass eine einmal durchgeführte rechtliche Prüfung jedes LFM2.5-Modell abdeckt, mit dem Sie zu tun haben. ZwZ2-9B gibt nichts an. Eine fehlende Lizenz ist keine permissive Lizenz; ohne ausdrückliche Rechteeinräumung ist die konservative Auslegung, dass keine Rechte eingeräumt wurden, und das ist eine wesentlich schlechtere Position als eine individuelle Lizenz, die Sie lesen und bewerten können.

Bei einem Basis-Checkpoint, den Sie feinabstimmen und möglicherweise weiterverbreiten möchten, ist dies keine Fußnote. Bedingungen zu abgeleiteten Werken sind genau die Klausel, zu der maßgeschneiderte Lizenzen tendenziell eine Meinung haben, und das völlige Fehlen einer Klausel fällt nicht zu Ihren Gunsten aus.

Wie man wählt, einfach gesagt

Wählen Sie LFM2.5 2.6B Base, wenn Sie eine eng gefasste Textaufgabe, ein Zielgerät und die Lust haben, Ihr eigenes Training durchzuführen – und akzeptieren Sie, dass Sie derjenige sind, der die Anweisungsbefolgung liefert. Sein dokumentiertes Trainingsbudget und die angegebene Lizenz bedeuten, dass Sie wissen, wovon Sie ausgehen.

Wählen Sie ZwZ2-9B, wenn Sie Bilder oder Videos in der Eingabe benötigen, über die GPUs verfügen, um ein 9,4B-Modell zu betreiben, und bereit sind, die erste Organisation auf Erden zu sein, die es evaluiert. Der letzte Satzteil ist nicht rhetorisch gemeint. Bevor Sie sich festlegen, sind die zu beantwortenden Fragen, ob es Ihre Bildformate akzeptiert, ob es die von Ihnen benötigte Ausgabeform bei deaktiviertem Denken zurückgibt und unter welcher Lizenz Sie tatsächlich arbeiten würden. Zwei dieser drei Fragen werden im Repository beantwortet. Die dritte nicht.

Benchmarks veralten und Preise bewegen sich; die Fehlerhistorie nicht: Die dokumentierten KI-Vorfälle und Agentenfehler hinter Modellen dieser Klasse sind gesammelt im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und eine Kennzeichnung als umstritten enthält.