Beam 1.0 vs LFM2.5 2.6B Base: un sustrato inacabado y un gigante terminado

Se está comparando un modelo al que no se le ha enseñado a responder preguntas con un modelo al que se le ha enseñado a planificar. LFM2.5 2.6B Base es el checkpoint preentrenado de 2,698 mil millones de parámetros de Liquid AI, publicado el 4 de agosto de 2026 bajo la Licencia Abierta LFM v1.0 y descrito explícitamente como la base para el ajuste fino: es solo texto, tiene 30 capas de convolución híbrida y atención de consultas agrupadas, y no ha recibido entrenamiento posterior. Reflection Beam 1.0 es un modelo de mezcla de expertos dispersa con 501,3 mil millones de parámetros totales y 23,4 mil millones activos, entrenado posteriormente mediante etapas supervisadas y de refuerzo y publicado como pesos descargables el 16 de octubre de 2026 bajo Apache 2.0, tras su anuncio del 5 de octubre de 2026. La diferencia de tamaño es de 185 a uno. La brecha que realmente decide la comparación no es el tamaño, sino que uno de estos es un sustrato en bruto al que diriges una ejecución de entrenamiento, y el otro es un producto que sirves.

Ambos están en Hugging Face. Ambos se pueden descargar hoy mismo. Ambos esperan que aportes tu propio hardware. Ese es todo el solapamiento, y leerlos el uno contra el otro es una forma útil de ver lo diferente que el ecosistema de pesos abiertos etiqueta dos cosas que archiva bajo la misma etiqueta.

Los dos lanzamientos, descritos tal como los describen sus editores.

LFM2.5 2.6B Base recibe el nombre completo LFM2.5-2.6B-Base. Su ficha indica 2698 millones de parámetros totales, 30 capas de las cuales 22 son bloques de convolución corta con doble compuerta y ocho son atención de consulta agrupada, un presupuesto de entrenamiento de 34 billones de tokens, un vocabulario de 128.000 tokens y una longitud de contexto de 131.072 tokens. Cubre 16 idiomas. Es uno de un par: Liquid AI también publica LFM2.5-2.6B, entrenado posteriormente para cargas de trabajo agénticas, y este es el checkpoint sin procesar del que desciende cada variante de la familia. La propia ficha describe el modelo base como el checkpoint preentrenado solo de texto utilizado para crear todas las demás variantes. Ya existen dieciséis derivados ajustados bajo él en el Hub.

Beam 1.0 es la disposición opuesta. Reflection se distribuye con 501,3 mil millones de parámetros totales y 23,4 mil millones activos por token en 52 capas — tres densas y 49 de mezcla de expertos, 256 expertos enrutados de ocho en ocho en esta configuración. La ventana de contexto es de 1.000.000 de tokens. La modalidad es solo texto, y la ficha lo dice sin ambages. Llega en tres precisiones, BF16, FP8 y NVFP4, más un borrador de decodificación especulativa DFlash2 de 2B. Su plantilla de chat ejecuta un formato Harmony modificado con canales de análisis y final, y un ajuste de esfuerzo de razonamiento con seis niveles con nombre. Sus cuatro repositorios se publicaron el mismo día, el 16 de octubre de 2026, y Artificial Analysis registró el lanzamiento en su página de modelo como el 16 de octubre de 2026.

Lee de nuevo esos dos párrafos y la forma de la cosa aparece. Liquid AI publicó un componente. Reflection publicó un sistema terminado con un formato de cable y un dial de esfuerzo. A ambos se los llama "abiertos", y la palabra está haciendo dos trabajos distintos.

La licencia es el punto en que ambos se parecen menos

Esta es la comparación que no puedes obtener de un recuento de parámetros, y es la que tiene la consecuencia más práctica.

Beam 1.0 es Apache 2.0. Se trata de una licencia permisiva estándar, sin límites de usuarios, sin umbral de usuarios activos mensuales y sin nivel comercial aparte. Descárgalo, ajústalo, redistribuye la versión derivada, vende el resultado. La ficha también incluye una Responsible Use Guide y un informe técnico de seguridad independiente, que son documentos de políticas y no restricciones de la licencia: rigen el uso aceptable, no los pesos.

LFM2.5 2.6B Base no lo es. El Hub lo etiqueta como license:other y nombra la licencia como LFM Open License v1.0. La diferencia práctica no es que una sea permisiva y la otra no —la licencia de Liquid AI está escrita para uso abierto—, sino que las dos licencias tienen que leerse de forma diferente, y solo una de ellas puede resumirse en una frase. Si tu plan implica redistribuir una obra derivada con fines comerciales, el lado de Apache 2.0 de esta página no requiere análisis. El lado de LFM requiere que leas la licencia, porque una licencia personalizada es, por definición, un documento que alguien escribió a propósito.

Esa asimetría va en la dirección opuesta en el otro eje. El checkpoint de Liquid AI es un modelo de texto denso de 2698 millones de parámetros, lo que significa que la cuestión de la licencia está ligada a algo que puedes poner en una sola GPU de consumo o en un dispositivo de borde. La concesión Apache 2.0 de Reflection está ligada a un modelo de 501 mil millones de parámetros cuyos pesos en bfloat16 ascienden a aproximadamente un terabyte y cuya variante de cuatro bits todavía figura con 255B. Una licencia permisiva sobre un modelo que no puedes alojar es un tipo distinto de libertad que una licencia personalizada sobre un modelo que sí puedes.

Lo que el modelo base puede y no puede hacer

Un artículo sobre un checkpoint base tiene que decir esto sin rodeos, porque es la forma más común en que la gente desperdicia una tarde. LFM2.5 2.6B Base no ha sido ajustado con instrucciones. Continuará tu texto. No responderá tu pregunta, ni seguirá tu formato, ni llamará a tu herramienta, ni se detendrá cuando tú quieras que lo haga. Es un punto de partida cuyo comportamiento será el que tú le entrenes, y Liquid AI lo dice en la descripción del modelo en lugar de dejar que se descubra.

Eso no es un defecto y no es una versión más pequeña de Beam 1.0. La ejecución de preentrenamiento de 34 billones de tokens y la arquitectura híbrida de 30 capas son el producto; la falta de alineación es el punto, porque la alineación es específica de cada tarea y el laboratorio que publica un modelo base está entregando deliberadamente esa decisión a quien sea el dueño de la tarea. Dieciséis derivados en el Hub: así se ve el acuerdo en la práctica.

La consecuencia para la evaluación es que no hay una tabla de benchmarks con la que comparar. La ficha de Beam 1.0 sí incluye una completa —SWE-bench Verified 81,6 % en BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, todas reportadas por el proveedor y ninguna reproducida por un tercero— porque es un modelo post-entrenado creado para cargas de trabajo específicas, y esa es la evidencia que pide su comprador. LFM2.5 2.6B Base no tiene ninguna, por diseño. No hay nada que puntuar: la calidad del checkpoint es lo que tu ajuste fino haga de él, y el punto de comparación honesto es una ejecución de entrenamiento, no una fila de una tabla de clasificación.

Adónde va el dinero

Ninguno de estos dos figura en el catálogo de OrcaRouter. Lo que sí enrutamos es el mundo servido que los rodea: más de 200 modelos detrás de una única clave compatible con OpenAI, con el precio de lista del proveedor trasladado con un 0 % de margen, con conmutación por error automática entre proveedores, de modo que una ruta que se degrada se redirige en lugar de fallar. Vale la pena mencionarlo aquí por una razón concreta, porque los dos modelos de esta página se sitúan en extremos opuestos de la misma cuestión de adquisición.

LFM2.5 2.6B Base no cuesta nada descargarlo y lo cuesta todo operarlo, en el sentido de que el costo es una ejecución de entrenamiento y un dispositivo. Beam 1.0 no cuesta nada descargarlo y lo cuesta todo operarlo, en el sentido de que el costo es servir un MoE de 501B y, en el momento de escribir esto, Reflection no publica ninguna tarifa de API. Artificial Analysis registra los campos de precio en la página de Beam como no disponibles y señala que no hay ninguna API disponible públicamente. Doce días después del anuncio, el modelo con la tabla comparativa de 501 mil millones de parámetros sigue sin tener ninguna cifra que un equipo de finanzas pueda usar.

Para un lector cuyo requisito real es la inferencia esta semana sobre una carga de trabajo para la que ninguno de los dos modelos está diseñado —un resumidor, un clasificador, una interfaz de chat—, la decisión no está entre estos dos. Está entre ajustar tú mismo 2.698 mil millones de parámetros y alquilar algo que ya está alineado y tiene un precio, y la segunda opción es la que puedes medir antes de comprometerte.

¿Cuál de ellos estás buscando realmente?

Elige LFM2.5 2.6B Base si tu problema es más concreto que el de un asistente general. La razón para elegir un checkpoint base pequeño es que tienes una tarea, tienes datos y prefieres ser dueño del artefacto en lugar de alquilar una llamada. El contexto de 131.072 tokens es generoso para el tamaño, la cobertura de 16 idiomas es real, la pila de convolución híbrida está pensada para el rendimiento en el dispositivo, y la licencia te permite distribuir lo que construyas. Lo que aceptas asumir es la canalización de ajuste fino, el arnés de evaluación y las decisiones de alineación — nada de lo cual proporciona el checkpoint.

Elige Beam 1.0 si tu tarea es una de las que nombra su ficha: programación, uso de herramientas, razonamiento a escala de repositorio, ejecución agéntica de horizonte largo. La tabla de evaluación apunta directamente a ese trabajo, el contexto de 1M de tokens encaja con él, las versiones FP8 y NVFP4 hacen que la conversación sobre hardware sea más manejable de lo que sugiere 501B, y la licencia Apache 2.0 despeja la vía para un derivado comercial. A lo que te estás apuntando es a infraestructura de servicio, un presupuesto de razonamiento siempre activo que la plantilla no te permitirá desactivar, y una estimación de costes que tendrás que elaborar por tu cuenta porque el proveedor no ha publicado ninguna.

Los dos modelos no compiten entre sí, y la comparación merece hacerse precisamente porque muestra lo poco que «open weights» te dice por sí solo. Un publicador entregó un componente y un presupuesto de entrenamiento; el otro entregó un sistema con un protocolo de comunicación y una licencia que puedes pegar en una revisión legal. Averiguar cuál te ofrecieron antes de descargarlo es la mayor parte del trabajo.

¿Qué cambiaría el panorama?

Un precio publicado de la API de Beam 1.0, o un despliegue FP8 alojado con tarifario, movería ese modelo de la columna «crear una estimación» a la columna «comparar las cifras», y es la única fila que falta en su documentación. Un benchmark independiente sobre los pesos de Beam —ahora posible, ya que son públicos— le daría a la tabla de proveedores un árbitro, algo que LFM2.5 2.6B Base nunca puede tener porque todavía no hay nada que puntuar. Hasta que llegue uno de esos elementos, el resumen preciso es que un checkpoint base de 2,7 mil millones de parámetros y un MoE post-entrenado de 501 mil millones de parámetros son ambos gratuitos de descargar, ambos costosos de operar en monedas completamente distintas, y ninguno es sustituto del otro.

Comparaciones como esta son también donde se manifiestan los modos de fallo: los incidentes de IA documentados y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.