HiRO-ACEv2 vs LFM2.5 2.6B Base: Ninguno de los dos es un producto, y no están sin terminar de la misma manera

Pon HiRO-ACEv2 y LFM2.5 2.6B Base uno al lado del otro y lo primero que notas es que ninguno es algo que un desarrollador pueda invocar. HiRO-ACEv2 es el emulador climático de segunda generación de Ai2, subido como un repositorio de Hugging Face de 10,9 GB el 12 de octubre de 2026 sin anuncio y con un preprint fechado al día siguiente; LFM2.5 2.6B Base es el checkpoint preentrenado de 2.690 millones de parámetros de Liquid AI, creado el 1 de agosto de 2026, descrito explícitamente por su propio proveedor como el checkpoint al que recurres solo cuando necesitas una adaptación sustancial. Ambos son materia prima. Ambos se pueden descargar hoy. Y las formas en que cada uno no es un producto terminado son casi opuestas, que es la única razón por la que vale la pena escribir esta comparación en lugar de descartarla.

El checkpoint Base está inacabado porque aún no se le ha enseñado a seguir instrucciones. HiRO-ACEv2 está inacabado en el sentido de que nunca será un modelo de propósito general: es una aplicación que llegó ya entrenada, ya especializada y ya envuelta en límites declarados. Uno es un sustrato esperando un propósito. El otro es un propósito sin sustrato para ninguna otra cosa.

Lo que realmente contiene cada repositorio

El repositorio Base de Liquid AI es un modelo. La ficha indica 2.690 millones de parámetros distribuidos en 30 capas —22 bloques de convolución corta con doble compuerta y 8 capas de atención con consultas agrupadas, una disposición híbrida sobre la que se construye la familia LFM2— con una ventana de contexto de 131.072 tokens, un vocabulario de 128.000 entradas, 34 billones de tokens de preentrenamiento y cobertura de 16 idiomas, entre ellos inglés, árabe, chino, francés, alemán, italiano, japonés, coreano, portugués, español, vietnamita, tailandés, indonesio, hindi, ruso y polaco. Es solo texto y no está ajustado para instrucciones. Los formatos de descarga abarcan desde el checkpoint nativo de Transformers hasta GGUF para llama.cpp, ONNX para despliegue multiplataforma y MLX para Apple silicon; la cuantización Q4_K_M ocupa alrededor de 1,67 GB.

El repositorio de Ai2 no es un modelo en ese sentido. Contiene dos checkpoints —HiROv2.ckpt de aproximadamente 1,28 GiB y ACE2S-X-SHiELD.ckpt de aproximadamente 2,98 GiB—, además de diez años de datos de forzamiento NetCDF de aproximadamente 609 MB por archivo, dos archivos de condiciones iniciales, tres configuraciones YAML y un script de shell. Los aproximadamente 4,3 GiB de pesos reales son una minoría de los 10,9 GB totales; la mayor parte de lo que se descarga es la ventana de datos de entrada que el framework fue creado para consumir. No hay cuantización, ni runtime alternativo, ni exportación a ONNX, ni una variante más pequeña. Hay una sola forma de ejecutarlo, y el README la describe: instala el paquete fme de Ai2, edita cuatro rutas en la configuración, ejecuta el script.

Dos tipos diferentes de problema de licencia

Las etiquetas de licencia son donde el contraste se vuelve práctico en lugar de filosófico, y donde este par realmente difiere de un modelo como las versiones Apache-2.0 que podrías esperar encontrar aquí.

• HiRO-ACEv2 — Apache 2.0, con las Directrices de Uso Responsable de Ai2 que vinculan a la concesión una intención de investigación y educativa, y con los datos de entrenamiento atribuidos a X-SHIELD, proporcionados por GFDL.

• LFM2.5 2.6B Base — la LFM Open License v1.0, no una licencia permisiva al estilo OSI. Sus términos están en el propio archivo LICENSE del repositorio, y las condiciones comerciales son la razón para leer ese archivo en lugar de la etiqueta antes de construir un producto sobre el checkpoint.

• Lo que eso significa para la bifurcación que estás a punto de hacer — con HiRO-ACEv2 la pregunta es si tu uso es de investigación; con LFM2.5 2.6B Base la pregunta es si tu uso es comercial, y a qué escala. Distintas preguntas, distintas respuestas, y ninguna se responde con la palabra "abierto".

Las formas de salida no tienen nada en común, y eso es lo útil.

El checkpoint Base produce texto. Token a token, de forma autorregresiva, con la superficie de muestreo habitual —la tarjeta sugiere temperatura 0.6 y top-p 0.95 para el estilo de generación del hermano post-entrenado, y un checkpoint base te pide que lo decidas tú mismo. Todo lo que viene después de él es una tarea de lenguaje: continuar un documento, clasificar un fragmento, traducir, emitir datos estructurados o servir como punto de partida para un ajuste fino que le enseñe un dominio o un idioma que actualmente no cubre bien.

HiRO-ACEv2 produce campos físicos en rejilla con una resolución de 3 km —tasas de precipitación en superficie promediadas cada seis horas, vientos instantáneos a 10 metros hacia el este y hacia el norte, y presión a nivel del mar— reducidos de escala a partir de una entrada de 100 km mediante un modelo de difusión, y el propio estado grueso es generado de forma autorregresiva por un emulador separado de X-SHIELD. Nada de ese pipeline es texto. La evaluación que importa es si la distribución de la salida coincide con una simulación de referencia hasta su cola lejana, y el artículo que respalda el lanzamiento trata exactamente de eso: los autores informan que siguen las distribuciones de referencia de precipitación y de viento cerca de la superficie hasta el percentil 99,9999, y que siguen en términos generales la distribución de intensidad de ciclones tropicales de referencia, con un costo de inferencia que, según se afirma, es más de 300 veces inferior al de un modelo numérico global convencional con resolución de tormentas.

Ambas son afirmaciones de proveedores o autores, no reproducidas. La diferencia está en lo que tendría que hacer quien intentara reproducirlas. Verificar una afirmación sobre el checkpoint Base implica una suite de tareas y el equivalente a un checkpoint en horas de GPU. Verificar una afirmación sobre HiRO-ACEv2 implica un conjunto de datos de forzamiento de diez años, una simulación de referencia con la que comparar, y un análisis distribucional en la cola lejana —por lo que es probable que la segunda afirmación se mantenga sin cuestionamientos durante bastante más tiempo.

Lo que realmente construirías sobre cada uno

El uso natural del checkpoint Base es la adaptación, y Liquid AI es inusualmente directo al respecto: asistentes específicos de idioma o dominio, entrenamiento con datos propietarios o prueba de nuevos métodos de postentrenamiento. Ese es un checkpoint cuyo valor llega después de tu trabajo, no antes. El hermano postentrenado —LFM2.5 2.6B, creado tres días antes, el 28 de julio— es el que está construido para cargas de trabajo agénticas, y las cifras de descargas lo dicen todo sobre cuál de los dos quería la comunidad: el modelo postentrenado había superado las 114.000 descargas y los 823 me gusta a mediados de octubre, frente a las 6.282 descargas y los 51 me gusta del Base. El Base es una herramienta de especialista y el mercado lo ha valorado en consecuencia.

El uso natural de HiRO-ACEv2 es ejecutar un ensamble. El atractivo del marco no radica en un único pronóstico, sino en muchos: la motivación del artículo es generar grandes ensambles de forma lo bastante económica como para estudiar el comportamiento y los extremos de los ciclones tropicales a 3 km, durante períodos de varias décadas y en regiones globales arbitrarias. No le haces ajuste fino, y la ficha del modelo no te invita a hacerlo. Lo ejecutas, y o confías en sus límites —nueve años de datos de entrenamiento, sin aplicabilidad fuera de 66° S a 70° N, artefactos en los límites de los parches por encima de la tesela de entrenamiento de 16×16 de un grado— o no.

Dicho de otro modo: uno de estos modelos es un punto de partida que modificas, y el otro es un instrumento que operas. Leerlos como «modelos abiertos» intercambiables porque ambos se pueden descargar es el error que esta página existe para evitar.

Lo único que tienen en común: ninguno es facturable por token

Donde los dos realmente convergen es en la estructura de costos. Ninguno tiene una lista de tarifas. LFM2.5 2.6B Base es gratis de descargar y barato de ejecutar precisamente porque es pequeño — un par de gigabytes en bf16 y, cuantizado, bastante menos de dos gigabytes, que es el objetivo principal del diseño de LFM2.5 y la razón por la que existe junto a un modelo hermano post-entrenado ajustado para trabajo en el dispositivo. HiRO-ACEv2 es barato por una razón diferente: es un emulador específico, y su economía proviene de reemplazar una simulación numérica enormemente costosa en lugar de caber en un teléfono.

Así que si tu carga de trabajo es texto, el checkpoint Base es una cuestión de ajuste fino, y la versión cotidiana de esa carga de trabajo —aquella en la que quieres que un modelo responda en lugar de entrenar un checkpoint— se parece a una llamada, no a una descarga. Esa es la capa en la que se sitúa OrcaRouter: una sola clave de API para más de doscientos modelos alojados, con el precio de lista del proveedor trasladado sin margen y con conmutación automática por error entre proveedores cuando uno se degrada. Ninguno de los modelos de esta comparación está en ese catálogo, y ninguno podría estarlo en su forma actual; LFM2.5 2.6B Base es un checkpoint en lugar de un servicio, y HiRO-ACEv2 no tiene ninguna interfaz orientada a solicitudes en absoluto. Lo que enrutamos es todo lo que los rodea: el resumen, la extracción, el código del arnés y el bucle del agente que convierte un artefacto descargado en una canalización.

Picking, en la práctica

Si tienes datos en un dominio o un idioma del que el modelo base no ha visto lo suficiente, y tienes la capacidad de cómputo para hacer post-entrenamiento, LFM2.5 2.6B Base es un punto de partida más barato que la mayoría de su competencia; lee el archivo de licencia antes de leer el benchmark que esperabas, porque en este checkpoint la licencia es el documento que decide si tu proyecto está permitido. Si quieres un modelo agéntico pequeño para ejecutarlo en un dispositivo, quieres la versión hermana post-entrenada en lugar del Base, y las cifras de descargas sugieren que la comunidad llegó a esa conclusión antes que tú. Si quieres un campo atmosférico de 3 km durante tres décadas de clima simulado, ninguno de estos es relevante y solo un archivo de este artículo lo es.

Lo útil que hay que sacar en claro es que «open weights» ha dejado de ser una categoría útil por sí sola. Un checkpoint base, un hermano post-entrenado y un emulador de investigación pueden llevar todos una etiqueta que suene permisiva y referirse con ella a tres cosas totalmente distintas.

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 el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.