Ling 3.0 Tiny vs LFM2.5-2.6B-Base: Dos tipos de gratis, y solo uno te responde hoy

Ambos modelos son gratis. Eso es casi lo único que tienen en común. Ling 3.0 Tiny, el modelo de razonamiento de mezcla de expertos de 7.9 mil millones de parámetros de Ant Group InclusionAI, es gratis porque alguien está ejecutando un servidor y apuntando una API hacia él: pegas una clave en un cliente y responde tu párrafo al instante, sin ejecución de entrenamiento, sin GPU. LFM2.5-2.6B-Base, el checkpoint de preentrenamiento de 2.69 mil millones de parámetros de Liquid AI, es gratis porque alguien publicó un archivo de pesos: 151 descargas en el último recuento, ningún proveedor de inferencia lo aloja en ninguna parte, y una tarjeta de modelo que recomienda la base «solo para tareas que requieren un ajuste fino intensivo». Uno es un producto con un medidor. El otro es materia prima. Esta comparación trata sobre qué tipo de gratis necesitas realmente, porque los dos modelos no funcionarán para la misma persona sin importar cuántos meses digan ambos «$0».

Los nombres hacen que la divergencia sea fácil de pasar por alto. Ambos se sitúan en la categoría de "modelo pequeño / diminuto" que se ha convertido en el estante más abarrotado de la IA en 2026. Ambos son solo de texto, ambos tienen contextos lo suficientemente grandes para un trabajo real, y ambos ejecutarán un modelo genuinamente útil con un presupuesto modesto. Pero están construidos con filosofías diferentes, pertenecen a partes diferentes y se alquilan o poseen a través de canales completamente diferentes. Antes de elegir uno, la pregunta más útil que puedes hacerte es: ¿necesitas respuestas o necesitas pesos?

Ling 3.0 Tiny, la API gratuita

Ling 3.0 Tiny se lanzó el 6 de agosto de 2026 con el clásico patrón de lanzamiento silencioso: una ficha comercial de API de InclusionAI, la división de modelos de Ant Group, en lugar de una conferencia magistral. La arquitectura es un modelo de mezcla de expertos con 7.900 millones de parámetros en total y aproximadamente 1.300 millones de activos por token: lo bastante pequeño para servirse a bajo costo, lo bastante grande para albergar capacidad de razonamiento real. Admite una ventana de contexto de 256K tokens (las fichas comerciales muestran 262K), hasta 32K tokens de salida, e incluye dos modos que puedes alternar por solicitud: un modo «Thinking» activado por defecto que gasta tokens adicionales en razonar, y un modo «Instant» que responde directamente. También se anuncian la llamada nativa a funciones y el almacenamiento en caché de prompts, lo cual es relevante para el trabajo con agentes.

El precio es donde hay que desentrañar lo de «gratis». Hoy el modelo se puede invocar de forma realmente gratuita: aparece listado como inclusionai/ling-3.0-tiny:free con una tarifa de $0 tanto para entrada como para salida, y un segundo gateway lo está ofreciendo como promoción gratuita bajo inclusionai/ling-3.0-tiny-free hasta las 8:00 a. m. (hora del Pacífico) del 14 de agosto de 2026. Después de esa promoción, se aplica la tarifa publicada por Vercel: $0.06 por millón de tokens de entrada, $0.18 por millón de tokens de salida y $0.01 por millón de tokens de entrada en caché. Ese es un precio real — aproximadamente un tercio del nivel GPT-5.6 Luna tras el recorte, para que te hagas una idea — pero no es el «gratis» en el que puedes confiar después de mediados de agosto. Quien construya sobre la suposición de que Ling 3.0 Tiny es permanentemente $0 está construyendo sobre una promoción que termina.

LFM2.5-2.6B-Base, los pesos libres

LFM2.5-2.6B-Base es el otro tipo, el totalmente gratuito. Es el checkpoint base preentrenado detrás de la familia LFM2.5-2.6B de Liquid AI, publicado en Hugging Face el 4 de agosto de 2026, la misma semana en que O​penAI redujo el precio de GPT-5.6 Luna en un 80%, lo que dice algo sobre por qué todo el mercado está saturado. La base es un modelo de 2.69 mil millones de parámetros en bfloat16 con una arquitectura híbrida: 22 bloques de convolución corta con doble compuerta más 8 capas de atención de consulta agrupada, un vocabulario de 128,000 tokens que cubre 16 idiomas y aproximadamente 34 billones de tokens de preentrenamiento, una ejecución de entrenamiento inusualmente larga para un modelo de este tamaño.

Además, según toda métrica disponible, es un modelo sin medir. El propio lanzamiento de Liquid le dio al hermano post-entrenado LFM2.5-2.6B la tabla de benchmarks y las 47,000 descargas de la primera semana, mientras que el checkpoint base recibió una mención entre paréntesis y 151 descargas. El modelo base tiene cero evaluaciones publicadas: ni MMLU, ni GPQA, ni perplejidad en ninguna de las plataformas de Liquid. Es solo texto. Su contexto es de 128K según el config.json del repositorio (la tarjeta anuncia 131,072, pero el config es lo que un script de entrenamiento realmente usa). Y ningún proveedor de inferencia lo aloja, así que la única forma de ver qué pueden hacer estos pesos es ajustarlos y servirlos tú mismo, que es exactamente lo que te dice la tarjeta del modelo. Se distribuye bajo la LFM Open License v1.0, que limita el uso comercial a $10 millones en ingresos anuales y traslada ese límite a obras derivadas como tu fine-tune.

El marcador honesto

Este enfrentamiento tiene la situación de evidencia más desequilibrada que verás entre dos modelos de 2026. Ling 3.0 Tiny tiene una puntuación independiente: Artificial Analysis le da un 23 en el Índice de Inteligencia, clasificado #6 de 56 modelos en su clase de tamaño, frente a una mediana de clase de 8 — muy por encima del promedio para un modelo tan pequeño. Ese índice es un compuesto de nueve evaluaciones, incluyendo Terminal-Bench 2.1, GPQA Diamond y Humanity's Last Exam, realizadas por un tercero en lugar de seleccionadas por el proveedor.

LFM2.5-2.6B-Base no tiene puntuación alguna. Los números agénticos que la gente cita para la familia — ToolSandbox 77.83, IFBench 59.17, Multi-IF 80.07, AIME25 51.87 — pertenecen al LFM2.5-2.6B post-entrenado, son reportados por el proveedor y son el resultado de un pipeline de post-entrenamiento de cuatro etapas que no está presente en el checkpoint base. Toma los pesos base y heredas el pre-entrenamiento — los idiomas, el conocimiento del mundo, la capacidad de contexto largo — y ninguna de las puntuaciones de seguimiento de instrucciones. El único número que lleva la base es 34T tokens de entrenamiento, que es un presupuesto, no un resultado. Nadie ha reportado aún qué se compró con ello.

Las seis dimensiones que los separan, una línea cada una:

• Precio — Ling 3.0 Tiny $0.06 / $0.18 por 1M después de la promoción gratuita (gratis hasta el 14 de agosto) vs LFM2.5-2.6B-Base $0 de descarga, más tu factura de entrenamiento, para siempre.

• Contexto — 256K tokens en Ling 3.0 Tiny frente a 128K en LFM2.5-2.6B-Base (config.json), una brecha de 2x.

• Parámetros — ~1.3B activos de 7.9B totales MoE frente a 2.69B densos; ambos solo texto.

• Puntuación independiente — Ling 3.0 Tiny AA Intelligence Index 23 (#6/56) vs LFM2.5-2.6B-Base cero evaluaciones publicadas.

• Modos — Ling 3.0 Tiny Thinking/Instant switch, llamada de funciones, caché de prompts vs LFM2.5-2.6B-Base, nada hasta que lo post-entrenes.

• Servido — Ling 3.0 Tiny en vivo en sus propios endpoints comerciales hoy vs LFM2.5-2.6B-Base no alojado por ningún proveedor de inferencia en ningún lugar.

La asimetría es el punto: puedes someter Ling 3.0 Tiny a una prueba A/B contra tus propios prompts esta misma tarde por una miseria, y los números que obtienes son comprobables. El checkpoint base es una apuesta a tu propia habilidad de fine-tuning sin validación externa disponible aún.

El costo de "gratis": una respuesta medida frente a un medidor que se detiene

El medidor de Ling 3.0 Tiny nunca se detiene una vez que termina la promoción. Cada token de entrada y salida se factura a la tarifa indicada, para siempre, sin importar la concurrencia con la que ejecutes. También hay un costo oculto: Artificial Analysis midió que el modelo generó 210 millones de tokens de salida al evaluar su clase de 56 modelos —frente a una mediana de 63 millones— y lo marca como «muy verboso». Un modelo de razonamiento que quema tokens de salida adicionales pensando tiene un costo efectivo por tarea más alto de lo que sugiere la tarifa, y la verbosidad erosiona parcialmente la ventaja de precio. El precio de hoy gratis más la medición verbosa de mañana es un verdadero intercambio económico, no un error de redondeo.

El "gratis" del checkpoint base es una contabilidad diferente: no cuesta nada descargarlo, pero luego te cuesta datos, una ejecución de entrenamiento y hardware. Un conjunto de ajuste fino supervisado de 100 000 ejemplos cuesta del orden de diez dólares en tokens para generar; un conjunto de 1 000 000 de ejemplos se acerca a los cien. El propio ajuste fino — un modelo de 2.6B es una ejecución corta en una sola GPU — son horas de tiempo de máquina más tus horas de ingeniería. Para servirlo necesitas un dispositivo; Liquid reporta que la familia alcanza aproximadamente 220 tokens/segundo de decodificación en un Apple M5 Max y 113 en un Ryzen AI Max+ 395, medido por el proveedor en el modelo hermano post-entrenado, y el base no tiene cifras de velocidad propias. En la práctica, eso significa una laptop que ya tienes o una máquina nueva desde unos $1,500.

La diferencia decisiva es la misma que este blog utilizó para enmarcar LFM2.5-2.6B-Base frente a un GPT-5.6 Luna con precio revisado: un medidor nunca se detiene, el otro se detiene el día que termina el entrenamiento. Ling 3.0 Tiny cobra por token a cualquier concurrencia que tengas, para siempre. El token marginal de la base es gratuito después de la ejecución de entrenamiento, a cualquier concurrencia, para tantos agentes concurrentes como puedas alimentar. Ese es el único régimen donde un 2.6B realmente supera en costo a una API medida: cargas de trabajo de alto volumen, alta concurrencia y siempre activas.

¿Quién debería elegir cuál?

Elige Ling 3.0 Tiny si…

Necesitas un modelo funcional esta semana: un modelo de razonamiento de texto capaz que puedas llamar a través de un endpoint compatible con OpenAI, con un contexto de 256K, llamada a herramientas y una puntuación independiente que puedas consultar. El período gratuito te da una ventana real para evaluarlo con tu propia carga de trabajo antes de pagar nada, e incluso después de la promoción, la tarifa de $0.06 / $0.18 es agresiva para un modelo con una puntuación de inteligencia medida por encima de su clase. Estás alquilando inteligencia con un medidor, y te sientes cómodo con eso.

Elige LFM2.5-2.6B-Base si…

Estás construyendo un modelo en lugar de alquilar uno: un idioma o dominio que los modelos comerciales no atienden bien, un sector regulado donde los datos no pueden salir del dispositivo, investigación de post-entrenamiento, o un estudiante de destilación. Tu carga de trabajo tiene la concurrencia suficientemente alta como para que el coste marginal cero supere a una facturación por uso, y te sientes cómodo bajo el límite de ingresos de la licencia. También deberías ser honesto contigo mismo sobre los riesgos: sin evaluaciones publicadas, sin ruta de implementación, y un ajuste fino que tendrás que depurar sin un punto de referencia al que apuntar.

El híbrido honesto — y dónde encaja un router

La forma más útil de leer este emparejamiento es como dos mitades de un mismo sistema, no como dos rivales. El verdadero prerrequisito del checkpoint base son los datos: la propia receta de post-entrenamiento de Liquid se basa en la especialización del maestro y la destilación on-policy, lo que significa que hacer útil la base comienza con un trabajo de generación de datos con múltiples modelos antes de convertirse en un trabajo de entrenamiento. Ahí es exactamente donde un modelo API barato y capaz como Ling 3.0 Tiny — o, con mayor calidad, cualquiera de los niveles de texto de OrcaRouter — se gana su lugar como maestro de un pequeño alumno local. Aprovecha la ventana gratuita mientras dure, genera el corpus de fine-tuning y luego entrena la base para convertirla en algo que te pertenezca.

En el lado de la API, una advertencia honesta antes de decir nada sobre nuestro propio producto: ni Ling 3.0 Tiny ni LFM2.5-2.6B-Base están en OrcaRouter. Ling 3.0 Tiny se sirve a través de sus propios endpoints comerciales, y el checkpoint base no está alojado por nadie. Lo que OrcaRouter hace de manera útil es transportar los modelos maestros y el tráfico de API que los rodea: Qwen 3.7 Flash a $0.03 / $0.13 por 1M, Gemini 3.5 Flash-Lite a $0.30 / $2.50, y más de 200 más detrás de una sola clave con un margen del 0%, de modo que el precio de lista del proveedor es lo que pagas y un recorte de precio del proveedor se aplica el mismo día. Para una ejecución de generación de datos que no debe morir a mitad de camino, la conmutación automática por error entre proveedores importa más que la elección del modelo. Pero no alojamos ninguno de los dos modelos de los que trata este artículo, y no vamos a fingir lo contrario.

Veredicto

No es tanto una competición entre dos modelos baratos como una bifurcación entre dos formas de gastar tu dinero. Si necesitas respuestas —capaces, verificables, alquilables—, Ling 3.0 Tiny está disponible hoy, gratis durante la próxima semana, puntuado de forma independiente por encima de su clase y con un precio asequible tras la promoción. Si quieres poseer el modelo —fuera de línea, privado, coste marginal cero, ajustado para convertirlo en algo tuyo—, LFM2.5-2.6B-Base es uno de los pocos checkpoints de 2.6B genuinamente no medidos, con 34T tokens de preentrenamiento detrás, y estarás entre las primeras personas en descubrir lo bueno que es. Ambos son gratuitos. Son gratuitos en diferentes monedas: Ling 3.0 Tiny te cuesta un medidor, y LFM2.5-2.6B-Base te cuesta una sesión de entrenamiento.