MiniCPM5-2B-DSpark vs LFM2.5-2.6B-Base: Uno es un ingrediente para servir, uno es un ingrediente para entrenar.

Dos de los lanzamientos de modelos pequeños más interesantes del verano tardío de 2026 tienen esto en común: ninguno funciona directamente al sacarlo de la caja, y ambos proveedores lo dicen en las primeras frases de sus fichas. MiniCPM5-2B-DSpark es el checkpoint de borrador DSpark que OpenBMB publicó silenciosamente en Hugging Face el 6 de septiembre de 2026 — un compañero de 323,8 M de parámetros de MiniCPM5-2B, el modelo denso de 2,52 B para dispositivos locales que ModelBest anunció en la WAIC el 19 de julio de 2026 — y no hace nada hasta que lo cargas junto a ese objetivo en un motor de decodificación especulativa. LFM2.5-2.6B-Base es el checkpoint de texto preentrenado de Liquid AI, en Hugging Face desde el 1 de agosto de 2026, cuya propia ficha de Liquid califica como "el checkpoint de texto preentrenado", recomendado solo para tareas que requieren un ajuste fino intensivo. Uno es un ingrediente para servir un modelo terminado más rápido; el otro es un ingrediente para entrenar tu propio modelo desde cero. Están en estanterías distintas, y el error del constructor sería alcanzar la equivocada.

Lo que hace que valga la pena compararlos es que ambos apuntan al mismo hardware y a la misma ambición para 2026 —IA capaz en teléfonos, portátiles y dispositivos de borde— desde extremos opuestos del proceso de construcción. Si quieres un modelo en el dispositivo listo para implementar y además una aceleración gratuita, la pila de OpenBMB te lo entrega todo en abierto. Si quieres encargarte tú mismo del postentrenamiento, Liquid te entrega el sustrato y el trabajo. Este artículo trata sobre qué capa estás comprando en realidad.

Dos tarjetas que dicen «no para uso directo» en diferentes dialectos

Lee las dos fichas de modelo lado a lado y la pista está en el lenguaje de emparejamiento. La ficha de MiniCPM5-2B-DSpark está escrita enteramente en términos de otro modelo: un objetivo, un tokenizador que comparte, capas de borrador, longitudes de aceptación, un comando de lanzamiento de SGLang que acepta una ruta de objetivo y una ruta de borrador. El borrador no tiene identidad propia: cinco capas de atención completa, 323.776.001 parámetros, un tamaño de bloque de siete, entrenado durante seis épocas con 7050 millones de tokens de respuestas generadas por MiniCPM5-2B, y publicado bajo Apache-2.0 con las cabezas de confianza y de Markov del método DSpark (arXiv 2607.05147) habilitadas. Su propósito es el rendimiento: proponer hasta siete tokens, hacer que el objetivo de 2.52B verifique el bloque en una sola pasada y quedarse con lo que acepta.

La tarjeta openbmb/MiniCPM5-2B-DSpark de arriba es toda la superficie pública del lanzamiento: un accesorio de servicio sin anuncio adjunto, que reporta la longitud de aceptación pero sin aceleración de extremo a extremo.

La ficha técnica de LFM2.5-2.6B-Base está redactada en términos de un modelo que aún no existe: el tuyo. El híbrido de 2.69B combina ocho capas de atención por consulta agrupada con veintidós bloques de convolución corta de doble compuerta — la arquitectura de Liquid para despliegue en dispositivos — entrenado con aproximadamente 34 billones de tokens en 16 idiomas y un contexto de 128K. Es solo de texto, no tiene ajuste por instrucciones y no publica ningún benchmark propio, porque un modelo base preentrenado no se evalúa; los productos ajustados que derivan de él son los que se evalúan. Su función es ser preentrenado de forma continua o ajustado con SFT sobre tus datos; tras ello, cualquier cosa que distribuyas hereda sus términos de licencia.

La ficha de LiquidAI/LFM2.5-2.6B-Base que aparece arriba muestra la tabla de la familia — el modelo base frente al modelo agéntico LFM2.5-2.6B post-entrenado — y la nota del «punto de control preentrenado solo de texto» que define la base como materia prima.

Los repos, dimensión por dimensión

• Rol — MiniCPM5-2B-DSpark: acelera un objetivo existente y ya terminado. LFM2.5-2.6B-Base: el sustrato que post-entrenas para convertirlo en un modelo terminado.

• Parámetros — MiniCPM5-2B-DSpark: 324M de borrador para un objetivo denso de 2.52B. LFM2.5-2.6B-Base: 2.69B híbrido (atención + bloques de convolución corta).

• Contexto — MiniCPM5-2B objetivo: 128K nativo. LFM2.5-2.6B-Base: 128K nativo.

• Lo que debes añadir — MiniCPM5-2B-DSpark: un motor de servicio (SGLang DSPARK) y el modelo objetivo. LFM2.5-2.6B-Base: una ejecución de ajuste fino, una suite de evaluación y una pila de inferencia.

• Benchmarks — MiniCPM5-2B-DSpark: solo la longitud de aceptación del repositorio (agregado greedy 5.52 por paso), sin cifra de aceleración. LFM2.5-2.6B-Base: ninguno publicado para la propia base.

• Licencia — MiniCPM5-2B-DSpark: Apache-2.0, sin condiciones. LFM2.5-2.6B-Base: LFM Open License v1.0 — uso comercial gratuito hasta $10M de ingresos anuales, y el límite se hereda a cualquier modelo que ajustes.

El marcador de arriba es el estante de ingredientes dibujado como una tarjeta: una columna es un complemento de servicio para un modelo terminado, la otra es un sustrato de entrenamiento para un modelo que no existe hasta que lo construyes.

La diferencia de $10 millones

Para un desarrollador, la brecha de licencias es el renglón menos glamoroso y más decisivo de esa lista. ModelBest y OpenBMB publican MiniCPM5-2B y su modelo borrador bajo Apache-2.0: puedes servir el modelo objetivo, ejecutar el borrador y construir encima un producto comercial, sin tope de ingresos ni obligaciones heredadas más allá de la atribución. La LFM Open License v1.0 de Liquid permite el uso comercial, pero lo limita: es gratuita por debajo de 10 millones de dólares de ingresos anuales, y el tope se traslada a tu obra derivada, de modo que un producto que ajustes (fine-tune) a partir de LFM2.5-2.6B-Base hereda el mismo techo. Eso no hace que la licencia de Liquid sea irrazonable; la convierte en una condición que una startup que quiera escalar más allá del tope debe planificar desde el primer día. Si la ambición de ingresos de tu proyecto es pequeña o solo estás evaluando la parte de investigación, el tope no es un problema. Si estás construyendo algo que pretendes hacer crecer, Apache-2.0 es un tipo distinto de materia prima.

La encrucijada entre construir y comprar para los creadores

Enmarcarlo como una decisión de construir versus comprar sobre el propio modelo hace que la elección deje de ser confusa. MiniCPM5-2B-DSpark es la vía de "comprar": el trabajo difícil —el post-entrenamiento de un modelo en el dispositivo para tareas agénticas y de contexto largo— ya está hecho en MiniCPM5-2B, y el borrador es una capa de aceleración sin licencia adicional encima. Estás comprando un modelo terminado y una mejora de velocidad, ambos bajo Apache-2.0, y tu trabajo restante es el despliegue y la evaluación. La pregunta abierta es cuantitativa: OpenBMB ha medido la aceptación del borrador (5,52 tokens por paso de verificación en greedy), pero no su beneficio en tiempo real, así que todavía tienes que evaluar el despliegue con SGLang en tu propio hardware para saber qué has comprado.

LFM2.5-2.6B-Base es la ruta de "construcción": compras el sustrato de preentrenamiento y haces tú mismo el post-entrenamiento, que es la única razón honesta para elegir una versión base frente a la hermana LFM2.5-2.6B ya post-entrenada que Liquid vende. Esa ruta tiene sentido cuando tienes un dominio, un idioma o un perfil de comportamiento que los modelos estándar no cubren: tomas la arquitectura de Liquid y su base de 34 billones de tokens y la haces tuya. Es estrictamente más trabajo, empieza sin ningún benchmark publicado y arrastra consigo el tope de ingresos. La recompensa es un modelo que nadie más tiene.

La realidad del enrutamiento

Ninguno de los dos checkpoints aparece hoy en ningún catálogo alojado, ni siquiera en el de OrcaRouter: el draft es, por definición, un accesorio de inferencia local, y la base de Liquid es un proyecto de fine-tuning autoalojado. Ahí es donde una capa de enrutamiento sigue siendo útil sin pretender alojar a ninguno de los dos: una vez que hayas servido o ajustado cualquiera de los dos modelos, la capa que queda delante de tus propios endpoints es lo que hace reversible probarlos. Apunta una ruta de prueba a una compilación SGLang de MiniCPM5-2B-plus-draft mientras producción sigue en lo que sea que sirvas hoy, deja que la conmutación automática por error detecte el bloqueo y mantén los precios de lista de los proveedores pasando con un margen del 0% para los modelos alojados con los que compares. El objetivo de la capa aquí no es la entrega: es que ninguno de los dos ingredientes te compromete de forma irreversible.

¿En qué estante estás comprando?

Elige MiniCPM5-2B-DSpark (con su modelo objetivo) cuando quieras tener ya un modelo terminado, con licencia Apache-2.0, para el dispositivo, y un modelo borrador que pueda acelerarlo — aceptando que tendrás que medir por tu cuenta la aceleración del borrador, ya que el proveedor no lo ha hecho. Elige LFM2.5-2.6B-Base cuando pretendas post-entrenar tu propio modelo y quieras la arquitectura híbrida de Liquid y su base de 16 idiomas como pesos iniciales — aceptando la factura del ajuste fino, cero benchmarks publicados y el tope de ingresos de 10 millones de dólares que vendrá incluido en cualquier cosa que publiques. Los dos no son rivales para la misma tarea; son dos tareas distintas sobre el mismo hardware, y la única elección equivocada es comprar uno creyendo que estabas comprando el otro.