MiniCPM5-2B vs LFM2.5 2.6B Base: un modelo terminado frente a la materia prima para construir el tuyo propio

Dos de los lanzamientos de modelos pequeños más interesantes del último mes ocupan la misma clase de peso y no podrían estar en puntos más diferentes de sus vidas. MiniCPM5-2B es el artículo terminado: un modelo denso de 2.5B que ModelBest y OpenBMB presentaron en la Conferencia Mundial de Inteligencia Artificial el 19 de julio, cuyos pesos abiertos se publicaron silenciosamente en Hugging Face el 6 y 7 de septiembre con un pipeline completo de post-entrenamiento detrás, Apache-2.0, listo para servir. LFM2.5 2.6B Base es el checkpoint de solo texto preentrenado de Liquid AI — el sustrato bruto que, según la empresa, se "recomienda solo para tareas que requieren un ajuste fino intensivo", sin ajuste por instrucciones, sin plantilla de chat y con cero benchmarks publicados, porque un modelo base no se puntúa; los modelos que ajustas a partir de él son los que se puntúan. Compararlos es en realidad una cuestión de qué capa de la construcción estás buscando: un modelo que funcione esta noche, o los ingredientes para hacer el tuyo propio.

Ambas fichas dicen «no apto para uso directo» en dialectos distintos, y los proveedores lo colocan en las primeras líneas. La ficha de MiniCPM5-2B describe un transformador denso de arquitectura Llama con 2.516.756.480 parámetros en total (1.981.982.720 sin incrustaciones), 42 capas, atención por consulta agrupada, una ventana de contexto de 131.072 tokens en la configuración con la que se distribuye y una etapa de postentrenamiento —SFT de pensamiento profundo, RL especializada, destilación on-policy— orientada directamente al comportamiento agéntico y al uso de herramientas. La ficha de Liquid para LFM2.5 2.6B Base describe un híbrido de 2,69B que apila ocho capas de atención por consulta agrupada sobre veintidós bloques de convolución corta de doble compuerta, preentrenado con unos 34 billones de tokens en 16 idiomas y un contexto de 128K, y ahí se detiene: la base existe para que se la continúe o se la ajuste hasta convertirla en otra cosa. Uno es un destino; el otro, una línea de salida.

Lo que Liquid realmente lanzó

LFM2.5 2.6B Base llegó a Hugging Face a principios de agosto como la base preentrenada de la familia LFM2.5-2.6B de Liquid. La ficha del modelo muestra la tabla de la familia — la base y el LFM2.5-2.6B postentrenado que Liquid ajustó para cargas de trabajo de agentes con llamada de herramientas — y deja claro que la base es el checkpoint de solo texto que se usó para crear todas las variantes. Su única función es esa: tomar la arquitectura híbrida de 2.69B y la base multilingüe de 34 billones de tokens, continuar el preentrenamiento o aplicarle SFT en tu propio dominio; después, cualquier cosa que publiques heredará sus términos de licencia. No hay benchmarks en la ficha porque todavía no hay nada que evaluar; el modelo no tiene ajuste por instrucciones, así que, tal como viene, continúa texto en lugar de responder. Ocupa unos 2.5GB de pesos y es compatible con Transformers, vLLM, SGLang, MLX y llama.cpp, lo que lo convierte en una base viable para proyectos de ajuste fino orientados a dispositivos de clase móvil y edge.

La advertencia práctica para este enfrentamiento: si lo que quieres es un modelo pequeño funcional de Liquid, la contraparte justa de MiniCPM5-2B es el LFM2.5-2.6B post-entrenado, no el Base. El Base es la versión que eliges cuando tienes la intención de hacer el post-entrenamiento tú mismo — que es precisamente por lo que la propia tabla de referencia de MiniCPM5-2B compara contra el hermano ajustado por instrucciones de la familia en lugar de este punto de control en bruto.

Lo que OpenBMB lanzó y por qué es diferente

MiniCPM5-2B llega como un producto terminado con los planos de fábrica adjuntos. Donde Liquid te entrega una base y la mano de obra, OpenBMB te entrega todo el conjunto abierto: el checkpoint final post-entrenado con RL + OPD, los acompañantes GGUF, MLX, GPTQ, base, SFT y draft, y —la parte que cambia la comparación— los propios corpus de entrenamiento, publicados bajo Apache-2.0 como la familia UltraData. La ficha del modelo reporta un promedio interno de 53,9 en un conjunto comparativo de modelos abiertos de 2B-4B seleccionado por el proveedor, con un AIME 2025/2026 de 86,5 y un 46,4 en SWE-bench Verified ejecutado por el proveedor, nada de lo cual ha sido aún reproducido de forma independiente. Está pensado para ejecutarse, no para entrenarse: la propuesta de lanzamiento fue la adaptación desde el día cero en nueve familias de chips y ARM, la llamada nativa a herramientas mediante llamadas de estilo XML y los modos de respuesta híbridos rápidos/deliberados para uso interactivo.

El marcador, etiquetado honestamente

• Lo que obtienes — MiniCPM5-2B: un modelo de chat completo y servible, además de datos de entrenamiento abiertos. LFM2.5 2.6B Base: una base preentrenada que puedes ajustar para convertirla en un modelo terminado.

Parámetros — MiniCPM5-2B: 2.52B totales / 1.98B no-embedding, denso de estilo Llama. LFM2.5 2.6B Base: 2.69B híbrido (8 bloques de atención + 22 de convolución corta).

• Contexto — MiniCPM5-2B: 131 072 tokens en la configuración enviada. LFM2.5 2.6B Base: 128K nativo.

• Idiomas — MiniCPM5-2B: tarjeta y datos centrados en inglés y chino. LFM2.5 2.6B Base: preentrenado en 16 idiomas.

• Benchmarks — MiniCPM5-2B: suite completa del proveedor (promedio interno 53.9; no reproducido). LFM2.5 2.6B Base: no hay ninguno publicado para la base en sí, por diseño.

• Licencia — MiniCPM5-2B: Apache-2.0 para los pesos y los datos publicados. LFM2.5 2.6B Base: LFM Open License v1.0, gratuita si los ingresos anuales son inferiores a $10M, y ese tope se traslada a tus obras derivadas.

El marcador anterior es la misma historia en seis filas: ambos modelos son pequeños, de clase 128K y relacionados con Apache, pero una columna termina en un servicio en ejecución y la otra termina en una decisión sobre quién realiza el entrenamiento.

La licencia es la característica.

Para quien construye, la brecha de licencias es el renglón menos glamoroso y más decisivo de esa lista. OpenBMB publicó MiniCPM5-2B y sus datos liberados bajo Apache-2.0: puedes servirlo, ajustarlo y construir un producto comercial sobre él sin límite de ingresos y sin obligación heredada más allá de la atribución. La LFM Open License v1.0 de Liquid es genuinamente de pesos abiertos, pero condicionada a los ingresos: las organizaciones con menos de 10 millones de dólares de ingresos anuales reciben una amplia concesión comercial, las que están en ese umbral o por encima no la reciben, y el tope se hereda en todo lo que ajustes, así que un producto construido sobre LFM2.5 2.6B Base lleva el mismo límite a medida que tu empresa crece. Eso no hace que la licencia de Liquid sea irrazonable; la convierte en una condición que una startup que espera escalar más allá del tope tiene que planificar desde el primer día, y es la razón más importante por la que el enfoque de “modelo terminado” importa. Si estás construyendo algo que pretendes hacer crecer, Apache-2.0 con datos abiertos es un tipo de materia prima diferente a una licencia con tope.

La bifurcación entre construir y comprar, concretada

Si lo planteas como construir frente a comprar, la elección deja de ser confusa. MiniCPM5-2B es la vía de la compra: el trabajo difícil —post-entrenar un modelo pequeño para trabajo agéntico y de contexto largo— ya está hecho, la licencia es limpia, y tu trabajo restante es servirlo y evaluarlo. El costo es que adoptas las decisiones de post-entrenamiento de otra persona, y sus cifras principales tienen una semana de antigüedad y nadie fuera del laboratorio las ha verificado. LFM2.5 2.6B Base es la vía de la construcción: compras la arquitectura y el preentrenamiento de Liquid y haces el post-entrenamiento tú mismo, que es la única razón honesta para elegir un modelo base en lugar del hermano ajustado por instrucciones, el LFM2.5-2.6B que Liquid ya vende. Esa vía tiene sentido cuando tienes un dominio, un idioma o un perfil de comportamiento que los modelos estándar no cubren. Es estrictamente más trabajo, arranca sin ningún benchmark publicado y arrastra consigo el tope de ingresos. La recompensa es un modelo que nadie más tiene —y, como OpenBMB abrió los datos del propio MiniCPM5-2B, ahora tienes una segunda forma de llegar ahí: continuar el entrenamiento de una receta Apache-2.0 probada en lugar de partir de una base pura.

La realidad del enrutamiento para ambos

Ninguno de los dos checkpoints aparece hoy en un catálogo alojado, por lo que la cuestión de la capa tiene que ver con el mundo que los rodea, no con la entrega. Una vez que hayas servido MiniCPM5-2B o hayas afinado LFM2.5 2.6B Base para convertirlo en algo propio, la forma reversible de probar cualquiera de los dos contra los modelos alojados que ya usas es mediante una API con conmutación automática por error: un stack nuevo o derivado puede quedarse atascado sin interrumpir la producción, y los precios de lista del proveedor se trasladan con un margen del 0%, así que la comparación A/B resulta económica. Para la decisión de construir frente a comprar en sí, sin embargo, el plan honesto es el mismo de siempre con los modelos abiertos pequeños: el benchmark que importa es el que ejecutas en tu propio hardware y con tus propios datos, no el que aparece impreso en ninguna de las dos tarjetas.

¿Qué capa estás buscando realmente?

Elige MiniCPM5-2B cuando quieras un modelo listo y con licencia Apache-2.0 para ejecutar en el dispositivo que puedas servir esta misma noche y ajustar con datos abiertos — asumiendo que su impresionante ficha no está verificada y necesita tu propia reproducción antes de ganarse la confianza para producción. Elige LFM2.5 2.6B Base cuando tengas la intención de hacer post-entrenamiento de tu propio modelo y quieras la arquitectura híbrida de Liquid y la base multilingüe de 16 idiomas como pesos iniciales — asumiendo la factura del ajuste fino, la ausencia total de benchmarks publicados y el límite de ingresos de 10 millones de dólares que viajará contigo en cualquier cosa que lances. No son rivales para la misma tarea; son dos tareas diferentes sobre el mismo hardware, y el único error real es comprar uno mientras crees que estás comprando el otro.