Perceptron Mk1.5 vs LFM2.5-2.6B-Base: ¿Alquilar la percepción, o poseer el checkpoint y terminarlo tú mismo?

Ambos modelos están orientados a hardware que se puede sostener con una mano. Perceptron Mk1.5 es un modelo de percepción para agentes corpóreos que, según su proveedor, se implementa en drones, cuadrúpedos, gafas inteligentes y teléfonos. LFM2.5-2.6B-Base es un checkpoint de pesos abiertos de 2.69B que Liquid AI creó explícitamente para su implementación en el dispositivo: lo suficientemente pequeño como para ejecutarse con menos de 2.5GB de memoria. Esa ambición física compartida es lo único que tienen en común, y es una trampa para cualquiera que los compare en una hoja de especificaciones. Perceptron Mk1.5 es un producto terminado que se alquila por token: entrada de texto, imágenes, video y audio, y salida de texto más geometría legible por máquina, disponible desde el 25 de septiembre de 2026. LFM2.5-2.6B-Base es una base preentrenada en bruto, sin ajuste por instrucciones, sin plantilla de chat y sin afirmaciones de rendimiento: un checkpoint publicado para que otros lo terminen. Uno de ellos responde a una pregunta hoy; el otro es la materia prima para un modelo que lo hará.

La comparación solo funciona si nombras la etapa

Poner una API servida junto a un checkpoint base no es una comparación directa, y pretender lo contrario produce una tabla sin sentido en la que un lado "gana" todas las filas porque su proveedor lo ha completado y el otro no se ha iniciado. La pregunta útil es en qué etapa del trabajo estás.

Liquid AI lanzó la familia LFM2.5 como un conjunto de puntos de control, y la base es el primero de ellos. Su ficha indica 2,69 mil millones de parámetros totales repartidos en 30 capas —22 bloques de convolución corta con doble compuerta y 8 bloques de atención con consultas agrupadas—, entrenados con unos 34 billones de tokens, con un vocabulario de 128.000 tokens, una longitud de contexto de 131.072 tokens y compatibilidad con 16 idiomas, entre ellos inglés, chino, japonés, coreano y árabe. Es solo texto, es un modelo de lenguaje causal y nada más, y la propia recomendación de Liquid es tajante: este punto de control es para tareas que requieren un ajuste fino intensivo, como un asistente específico de idioma o de dominio, el entrenamiento con datos propietarios o la experimentación con enfoques novedosos de postentrenamiento. Lo que lo convierte en el agente de llamada a herramientas que ostenta las puntuaciones publicadas de la familia es el pipeline de postentrenamiento de cuatro etapas de Liquid, que la base no incluye.

Perceptron Mk1.5 está en el otro extremo de ese arco. Perceptron ya ha realizado el post-entrenamiento, decidido el formato de salida y puesto precio al resultado: 0,15 $ por millón de tokens de entrada y 1,50 $ por millón de salida, con la entrada en caché a 0,0375 $. Sus especificaciones son específicas de una forma en que las del checkpoint base no lo son: contexto de 36.864 tokens, salida máxima de 8.192 tokens, cuatro modalidades de entrada, un control de reasoning_effort que por defecto es alto, llamadas a funciones en completaciones de chat y respuestas restringidas mediante JSON Schema y regex.

La razón para mantener ambos a la vista es que el costo total de propiedad va en direcciones opuestas. Mk1.5 es caro por token y gratis para empezar. LFM2.5-2.6B-Base es gratis en el margen y caro en la única moneda que importa para un checkpoint base: tu tiempo de ingeniería.

Dimensión por dimensión, manteniendo los roles bien claros.

• Qué es — Perceptron Mk1.5 es una API de percepción alojada con salida espacial estructurada. LFM2.5-2.6B-Base es un LM causal preentrenado de 2.69B descargable.

Mk1.5 acepta texto, imágenes, vídeo y audio (WAV, MP3, FLAC). LFM2.5-2.6B-Base acepta texto, y solo texto.

• Salida — Mk1.5 devuelve texto más, opcionalmente, puntos, cuadros, polígonos, clips y, con marca de tiempo, <track> elementos, o respuestas restringidas por esquema JSON. La base devuelve probabilidades de token para el siguiente token, y nada se ha ajustado para que eso sea útil.

• Uso independiente — Mk1.5 funciona el mismo día en que obtienes una clave. LFM2.5-2.6B-Base no responde preguntas en ningún sentido de producto; necesita un ajuste fino y, por lo general, una plantilla de chat antes de ser un modelo que lanzarías.

• Contexto — 36.864 tokens para Mk1.5 frente a 131.072 para la base. El checkpoint en el dispositivo contiene casi cuatro veces más texto que cualquier cosa que contenga el modelo de percepción servido.

• Huella — Mk1.5 se ejecuta donde Perceptron lo ejecuta, y su trabajo de latencia publicado está en una sola H100. La base está diseñada para ejecutarse en una laptop, un teléfono o un dispositivo de borde en menos de 2,5 GB.

• Evidencia — cada cifra de capacidad de Mk1.5 es propia de Perceptron, y no existe un índice independiente para él. El modelo base no tiene ninguna afirmación de benchmark en absoluto: Liquid publica puntuaciones para el LFM2.5-2.6B postentrenado, no para este checkpoint.

• Licencia — Mk1.5 es cerrada, se alquila por token. LFM2.5-2.6B-Base se distribuye bajo la LFM Open License v1.0 con pesos que descargas y conservas.

La ruta de los pesos, costeada con honestidad

Si el atractivo de LFM2.5-2.6B-Base es que los pesos son gratis, la versión honesta de esa frase es que los pesos son la parte más barata del proyecto. Un ajuste fino sobre datos propietarios implica un conjunto de datos, una ejecución de entrenamiento, un marco de evaluación para decirte si el ajuste fino funcionó, y una ruta de servicio — Transformers, vLLM o SGLang, o una de las compilaciones GGUF, ONNX y MLX que Liquid publica para despliegue en CPU, multiplataforma y Apple Silicon, respectivamente. Nada de eso es exótico y, con 2.69B, cabe en hardware que un ajuste fino de 70B nunca toca. Pero un checkpoint base es un punto de partida, y el riesgo de cronograma recae enteramente en tu lado de la transacción.

Lo que obtienes a cambio es control. El tokenizador de 16 idiomas y el contexto de 131K hacen que un ajuste fino de dominio no tenga que pelearse con el preentrenamiento por espacio. La huella inferior a 2,5 GB hace que el objetivo de despliegue sea un dispositivo en lugar de un centro de datos, que es precisamente el objetivo de la familia. Y la LFM Open License te permite quedarte con el resultado: un especialista que ningún competidor puede alquilar desde la misma API que tú.

Hay una evidencia de terceros que conviene conocer antes de apostar por el linaje, y una laguna. El LFM2.5-2.6B post-entrenado de Liquid sí tiene una medición independiente: Artificial Analysis lo sitúa en un Índice de Inteligencia de 8, en el puesto 9 de 49 modelos de su clase. El checkpoint base no la tiene: no hay una página para él, lo cual es normal para un modelo fundacional preentrenado, y vale la pena decirlo sin rodeos en lugar de tratarlo como un veredicto. Lo que te dice el índice del modelo post-entrenado es lo que produce el pipeline desde este punto de partida en el extremo inferior de la banda del índice, no lo que producirá tu fine-tune.

La ruta de la API, y qué significa "en el dispositivo" para un modelo alojado

La historia de despliegue de Perceptron Mk1.5 es más complicada de lo que sugiere su lista de objetivos, y vale la pena ser precisos. El anuncio del proveedor nombra drones, cuadrúpedos, gafas inteligentes y teléfonos como objetivos de despliegue. El modelo en sí se sirve desde api.perceptron.inc detrás de una clave API, y la evidencia de latencia que Perceptron publicó es una mediana de tres ejecuciones en una sola H100. Una sola H100 no es un dron. La lectura realista es que Mk1.5 es la capa de percepción para un robot que tiene un enlace de red o una caja de cómputo compañera, no un modelo que se ejecuta dentro del fuselaje — y cualquiera que planee un dispositivo sin conexión en torno a él debería probar esa suposición antes de diseñar el hardware.

Lo que aporta la ruta de la API, si la suposición sobre la red se sostiene, es lo que un checkpoint base no puede darte a ningún precio: coordenadas. La salida de Mk1.5, <track>, contiene una observación espacial y su marca temporal, por lo que un clip vuelve como posiciones de objetos a lo largo del tiempo en lugar de una descripción de una escena. Añade el campo asset_idx, que permite que una solicitud aborde varias imágenes o vídeos por separado, y la forma de la solicitud coincide con un bucle de control — marco de referencia de entrada, geometría de salida, sin etapa de análisis entre el modelo y el código que mueve algo.

Los costos son los que ya se enumeraron: 36.864 tokens de contexto, un límite de audio de 16.384 tokens por elemento que la documentación de Perceptron sitúa en unos 21,8 minutos a alrededor de 750 tokens por minuto, un reasoning_effort predeterminado de high que te cobra la ruta de razonamiento más costosa en cada llamada que no configures, y un conjunto de afirmaciones de benchmarks producidas por la empresa que vende el modelo. El dato de seguimiento de manos es el que hay que probar con tu propio material: 0,9433 en hand_box egocéntrico frente a 0,4467 de Gemini 3.1 Pro en la propia ejecución de Perceptron es un margen muy amplio, y los márgenes amplios en las evaluaciones de proveedores son precisamente los que vale la pena reproducir.

Ninguno de los dos está en nuestro catálogo, y eso cambia la decisión.

Hoy, ni Perceptron Mk1.5 ni LFM2.5-2.6B-Base están enrutados en OrcaRouter. Mk1.5 no tiene ninguna ruta, así que acceder a él implica usar la propia API del proveedor — pip install "perceptron>=0.4.0" y PERCEPTRON_API_KEY — y Liquid AI no tiene ningún modelo de ningún tamaño en nuestro catálogo, por lo que el checkpoint base es una descarga desde el Hugging Face de Liquid en lugar de una llamada.

Eso importa menos de lo que parece, porque los dos no son extremos intercambiables y ningún argumento de precios hará que lo sean. Lo que aporta aquí una capa de enrutamiento es la parte de la decisión que todavía está abierta. Si construyes un servicio de percepción sobre Mk1.5 y un especialista en texto sobre un LFM2.5-2.6B-Base ajustado, estás ejecutando dos integraciones y dos modos de fallo; una pasarela compatible con OpenAI delante de ellos convierte un incidente de proveedor en cualquiera de los dos lados en una alternativa de respaldo en lugar de en un trabajo fallido, y una regla de enrutamiento puede enviar el tráfico de visión y el de texto a modelos distintos sin que la aplicación sepa cuál es cuál. Una única API que abarca más de 200 modelos con los precios de lista de los proveedores trasladados con un 0 % de margen es la versión de eso en la que un cambio de precio de un proveedor se aplica el mismo día en lugar de en tu próxima renovación; aunque, para estos dos en concreto, hoy, la pasarela es una consideración de planificación más que un atajo disponible.

Qué deberías hacer y qué deberías medir

Si tu tarea es "encontrar este objeto en este fotograma y devolver dónde está", alquila Mk1.5 y pon a prueba la afirmación de hand-box con tu propio video antes de comprometer una ruta de producción con él. Presupuesta el supuesto de red, establece reasoning_effort deliberadamente en lugar de aceptar high, y trata la ventana de 36,864 tokens como la restricción dura que es. La salida estructurada es el producto, y si tu código posterior puede consumir una coordenada sin una etapa de análisis, eso es un ahorro genuino en un lugar donde la mayoría de los pipelines de visión pierden precisión silenciosamente.

Si tu tarea es «Necesito un modelo de 2.6B ajustado con datos que nadie más tiene, ejecutándose en algún lugar sin GPU», descarga LFM2.5-2.6B-Base y presupuesta el ajuste fino con honestidad antes de empezar. El checkpoint es gratis y la ingeniería no lo es, y la lección de la propia familia —que el hermano post-entrenado obtiene 8 en el índice independiente— es un recordatorio de que la brecha entre un modelo base y un modelo terminado es donde vive el trabajo real. Ninguna de estas dos es la respuesta incorrecta. Son compras distintas, y el único error real es tratar una base que tienes que terminar como si ya fuera un producto.

Dos modelos, dos integraciones y dos modos de fallo es una posición peor de lo que parece. En OrcaRouter puedes configurar la conmutación por error automática para que un incidente del proveedor en cualquiera de los dos lados se degrade a un respaldo en lugar de a un trabajo fallido.