Tell 1 vs LFM2.5 2.6B Base: un modelo de voz que alquilas y un checkpoint que terminas tú mismo

Coloca Tell 1 y LFM2.5 2.6B Base uno al lado del otro y la diferencia de tamaño parece contar la historia: uno es el modelo de razonamiento interno de Retell dentro de una plataforma de centro de contacto, el otro es un checkpoint de solo texto de 2,69 mil millones de parámetros de Liquid AI que cabe en un archivo de 5,4 GB. No es la historia. La historia es que LFM2.5 2.6B Base es un modelo base —nunca se ha ajustado con instrucciones y, si le haces una pregunta, continuará tu texto en lugar de responderla—, mientras que Tell 1 es un componente terminado de un producto que se dedica a responder llamadas telefónicas. Uno de ellos es materia prima. El otro es una pieza funcional que no se te permite desarmar. Todo lo que sigue trata sobre cuál de esas dos cosas necesita realmente tu problema, porque ninguna puede sustituir a la otra y la comparación de precios que parece obvia es lo menos útil de esta página.

El momento también importa, y es la razón por la que este emparejamiento existe. Ambos son recientes: Liquid AI publicó la familia LFM2.5 en agosto de 2026, y Tell 1 de Retell se hizo visible públicamente en noviembre de 2026, cuando apareció en lo más alto de un benchmark que Retell publica. Ninguno es un lanzamiento del que te estés enterando tarde. Además, ambos tienen una documentación pública inusualmente escasa, por razones opuestas: Liquid distribuyó un checkpoint sin instrucciones porque las instrucciones nunca fueron el objetivo, y Retell distribuyó un modelo sin documentación porque el modelo no es un producto que se pueda comprar por separado.

Empieza por lo que el checkpoint de Liquid no puede hacer.

LFM2.5 2.6B Base es el checkpoint preentrenado de la familia híbrida LFM2.5 de Liquid AI: 30 capas, 22 de ellas bloques de convolución corta con doble compuerta y 8 de atención de consultas agrupadas, entrenado con aproximadamente 34 billones de tokens en 16 idiomas, con una ventana de contexto de 131.072 tokens y una cuantización Q4_K_M que queda cerca de 1,67 GB. Texto de entrada, texto de salida. Sin visión, sin audio, sin plantilla de llamada a herramientas en la que puedas confiar, sin ajuste de instrucciones, y la propia tarjeta de modelo de Liquid dice claramente que está pensado para un ajuste fino intensivo en lugar de para el uso mediante prompts.

Eso no es un defecto, y tratarlo como tal es el error más común en los análisis de modelos base. Un checkpoint base es el punto de partida correcto cuando tienes una tarea con una forma definida, un gran conjunto de ejemplos propios y ningún interés en pagar a un proveedor por token para resolverla. Un modelo de 2,69B que se ajusta con fine-tuning en una sola GPU de consumo y luego se ejecuta cuantizado en un portátil o un teléfono es un objeto económico distinto de cualquier API alojada: el coste marginal por llamada se reduce prácticamente al de la electricidad, y el coste que realmente pagas se traslada al etiquetado de datos, las ejecuciones de entrenamiento y la evaluación.

Lo que no puede hacer es introducirse directamente en una conversación. No hay ningún prompt de sistema que convierta un checkpoint base en un agente fiable para llamadas a herramientas, y ninguna cantidad de ingeniería de prompts sustituye a la etapa de posentrenamiento. Si tu plan es «descargarlo, envolverlo en un servidor compatible con OpenAI y conectarle un agente de voz», el plan fallará en la primera llamada a función —y ese fallo parecerá un problema de calidad del modelo cuando en realidad es una etapa de entrenamiento que falta.

Entonces, qué es Tell 1 y por qué no puedes tenerlo

Tell {{1}}1{{/1}} {{2}}es la capa de razonamiento{{/2}} del stack de voz de Retell, incluido en la página de inicio de la empresa bajo «Developed by Retell Labs» junto a un arnés de agente que integra modelos, conocimiento y herramientas. No se vende como un modelo. No se publica en ningún lugar del sitio de Retell ninguna ficha de modelo, repositorio, cifra de ventana de contexto, recuento de parámetros, licencia ni precio por token. La única evidencia pública cuantitativa es una fila del Retell vCX Benchmark, una tabla de clasificación que Retell mantiene por sí misma: 88,6 % de seguimiento de instrucciones, 97,2 % en la dimensión etiquetada como alucinación, 95,4 % de llamada a herramientas, 96,6 % en lenguaje coloquial, un promedio de 94,45 %, con una latencia mediana de 72,5 ms y 3,5 centavos por minuto de coste del modelo.

No se revela si Tell 1 es un ajuste fino de algo público, un modelo entrenado desde cero o un modelo pequeño destilado de uno más grande. La mediana de 72 ms sugiere un modelo pequeño y rápido más que un generalista de frontera, ya que esa cifra está dentro de la banda en la que el tiempo de ida y vuelta hacia una pila de inferencia de terceros empieza a dominar; pero eso es razonar a partir de un número de latencia, y las cifras de latencia tienen muchas causas. Lo que no es inferencia es el empaquetado: se obtiene Tell 1 comprando tiempo de uso en la plataforma de Retell, a $0.07–$0.31 por minuto según la configuración, y el modelo no se puede separar de la telefonía, la pila de voz y el arnés que lo rodea.

Esta es la asimetría que un comprador tiene que tener en cuenta. LFM2.5 2.6B Base es tuyo como ningún modelo alojado lo será nunca: puedes leer sus pesos, cuantizarlo, incluirlo en una app y seguir ejecutándolo si el proveedor desaparece. Tell 1 está disponible como ningún modelo descargable lo está: ya está conectado a un número de teléfono, a una capa de alternancia de turnos y a una voz, y el trabajo de hacer que suene humano en una llamada real lo ha hecho otra persona.

La comparación que de verdad importa: adónde va el presupuesto de latencia

Ambos modelos se juegan la vida en un cronómetro, y por eso se les menciona en la misma frase aunque hagan tareas distintas. Una llamada telefónica te da un margen de unos 800 ms entre que quien llama termina una frase y el agente empieza la suya, antes de que la pausa se perciba como una línea que se ha caído. Ese margen cubre el reconocimiento de voz, el turno del modelo, las llamadas a herramientas y la síntesis de voz, en ese orden.

• Latencia del modelo — 72,5 ms de mediana para Tell 1 dentro del harness de Retell, primero de 62 configuraciones en ese benchmark; no publicado para LFM2.5 2.6B Base, porque un checkpoint base no tiene un producto servido que medir y su rendimiento cuantizado depende enteramente de tu hardware.

• ¿Qué más hay en los 800 ms? — Para Tell 1, la telefonía y la voz forman parte de la cifra de la plataforma, y Retell declara una respuesta típica de extremo a extremo de unos 600 ms; en una pila LFM2.5 autoalojada, el ASR, el TTS y la capa de servicio corren por tu cuenta, y cada uno es una decisión de proveedor.

• Rendimiento — el modelo hermano post-entrenado de Liquid de este checkpoint se ejecuta a 220 tokens por segundo en un Apple M5 Max y a 113 en una CPU AMD Ryzen, y el proveedor señala que se pueden alcanzar 30 tokens por segundo en un teléfono; la velocidad de un modelo de 2,69B es función de la máquina, no de un nivel de servicio.

Esa última línea marca toda la diferencia de naturaleza. La latencia de Tell 1 es una promesa que otro cumple; la latencia de LFM2.5 es una propiedad del hardware que eliges. Si tu objetivo de despliegue es un centro de llamadas con 200 líneas concurrentes, lo primero es lo que estás comprando. Si es un dispositivo en un almacén sin red, lo segundo es lo único que existe.

El ajuste fino es la bifurcación en el camino

Esta es la decisión, expresada con la mayor claridad que puedo. Elija LFM2.5 2.6B Base si tiene una tarea que puede describir con precisión, ejemplos de ella y una razón para no enviar esos ejemplos a un tercero: un paso de clasificación dentro de un flujo de llamadas, un resumidor específico de dominio, un enrutador en el dispositivo que decide qué es una solicitud. El modelo es lo bastante pequeño como para que un ajuste fino sea cuestión de una tarde y no de un trimestre, la ventana de contexto es lo bastante grande para documentos reales, y la licencia permite el uso comercial por debajo de 10 millones de dólares de ingresos anuales, con un acuerdo separado necesario a partir de ese umbral. Ese umbral es un hecho de adquisición y forma parte de la decisión, no de una nota al pie.

Elige Tell 1 si vas a comprar un agente telefónico en lugar de un modelo, y en concreto si lo que no puedes construir es la superficie conversacional: manejo de interrupciones, fraseo coloquial y una primera sílaba que llegue lo bastante rápido como para que quien llama no note que es una máquina. El benchmark de Retell dice que esas son las dos dimensiones en las que Tell 1 lidera —puesto 1 en coloquial, puesto 1 en latencia— y dice con la misma claridad que no lidera en seguimiento de instrucciones, fundamentación o llamada a herramientas, donde ocupa el segundo, el segundo y el quinto puesto, respectivamente. Pon a prueba esas tres con tus propias llamadas antes de estandarizar, porque son las que producen respuestas incorrectas, y no solo respuestas más lentas.

Hay una tercera opción, y es la que la mayoría de los equipos con una carga de trabajo real acaban eligiendo: mantener el ajuste fino pequeño para la parte de la tarea que es estrecha y repetitiva, y dirigir los turnos difíciles a un modelo alojado más grande. Es exactamente la división para la que está hecha una capa de enrutamiento, y es dondenuestro propio catálogo encaja. Ni Tell 1 ni LFM2.5 2.6B Base se pueden enrutar a través de OrcaRouter —no alojamos ninguno de los dos—, así que la versión práctica de esa arquitectura coloca el ajuste fino de Liquid en tu propio hardware y envía la ruta de escalado a un modelo que sí ofrecemos, con una sola clave de API, aprecio de lista del proveedor sin nada añadido.

¿Qué cambiaría la respuesta?

Para Tell 1, tres publicaciones lo harían pasar de «probar dentro de la plataforma» a «plantearse estandarizar»: una ficha de modelo que especifique la arquitectura y los datos de entrenamiento, un precio por modelo que permita separar el coste del paquete por minuto, y una evaluación realizada por alguien distinto de Retell. El registro actual es una sola fila en la clasificación del propio proveedor, y que un proveedor se sitúe primero en su propio banco de pruebas es una hipótesis, no un resultado.

Para LFM2.5 2.6B Base, la pieza que falta no es la documentación: es tu propio fine-tune. El checkpoint está completo y la licencia es legible, lo que significa que la única incógnita es si un modelo de 2,69B entrenado con tus datos supera el listón en tu tarea. Es una pregunta que puedes responder esta semana con una GPU, y por mucho que leas no obtendrás la respuesta. Ese es el intercambio en una frase: Tell 1 te ahorra la ingeniería y se lleva el control; LFM2.5 2.6B Base te da el control y te obliga a hacer la ingeniería.