ZwZ2-9B vs LFM2.5 2.6B Base: Un error de categoría que vale la pena entender

Poner ZwZ2-9B junto a LFM2.5 2.6B Base parece una comparación de tamaños, y no lo es. ZwZ2-9B es un checkpoint de visión-lenguaje de 9.410 millones de parámetros que inclusionAI publicó el 16 de octubre de 2026 sin tarjeta de modelo; LFM2.5 2.6B Base es un modelo preentrenado solo de texto de 2.697 millones de parámetros que Liquid AI publicó el 1 de agosto de 2026, con una tarjeta que dice, en sus propias palabras, que es el checkpoint "utilizado para crear todas las variantes de LFM2.5-2.6B". Uno es algo que adoptas. El otro es algo sobre lo que construyes. Elegir entre ellos no es como elegir entre dos coches — es como elegir entre un coche y un bloque de motor, y la única pregunta útil es cuál de los dos necesitabas en realidad.

Así que este artículo hace dos cosas. Te da las cifras reales de ambos, porque viniste aquí buscando una comparación y vale la pena tener las cifras. Y luego explica la distinción que la comparación oculta, porque equivocarse en eso es como los equipos terminan metidos tres semanas en un ajuste fino que no necesitaban, o ejecutando un modelo de servidor de 9.4B para una tarea que un modelo de portátil de 3B habría manejado.

Qué es realmente cada uno de estos artefactos

LFM2.5 2.6B Base está deliberadamente inacabado. Es el checkpoint preentrenado en la raíz de la familia LFM2.5-2.6B de Liquid AI: 30 capas que alternan entre bloques de convolución corta con doble compuerta y atención de consultas agrupadas, 34 billones de tokens de preentrenamiento, un vocabulario de 128.000 tokens y un límite de 128.000 posiciones. Es solo texto. Está diseñado para su despliegue en el dispositivo, que es la frase que Liquid AI usa en la ficha, y la razón de ser del sufijo «Base» es que la variante conversacional postentrenada y la variante agéntica son descargas separadas derivadas de él. Está pensado para que lo ajustes finamente o destiles en él. De fábrica, no es un asistente.

ZwZ2-9B es el tipo opuesto de objeto. Es un checkpoint con forma acabada que no ha sido descrito. Su configuración incluye una torre de visión de 27 capas, ids de tokens de imagen y vídeo, un procesador de vídeo limitado a 768 fotogramas, una plantilla de chat con un prompt de sistema predeterminado incorporado, y 24 de sus 32 capas que usan atención lineal en lugar de una caché de clave-valor en crecimiento. Eso es un objetivo de despliegue, no un sustrato de entrenamiento. Lo que falta es todo lo que un comprador preguntaría: ningún campo de licencia, ningún resultado de evaluación, ninguna declaración sobre con qué se entrenó, y ninguna entrada en ninguna de las diez colecciones públicas de inclusionAI.

• Parámetros — ZwZ2-9B: 9,409,813,744. LFM2.5 2.6B Base: 2.697 mil millones.

• Propósito — un checkpoint multimodal orientado al despliegue frente a una base preentrenada para ajuste fino.

• Modalidades en — texto, imagen y vídeo frente a solo texto.

• Límite de contexto — 262,144 posiciones frente a 128,000 (la ficha de Liquid AI lo redondea a 131,072).

• Vocabulario — 248.320 vs 128.000.

• Diseño de atención — 24 capas lineales más 8 capas de atención completa frente a 22 capas de convolución más 8 capas de atención.

• Licencia — ninguna declarada frente a la LFM Open License v1.0, que es una licencia personalizada en lugar de Apache-2.0.

• Documentación — ninguna vs una tarjeta de modelo, un informe técnico y un presupuesto de entrenamiento declarado.

Hay dos líneas ahí que son más interesantes de lo que parecen. Ambos modelos llegan a exactamente 8 capas de atención, y ambos rellenan el resto con algo más barato — ZwZ2-9B con atención lineal recurrente, LFM2.5 2.6B Base con convoluciones cortas. Esa convergencia no es una coincidencia; es lo que ha significado «arquitectura eficiente» durante los últimos dos años, a la que se ha llegado desde direcciones opuestas y a escalas opuestas. Y los techos de contexto no son una competencia: 262.144 frente a 128.000 no dice casi nada, porque el modelo de 2,7B se construyó para estar en un portátil, donde una caché de un cuarto de millón de tokens no es un conjunto de trabajo realista.

La palabra "Base" es toda la decisión

Si solo te llevas una cosa de este emparejamiento, que sea esta. Un checkpoint base no tiene seguimiento de instrucciones, ni un formato de chat en el que merezca la pena confiar, ni ajuste de seguridad — y eso es una ventaja si estás construyendo un modelo de dominio, porque significa que no estás peleando contra la alineación de otro cuando entrenas el tuyo. Es un defecto si querías un asistente, porque pasarás tus primeras dos semanas redescubriendo que los modelos preentrenados completan texto en lugar de responder preguntas.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

Las matemáticas del despliegue, que es donde reside la verdadera diferencia

Un modelo de texto de 2,697 mil millones y un modelo de visión de 9,41 mil millones no son alternativas en el mismo hardware. La base LFM2.5 está diseñada para teléfonos, portátiles y máquinas de placa única; el enfoque de Liquid AI es la inferencia en el dispositivo, y un checkpoint de 2,7 mil millones cuantizado a cuatro bits ocupa unos pocos gigabytes. ZwZ2-9B mantiene una torre de visión de 27 capas junto con 32 capas de lenguaje y aproximadamente 2 GB de matriz de embeddings en cada dirección —el vocabulario por sí solo es una tabla de 248.320 por 4.096—, por lo que va en un servidor, o al menos en un equipo de escritorio con un acelerador real.

Por eso, la arquitectura honesta para la mayoría de los equipos no es «elegir uno». Son dos niveles. Coloca el modelo pequeño y documentado donde importan la latencia y la privacidad y la tarea es acotada, y dirige los casos difíciles a un modelo alojado, donde el costo variable solo aparece cuando aparece el caso difícil. Acertar esa división es más valioso que cualquier elección de un solo modelo en esta página, y también es lo más difícil de cambiar más adelante, porque es lo que toca tu código.

Hacerlo detrás de una única interfaz es el objetivo de un router. OrcaRouter expone más de 200 modelos desde un único endpoint compatible con OpenAI y una única clave de API, con conmutación por error automática, de modo que el nivel barato y el nivel caro están a una cadena de modelo de distancia en lugar de a dos integraciones — y los precios de lista de los proveedores se transfieren con 0% de recargo, así que ejecutar el nivel caro cuesta lo mismo que costaría en cualquier otro sitio. No alojamos LFM2.5 2.6B Base y no alojamos ZwZ2-9B, así que ninguna de estas es una decisión que podamos tomar por ti — Liquid AI distribuye sus propios pesos a través de los canales del propio proveedor, e inclusionAI no ha publicado ningún endpoint en absoluto. Lo que sí podemos poner del lado alojado de esa división hoy es qwen/qwen3-vl-8b-instruct, un modelo de lenguaje y visión de 8B con un contexto de 131K tokens a $0.18 por millón de tokens de entrada y $0.70 por millón de salida, que es el sustituto documentado más cercano para el nivel multimodal pequeño.

El licenciamiento es donde estos dos divergen más marcadamente.

Ninguna de las dos licencias es Apache-2.0, y los motivos son distintos de una manera que importa. LFM2.5 2.6B Base se distribuye bajo la LFM Open License v1.0, que es una licencia personalizada: está publicada, es legible y es la misma licencia que usa el resto de la familia, lo que significa que una revisión legal que hagas una vez cubre todos los modelos LFM2.5 que toques. ZwZ2-9B no declara nada. Una licencia ausente no es una licencia permisiva; a falta de una concesión explícita, la lectura conservadora es que no se han extendido derechos, y esa es una posición materialmente peor que una licencia personalizada que puedes leer y evaluar.

Para un checkpoint base que piensas ajustar y posiblemente redistribuir, esto no es una nota al pie. Los términos de obra derivada son exactamente la cláusula sobre la que las licencias personalizadas tienden a tener opiniones, y la ausencia total de cláusula no se resuelve a tu favor.

Cómo elegir, dicho claramente

Elige LFM2.5 2.6B Base si tienes una tarea de texto acotada, un dispositivo objetivo y el apetito de ejecutar tu propio entrenamiento — y acepta que eres tú quien aporta el seguimiento de instrucciones. Su presupuesto de entrenamiento documentado y su licencia declarada hacen que sepas de dónde partes.

Elige ZwZ2-9B si necesitas imágenes o vídeo en la entrada, tienes las GPUs para servir un modelo de 9.4B y estás dispuesto a ser la primera organización del mundo en evaluarlo. Esa última cláusula no es retórica. Antes de comprometerte, las preguntas que hay que responder son si acepta tus formatos de imagen, si devuelve la forma de salida que necesitas con el pensamiento desactivado y bajo qué licencia estarías operando realmente. Dos de esas tres tienen respuesta en el repositorio. La tercera no.

Los benchmarks envejecen y los precios se mueven; el historial de fallos no: los incidentes de IA documentados y los fallos de agentes detrás de los modelos de esta clase se recopilan en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza y marca de disputa.