Beam 1.0 vs LFM2.5 2.6B Base : un substrat inachevé et un géant achevé

Un modèle auquel on n'a pas appris à répondre à des questions est comparé à un modèle auquel on a appris à planifier. LFM2.5 2.6B Base est le point de contrôle pré-entraîné de 2,698 milliards de paramètres de Liquid AI, publié le 4 août 2026 sous la LFM Open License v1.0 et explicitement décrit comme la base pour l'affinage — il est uniquement textuel, il comporte 30 couches de convolution hybride et d'attention à requêtes groupées, et il n'est pas post-entraîné. Reflection Beam 1.0 est un modèle à mélange d'experts clairsemé avec 501,3 milliards de paramètres au total et 23,4 milliards actifs, post-entraîné via des étapes supervisées et de renforcement et publié sous forme de poids téléchargeables le 16 octobre 2026 sous Apache 2.0, après son annonce du 5 octobre 2026. L'écart de taille est de 185 pour un. L'écart qui décide réellement de la comparaison n'est pas la taille — c'est que l'un de ces modèles est un substrat brut vers lequel on pointe une exécution d'entraînement, et l'autre est un produit que l'on sert.

Les deux sont sur Hugging Face. Les deux sont téléchargeables aujourd’hui. Les deux supposent que vous apportiez votre propre matériel. C’est tout ce qu’ils ont en commun, et les lire l’un par rapport à l’autre est un moyen utile de voir à quel point l’écosystème open-weights étiquette différemment deux choses qu’il classe sous la même étiquette.

Les deux parutions, décrites comme leurs éditeurs les décrivent.

LFM2.5 2.6B Base porte le nom complet LFM2.5-2.6B-Base. Sa fiche indique 2,698 milliards de paramètres au total, 30 couches dont 22 sont des blocs de convolution courte à double porte et huit sont de l'attention à requêtes groupées, un budget d'entraînement de 34 000 milliards de tokens, un vocabulaire de 128 000 tokens et une longueur de contexte de 131 072 tokens. Il couvre 16 langues. Il fait partie d'une paire : Liquid AI publie aussi LFM2.5-2.6B, post-entraîné pour des charges de travail agentiques, et celui-ci est le checkpoint brut duquel descend chaque variante de la famille. Selon les propres termes de la fiche concernant le modèle de base, il s'agit du checkpoint texte uniquement pré-entraîné utilisé pour créer toutes les autres variantes. Seize dérivés affinés existent déjà sous celui-ci sur le Hub.

Beam 1.0 est la configuration inverse. Reflection est livré avec 501,3 milliards de paramètres au total et 23,4 milliards actifs par token répartis sur 52 couches — trois denses et 49 de mélange d'experts, 256 experts dont huit sont routés à la fois dans cette configuration. La fenêtre de contexte est de 1 000 000 de tokens. La modalité est uniquement textuelle, et la fiche le dit sans détour. Il est proposé en trois précisions, BF16, FP8 et NVFP4, plus un modèle de décodage spéculatif DFlash2 de 2 B. Son gabarit de chat utilise un format Harmony modifié avec des canaux d'analyse et de réponse finale ainsi qu'un réglage d'effort de raisonnement à six niveaux nommés. Ses quatre dépôts ont été publiés le même jour, le 16 octobre 2026, et Artificial Analysis a consigné la sortie sur sa page de modèle à la date du 16 octobre 2026.

Relisez ces deux paragraphes, et la forme de la chose apparaît. Liquid AI a publié un composant. Reflection a publié un système abouti, avec un format d’échange et un curseur d’effort. Tous deux sont qualifiés d’« open », et le mot joue deux rôles différents.

La licence est ce en quoi les deux se ressemblent le moins.

C'est la comparaison que l'on ne peut pas obtenir à partir d'un simple décompte de paramètres, et c'est celle qui a les conséquences pratiques les plus importantes.

Beam 1.0 est sous licence Apache 2.0. Il s'agit d'une licence permissive standard, sans plafond d'utilisateurs, sans seuil d'utilisateurs actifs mensuels et sans offre commerciale distincte. Téléchargez-le, affinez-le, redistribuez la version dérivée, vendez le résultat. La fiche contient également un Responsible Use Guide et un rapport technique de sécurité distinct, qui sont des documents de politique plutôt que des restrictions de licence — ils régissent l'usage acceptable, et non les poids.

LFM2.5 2.6B Base ne l'est pas. Le Hub lui attribue le tag license:other et nomme la licence « LFM Open License v1.0 ». La différence pratique ne tient pas au fait que l'une serait permissive et l'autre non — la licence de Liquid AI est rédigée pour un usage ouvert — mais au fait que les deux licences doivent se lire différemment, et qu'une seule d'entre elles peut se résumer en une phrase. Si votre projet implique de redistribuer commercialement une œuvre dérivée, le volet Apache 2.0 de cette page ne demande aucune analyse. Le volet LFM exige en revanche que vous lisiez la licence, car une licence personnalisée est par définition un document que quelqu'un a rédigé à dessein.

Cette asymétrie joue dans l’autre sens sur l’autre axe. Le checkpoint de Liquid AI est un modèle de texte dense de 2,698 milliards de paramètres, ce qui signifie que la question de la licence est liée à quelque chose que l’on peut installer sur un seul GPU grand public ou un appareil en périphérie. L’octroi de la licence Apache 2.0 de Reflection est associé à un modèle de 501 milliards de paramètres dont les poids en bfloat16 occupent environ un téraoctet et dont la variante en quatre bits affiche encore 255B. Une licence permissive sur un modèle que l’on ne peut pas héberger est une autre forme de liberté qu’une licence personnalisée sur un modèle que l’on peut héberger.

Ce que le modèle de base peut et ne peut pas faire

Un article sur un checkpoint de base doit le dire clairement, car c’est la manière la plus courante dont les gens perdent un après-midi. LFM2.5 2.6B Base n’a pas été ajusté aux instructions. Il continuera votre texte. Il ne répondra pas à votre question, ne respectera pas votre format, n’appellera pas votre outil et ne s’arrêtera pas quand vous le souhaitez. C’est un point de départ dont le comportement est celui que vous lui inculquez par entraînement, et Liquid AI le dit dans la description du modèle plutôt que de laisser les gens le découvrir.

Ce n’est pas un défaut, et ce n’est pas une version réduite de Beam 1.0. L’entraînement de pré-entraînement sur 34 000 milliards de tokens et l’architecture hybride à 30 couches sont le produit ; l’absence d’alignement est justement le but, car l’alignement dépend de la tâche, et le laboratoire qui livre un modèle de base remet délibérément cette décision à celui qui possède la tâche. Seize dérivés sur le Hub, voilà à quoi ressemble cet arrangement dans la pratique.

La conséquence pour l'évaluation, c'est qu'il n'y a aucune table de benchmarks à laquelle se comparer. La fiche de Beam 1.0 en contient une complète — SWE-bench Verified 81,6 % en BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, tous rapportés par l'éditeur et aucun reproduit par un tiers — parce que c'est un modèle post-entraîné, conçu pour des charges de travail nommées, et que c'est la preuve que son acheteur réclame. LFM2.5 2.6B Base n'en a aucune, par conception. Il n'y a rien à noter : la qualité du checkpoint, c'est ce que votre fine-tuning en fait, et le point de comparaison honnête est un run d'entraînement, pas une ligne de classement.

Où va l'argent

Aucun de ces deux modèles ne figure au catalogue d’OrcaRouter. Ce que nous routons, c’est l’univers servi qui les entoure : plus de 200 modèles derrière une seule clé compatible OpenAI, prix catalogue du fournisseur répercuté à 0 % de marge, avec un basculement automatique entre fournisseurs afin qu’une route qui se dégrade soit redirigée plutôt que d’échouer. Cela mérite d’être précisé ici pour une raison particulière, car les deux modèles de cette page se situent aux extrémités opposées d’une même question d’approvisionnement.

LFM2.5 2.6B Base ne coûte rien à télécharger et tout à exploiter, en ce sens que le coût correspond à une campagne d’entraînement et à un appareil. Beam 1.0 ne coûte rien à télécharger et tout à exploiter, en ce sens que le coût consiste à servir un MoE de 501B et, au moment de la rédaction, Reflection ne publie aucun tarif d’API. Artificial Analysis consigne les champs de prix sur la page de Beam comme indisponibles et note qu’aucune API n’est accessible publiquement. Douze jours après l’annonce, le modèle dont le tableau de benchmarks affiche 501 milliards de paramètres ne comporte toujours aucun chiffre qu’une équipe financière puisse utiliser.

Pour un lecteur dont le besoin réel, cette semaine, est de faire de l'inférence sur une charge de travail pour laquelle aucun des deux modèles n'est conçu — un résumeur, un classifieur, une interface de chat —, la décision ne se joue pas entre ces deux-là. Elle se joue entre affiner vous-même 2,698 milliards de paramètres et louer quelque chose qui est déjà aligné et tarifé, et c'est la seconde option que vous pouvez mesurer avant de vous engager.

Lequel vous recherchez vraiment

Prenez LFM2.5 2.6B Base si votre problème est plus restreint que celui d’un assistant généraliste. La raison de choisir un petit checkpoint de base, c’est que vous avez une tâche, que vous avez des données, et que vous préférez posséder l’artefact plutôt que de louer un appel. Le contexte de 131 072 tokens est généreux pour sa taille, la couverture de 16 langues est réelle, la pile de convolution hybride est choisie pour le débit sur l’appareil, et la licence vous permet de distribuer ce que vous construisez. Ce à quoi vous vous engagez, c’est le pipeline de fine-tuning, le harnais d’évaluation et les décisions d’alignement — aucun de ces éléments n’étant fourni par le checkpoint.

Choisissez Beam 1.0 si votre tâche fait partie de celles que sa fiche nomme : codage, utilisation d'outils, raisonnement à l'échelle du dépôt, exécution agentique sur un long horizon. Le tableau d'évaluation vise directement ce travail, le contexte de 1 M de tokens y correspond, les versions FP8 et NVFP4 rendent la conversation matérielle plus tractable que ne le suggère 501B, et la licence Apache 2.0 autorise un dérivé commercial. Ce à quoi vous vous engagez, c'est de l'infrastructure de service, un budget de raisonnement toujours actif que le gabarit ne vous laissera pas désactiver, et une estimation de coût que vous devez construire vous-même parce que le fournisseur n'en a publié aucune.

Les deux modèles ne sont pas en concurrence, et la comparaison vaut la peine d’être faite précisément parce qu’elle montre à quel point « open weights » en dit peu à lui seul. Un éditeur a remis un composant et un budget d’entraînement ; l’autre a remis un système avec un protocole de communication et une licence que vous pouvez copier-coller dans un examen juridique. Déterminer lequel des deux vous a été proposé avant de le télécharger, c’est là l’essentiel du travail.

Qu'est-ce qui changerait la donne

Un prix publié de l’API Beam 1.0, ou un déploiement FP8 hébergé avec une grille tarifaire, ferait passer ce modèle de la colonne « établir une estimation » à la colonne « comparer les chiffres », et c’est la seule ligne manquante de sa documentation. Un benchmark indépendant sur les poids de Beam — désormais possible, puisqu’ils sont publics — donnerait au tableau des fournisseurs un arbitre, ce que LFM2.5 2.6B Base ne pourra jamais avoir, car il n’y a encore rien à évaluer. Tant que l’un de ces éléments ne se concrétise pas, le résumé exact est qu’un checkpoint de base de 2,7 milliards de paramètres et un MoE post-entraîné de 501 milliards de paramètres sont tous deux gratuits à télécharger, tous deux coûteux à exploiter dans des devises complètement différentes, et aucun des deux n’est un substitut à l’autre.

Les comparaisons comme celle-ci sont également le lieu où se manifestent les modes de défaillance : les incidents d'IA documentés et les défaillances d'agents derrière les modèles de cette classe sont collectés dans l'Archive des incidents d'IA d'OrcaRouter, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.