HiRO-ACEv2 vs LFM2.5 2.6B Base : aucun des deux n'est un produit, et ils ne sont pas inachevés de la même façon

Placez HiRO-ACEv2 et LFM2.5 2.6B Base côte à côte, et la première chose que vous remarquez, c'est qu'aucun des deux n'est quelque chose qu'un développeur peut invoquer. HiRO-ACEv2 est l'émulateur climatique de deuxième génération d'Ai2, mis en ligne sous la forme d'un dépôt Hugging Face de 10,9 Go le 12 octobre 2026, sans annonce et avec une prépublication datée du lendemain ; LFM2.5 2.6B Base est le checkpoint pré-entraîné de 2,69 milliards de paramètres de Liquid AI, créé le 1er août 2026, explicitement décrit par son propre fournisseur comme le checkpoint vers lequel on se tourne uniquement lorsqu'on a besoin d'une adaptation substantielle. Les deux sont de la matière brute. Les deux sont téléchargeables aujourd'hui. Et les manières dont chacun n'est pas un produit fini sont presque opposées, ce qui est la seule raison pour laquelle cette comparaison vaut la peine d'être écrite plutôt que rejetée.

Le checkpoint Base est inachevé parce qu’on ne lui a pas encore appris à suivre des instructions. HiRO-ACEv2 est inachevé dans le sens où il ne sera jamais un modèle polyvalent — c’est une application arrivée déjà entraînée, déjà spécialisée et déjà enfermée dans des limites déclarées. L’un est un substrat en attente d’une finalité. L’autre est une finalité sans substrat pour quoi que ce soit d’autre.

Ce que contient réellement chaque dépôt

Le dépôt Base de Liquid AI est un modèle. La fiche recense 2,69 milliards de paramètres répartis sur 30 couches — 22 blocs de convolution courte à double porte et 8 couches d’attention à requêtes groupées, un agencement hybride sur lequel repose la famille LFM2 — avec une fenêtre de contexte de 131 072 jetons, un vocabulaire de 128 000 entrées, 34 000 milliards de jetons de préentraînement et une couverture de 16 langues, dont l’anglais, l’arabe, le chinois, le français, l’allemand, l’italien, le japonais, le coréen, le portugais, l’espagnol, le vietnamien, le thaï, l’indonésien, l’hindi, le russe et le polonais. Il ne prend en charge que le texte et n’est pas affiné pour suivre des instructions. Les formats de téléchargement vont du checkpoint Transformers natif en passant par GGUF pour llama.cpp, ONNX pour le déploiement multiplateforme, jusqu’à MLX pour Apple silicon ; la quantification Q4_K_M se situe autour de 1,67 Go.

Le dépôt d’Ai2 n’est pas un modèle en ce sens. Il contient deux checkpoints — HiROv2.ckpt, d’environ 1,28 GiB, et ACE2S-X-SHiELD.ckpt, d’environ 2,98 GiB — ainsi que dix ans de données de forçage NetCDF, à environ 609 Mo par fichier, deux fichiers de conditions initiales, trois configurations YAML et un script shell. Les quelque 4,3 GiB de poids réels ne représentent qu’une minorité du total de 10,9 Go ; l’essentiel de ce que vous téléchargez est la fenêtre de données d’entrée que le framework a été conçu pour consommer. Il n’y a pas de quantification, pas de runtime alternatif, pas d’export ONNX et pas de variante plus petite. Il n’y a qu’une seule façon de l’exécuter, et le README la décrit : installez le paquet fme d’Ai2, modifiez quatre chemins dans la configuration, exécutez le script.

Deux types différents de problème de licence

Les tags de licence sont là où le contraste devient pratique plutôt que philosophique, et où ce duo diffère réellement d’un modèle comme les versions Apache-2.0 que vous pourriez vous attendre à trouver ici.

• HiRO-ACEv2 — Apache 2.0, avec les lignes directrices d'utilisation responsable d'Ai2 qui attachent une intention de recherche et d'éducation à l'octroi, et les données d'entraînement attribuées à X-SHIELD, fournies par GFDL.

• LFM2.5 2.6B Base — la LFM Open License v1.0, et non une licence permissive de type OSI. Ses conditions figurent dans le fichier LICENSE propre au dépôt, et les conditions commerciales sont la raison de lire ce fichier plutôt que l'étiquette avant de bâtir un produit sur le checkpoint.

• Ce que cela signifie pour le fork que vous êtes sur le point de faire — avec HiRO-ACEv2, la question est de savoir si votre usage relève de la recherche ; avec LFM2.5 2.6B Base, la question est de savoir si votre usage est commercial, et à quelle échelle. Des questions différentes, des réponses différentes, et aucune des deux n'est résolue par le mot « open ».

Les formes de sortie n'ont rien en commun, et c'est là la partie utile.

Le checkpoint Base produit du texte. Token par token, de manière autorégressive, avec la surface d'échantillonnage habituelle — la fiche suggère une température de 0,6 et un top-p de 0,95 pour le style de génération de son homologue post-entraîné, et un checkpoint de base vous demande de décider cela vous-même. Tout ce qui en découle est une tâche langagière : poursuivre un document, classifier un segment, traduire, émettre des données structurées, ou servir de point de départ à un fine-tuning qui lui apprend un domaine ou une langue qu'il ne couvre pas encore bien.

HiRO-ACEv2 produit des champs physiques sur grille à une résolution de 3 km — taux de précipitation en surface moyennés sur six heures, vents instantanés à 10 mètres vers l'est et vers le nord, et pression au niveau de la mer — mis à l'échelle descendante à partir d'une entrée à 100 km par un modèle de diffusion, l'état grossier étant lui-même généré de manière autorégressive par un émulateur distinct de X-SHIELD. Rien dans ce pipeline n'est du texte. L'évaluation qui compte est de savoir si la distribution des sorties correspond à une simulation de référence jusqu'à son extrême queue, et l'article à l'origine de la publication est exactement cela : les auteurs rapportent qu'ils suivent les distributions de référence des précipitations et des vents proches de la surface jusqu'au 99,9999e centile, et qu'ils suivent globalement la distribution de référence de l'intensité des cyclones tropicaux, avec un coût d'inférence annoncé plus de 300 fois inférieur à celui d'un modèle numérique mondial conventionnel de résolution des tempêtes.

Ces deux affirmations émanent de fournisseurs ou d’auteurs et n’ont pas été reproduites. La différence tient à ce que devrait faire celui qui cherche à les reproduire. Vérifier une affirmation sur le checkpoint Base nécessite une suite de tâches et autant d’heures GPU que pour un checkpoint. Vérifier une affirmation sur HiRO-ACEv2 nécessite un jeu de données de forçage sur dix ans, une simulation de référence à laquelle se comparer et une analyse de distribution dans l’extrême queue — c’est pourquoi la seconde affirmation risque de rester incontestée bien plus longtemps.

Ce que vous construiriez réellement sur chacun

L'usage naturel du checkpoint Base est l'adaptation, et Liquid AI est inhabituellement direct à ce sujet : des assistants spécifiques à une langue ou à un domaine, l'entraînement sur des données propriétaires, ou l'essai de nouvelles méthodes de post-entraînement. C'est un checkpoint dont la valeur arrive après votre travail, pas avant. Le frère post-entraîné — LFM2.5 2.6B, créé trois jours plus tôt, le 28 juillet — est celui conçu pour les charges de travail agentiques, et les chiffres de téléchargement disent tout sur lequel des deux la communauté voulait : le modèle post-entraîné avait dépassé les 114 000 téléchargements et 823 likes à la mi-octobre, contre 6 282 téléchargements et 51 likes pour le Base. Le Base est un outil de spécialiste et le marché l'a évalué en conséquence.

L'usage naturel de HiRO-ACEv2 consiste à faire tourner un ensemble. L'argument de vente du cadre n'est pas une prévision unique, mais de nombreuses prévisions : la motivation de l'article est de générer de grands ensembles à un coût suffisamment faible pour étudier le comportement des cyclones tropicaux et les extrêmes à 3 km, sur des périodes de plusieurs décennies et dans des régions arbitraires du globe. Vous ne le fine-tunez pas, et la fiche du modèle ne vous y invite pas. Vous le faites tourner, et soit vous faites confiance à ses limites — neuf ans de données d'entraînement, aucune applicabilité en dehors de 66°S à 70°N, des artefacts aux frontières des patchs au-delà de la tuile d'entraînement de 16 × 16 à un degré — soit vous ne le faites pas.

Autrement dit : l’un de ces modèles est un point de départ que vous modifiez, et l’autre est un instrument que vous faites fonctionner. Les considérer comme des « modèles ouverts » interchangeables parce que les deux sont téléchargeables est l’erreur que cette page vise à prévenir.

La seule chose qu'ils ont vraiment en commun : aucun des deux n'est facturable au token

Là où les deux convergent véritablement, c'est sur la structure des coûts. Ni l'un ni l'autre n'a de grille tarifaire. LFM2.5 2.6B Base est gratuit à télécharger et peu coûteux à exécuter, précisément parce qu'il est petit — quelques gigaoctets en bf16 et bien moins de deux gigaoctets une fois quantifié, ce qui est tout l'intérêt de la conception de LFM2.5 et la raison pour laquelle il existe aux côtés d'un frère post-entraîné optimisé pour le travail sur appareil. HiRO-ACEv2 est peu coûteux pour une raison différente : c'est un émulateur étroit, et son économie tient au remplacement d'une simulation numérique extrêmement coûteuse, plutôt qu'à sa capacité à tenir sur un téléphone.

Donc, si votre charge de travail est du texte, le checkpoint Base est une question de fine-tuning, et la version quotidienne de cette charge de travail — celle où vous voulez qu'un modèle réponde plutôt qu'un checkpoint à entraîner — ressemble à un appel, pas à un téléchargement. C'est la couche dans laquelle s'inscrit OrcaRouter : une seule clé API pour plus de deux cents modèles hébergés, avec le prix catalogue du fournisseur répercuté sans marge et un basculement automatique entre fournisseurs lorsque l'un d'eux se dégrade. Aucun des deux modèles de cette comparaison ne figure dans ce catalogue, et aucun ne pourrait y figurer sous sa forme actuelle ; LFM2.5 2.6B Base est un checkpoint plutôt qu'un service, et HiRO-ACEv2 n'a pas du tout d'interface sous forme de requête. Ce que nous routons, c'est tout ce qui les entoure — la synthèse, l'extraction, le code d'harnais et la boucle d'agent qui transforme un artefact téléchargé en pipeline.

Choisir, en pratique

Si vous disposez de données dans un domaine ou une langue dont le modèle de base n'a pas suffisamment vu, et que vous avez la puissance de calcul nécessaire pour effectuer un post-entraînement, LFM2.5 2.6B Base est un point de départ moins cher que la plupart de ses concurrents — lisez le fichier de licence avant de lire le benchmark que vous espériez, car sur ce checkpoint, la licence est le document qui détermine si votre projet est autorisé. Si vous voulez un petit modèle agentique à exécuter sur un appareil, vous voulez le frère post-entraîné plutôt que le Base, et les chiffres de téléchargement suggèrent que la communauté est arrivée à cette conclusion avant vous. Si vous voulez un champ atmosphérique de 3 km sur trois décennies de climat simulé, aucun des deux n'est pertinent et un seul fichier de cet article l'est.

L’élément utile à retenir, c’est que « open weights » a cessé d’être une catégorie utile en soi. Un checkpoint de base, un homologue post-entraîné et un émulateur de recherche peuvent tous porter une étiquette à consonance permissive et, par elle, désigner trois choses entièrement différentes.

C'est aussi dans des comparaisons comme celle-ci que les modes de défaillance apparaissent : les incidents d'IA et les défaillances d'agents documentés derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et un indicateur de contestation.