MiniCPM5-2B-DSpark vs LFM2.5-2.6B-Base : l'un est un ingrédient pour l'inférence, l'autre est un ingrédient pour l'entraînement.

Deux des sorties de petits modèles les plus intéressantes de la fin de l’été 2026 ont ceci en commun : ni l’une ni l’autre ne fonctionne clé en main, et les deux fournisseurs le disent dès les premières phrases de leurs fiches. MiniCPM5-2B-DSpark est le checkpoint d’ébauche DSpark qu’OpenBMB a publié discrètement sur Hugging Face le 6 septembre 2026 — un compagnon de 323,8 millions de paramètres pour MiniCPM5-2B, le modèle dense de 2,52 milliards de paramètres conçu pour fonctionner sur appareil, que ModelBest a annoncé au WAIC le 19 juillet 2026 — et il ne fait rien tant que vous ne le chargez pas à côté de cette cible dans un moteur de décodage spéculatif. LFM2.5-2.6B-Base est le checkpoint de texte pré-entraîné de Liquid AI, disponible sur Hugging Face depuis le 1er août 2026, que la fiche de Liquid elle-même qualifie de « checkpoint pré-entraîné texte seul », recommandé uniquement pour les tâches nécessitant un fine-tuning intensif. L’un est un ingrédient pour servir plus rapidement un modèle fini ; l’autre est un ingrédient pour entraîner votre propre modèle dès le départ. Ils sont posés sur des étagères différentes, et l’erreur du développeur serait de saisir le mauvais.

Ce qui rend leur comparaison pertinente, c'est qu'elles ciblent le même matériel et la même ambition pour 2026 — une IA capable sur téléphones, ordinateurs portables et boîtiers edge —, mais depuis les deux extrémités opposées du processus de construction. Si vous voulez un modèle embarqué déployable et une accélération gratuite, la pile d'OpenBMB vous livre l'ensemble ouvert. Si vous voulez garder la main sur le post-entraînement, Liquid vous fournit le substrat et le travail. Cet article explique quelle couche vous cherchez réellement à acheter.

Deux cartes qui disent « pas pour un usage direct » dans différents dialectes.

Lisez les deux fiches de modèles côte à côte : l'indice se trouve dans le langage d'appariement. La fiche de MiniCPM5-2B-DSpark est entièrement rédigée en référence à un autre modèle : une cible, un tokenizer qu'il partage, des couches de draft, des longueurs d'acceptation, une commande de lancement SGLang qui prend un chemin de cible et un chemin de draft. Le draft n'a aucune identité propre — cinq couches à attention complète, 323 776 001 paramètres, une taille de bloc de sept, entraîné pendant six époques sur 7,05 milliards de jetons de réponses générées par MiniCPM5-2B, et publié sous licence Apache-2.0 avec les têtes de confiance et de Markov de la méthode DSpark (arXiv 2607.05147) activées. Son but est le débit : proposer jusqu'à sept jetons, faire vérifier le bloc en une seule passe par la cible 2,52B, et conserver ce qu'elle accepte.

La fiche openbmb/MiniCPM5-2B-DSpark ci-dessus représente l'intégralité de la surface publique de la version — un accessoire de service sans annonce associée, indiquant la longueur d'acceptation mais aucun gain de vitesse de bout en bout.

La fiche de LFM2.5-2.6B-Base est rédigée en référence à un modèle qui n'existe pas encore : le vôtre. Le modèle hybride de 2,69B empile huit couches d'attention à requêtes groupées sur vingt-deux blocs de convolution courte à double porte — l'architecture de Liquid pour le déploiement sur appareil — entraîné sur environ 34 billions de jetons dans 16 langues, avec un contexte de 128K. Il est purement textuel, sans ajustement par instructions, et ne publie aucun benchmark propre, car un modèle de base pré-entraîné n'est pas évalué ; seuls les produits affinés qui en découlent le sont. Son rôle est de faire l'objet d'un pré-entraînement complémentaire ou d'un affinage supervisé sur vos données, après quoi tout ce que vous distribuez hérite de ses conditions de licence.

La fiche du modèle LiquidAI/LFM2.5-2.6B-Base ci-dessus présente le tableau de la famille — le modèle de base par rapport au modèle agentique LFM2.5-2.6B post-entraîné — ainsi que la mention « point de contrôle pré-entraîné texte uniquement » qui définit le modèle de base comme matière première.

Les dépôts, dimension par dimension.

• Rôle — MiniCPM5-2B-DSpark : accélère une cible existante et finalisée. LFM2.5-2.6B-Base : le substrat que vous post-entraînez pour obtenir un modèle finalisé.

• Paramètres — MiniCPM5-2B-DSpark : un draft de 324M pour une cible dense de 2,52B. LFM2.5-2.6B-Base : un modèle hybride de 2,69B (blocs d’attention et de convolution courte).

• Contexte — MiniCPM5-2B cible : 128K natif. LFM2.5-2.6B-Base : 128K natif.

• Ce que vous devez ajouter — MiniCPM5-2B-DSpark : un moteur de serving (SGLang DSPARK) et le modèle cible. LFM2.5-2.6B-Base : une exécution de fine-tuning, une suite d’évaluation et une pile d’inférence.

• Benchmarks — MiniCPM5-2B-DSpark : longueur d’acceptation du repo uniquement (agrégat glouton de 5,52 par étape), aucun chiffre d’accélération. LFM2.5-2.6B-Base : aucune publication pour la base elle-même.

• Licence — MiniCPM5-2B-DSpark : Apache-2.0, sans conditions. LFM2.5-2.6B-Base : LFM Open License v1.0 — utilisation commerciale gratuite jusqu'à 10 M$ de revenus annuels, et le plafond est hérité par tout ce que vous affinez.

Le tableau de score ci-dessus est l’étagère à ingrédients représentée sous forme de carte : une colonne est un supplément de service pour un modèle fini, l’autre est un substrat d’entraînement pour un modèle qui n’existe pas tant que vous ne l’avez pas construit.

La différence de 10 millions de dollars

Pour un créateur, l'écart de licences est la ligne la moins glamour et la plus décisive de cette liste. ModelBest et OpenBMB ont placé MiniCPM5-2B et son modèle draft sous licence Apache-2.0 : vous pouvez servir la cible, exécuter le modèle draft et construire un produit commercial par-dessus, sans plafond de revenus ni autre obligation héritée que l'attribution. La licence ouverte LFM v1.0 de Liquid autorise l'usage commercial mais le plafonne — gratuite en dessous de 10 millions de dollars de revenus annuels, et le plafond se transpose à votre œuvre dérivée : un produit que vous affinez à partir de LFM2.5-2.6B-Base porte donc le même plafond. Cela ne rend pas la licence de Liquid déraisonnable ; cela en fait une condition autour de laquelle une startup espérant franchir le plafond doit s'organiser dès le premier jour. Si les ambitions de revenus de votre projet sont modestes ou si vous évaluez des travaux de recherche, le plafond est un non-sujet. Si vous construisez quelque chose que vous comptez faire grandir, Apache-2.0 est une matière première d'une autre nature.

Le dilemme « construire ou acheter » pour les créateurs

Présentez cela comme une décision de type « construire ou acheter » concernant le modèle lui-même, et le choix cesse d'être déroutant. MiniCPM5-2B-DSpark est la voie « acheter » : le travail difficile — le post-entraînement d'un modèle sur appareil pour des tâches agentiques et à long contexte — est déjà fait dans MiniCPM5-2B, et le draft est une couche d'accélération par-dessus, sans licence supplémentaire. Vous achetez un modèle fini et une accélération, tous deux sous licence Apache-2.0 ; votre travail restant se limite à la mise en service et à l'évaluation. La question ouverte est d'ordre quantitatif : OpenBMB a mesuré le taux d'acceptation du draft (5,52 jetons par étape de vérification en mode glouton) mais pas son gain en temps réel ; vous devez donc encore mesurer les performances du déploiement SGLang sur votre propre matériel pour savoir ce que vous avez acheté.

LFM2.5-2.6B-Base représente la voie « build » : vous achetez le substrat de pré-entraînement et effectuez vous-même le post-entraînement, ce qui est la seule raison honnête de choisir une base plutôt que le modèle jumeau post-entraîné LFM2.5-2.6B que Liquid vend déjà. Cette voie a du sens lorsque vous avez un domaine, une langue ou un profil de comportement que les modèles prêts à l'emploi ne couvrent pas — vous prenez l'architecture de Liquid et sa fondation de 34 000 milliards de jetons, et vous la faites vôtre. C'est strictement plus de travail, cela démarre sans aucun benchmark publié, et cela conserve le plafond de revenus. La récompense est un modèle que personne d'autre ne possède.

La réalité du routage

Aujourd'hui, aucun des deux checkpoints ne figure dans un catalogue hébergé, y compris celui d'OrcaRouter — le draft est par définition un accessoire de service local, et la base de Liquid est un projet de fine-tuning auto-hébergé. C'est là qu'une couche de routage reste utile sans prétendre héberger ni l'un ni l'autre : une fois que vous avez servi ou affiné l'un ou l'autre modèle, la couche devant vos propres endpoints est ce qui rend leur essai réversible. Dirigez un chemin de test vers une build SGLang de MiniCPM5-2B-plus-draft pendant que la production reste sur ce que vous servez aujourd'hui, laissez le basculement automatique détecter le blocage, et maintenez la transmission des prix catalogue des fournisseurs avec 0% de marge pour les modèles hébergés auxquels vous comparez. Le but de la couche ici n'est pas la livraison — c'est qu'aucun des deux composants ne vous engage irréversiblement.

Sur quel rayon faites-vous vos achats ?

Choisissez MiniCPM5-2B-DSpark (avec sa cible) lorsque vous voulez un modèle sur appareil fini et sous licence Apache-2.0 dès aujourd'hui, ainsi qu'un brouillon qui peut le rendre plus rapide — en acceptant que vous deviez mesurer vous-même l'accélération du brouillon, puisque le fournisseur ne l'a pas fait. Choisissez LFM2.5-2.6B-Base lorsque vous comptez post-entraîner votre propre modèle et souhaitez que l'architecture hybride de Liquid et la base de 16 langues constituent les poids de départ — en acceptant la facture du fine-tuning, l'absence totale de benchmarks publiés et le plafond de revenus de 10 millions de dollars qui suivra tout ce que vous commercialiserez. Les deux ne sont pas rivaux pour la même tâche ; ce sont deux tâches différentes sur le même matériel, et la seule mauvaise décision est d'acheter l'un en croyant acheter l'autre.