MiniCPM5-2B contre LFM2.5 2.6B Base : un modèle fini face à la matière première pour construire le vôtre

Deux des sorties de petits modèles les plus intéressantes du mois écoulé occupent la même catégorie de poids et ne pourraient pas se trouver à des étapes plus différentes de leur cycle de vie. MiniCPM5-2B est le produit fini : un modèle dense de 2.5B que ModelBest et OpenBMB ont dévoilé à la Conférence mondiale sur l'intelligence artificielle le 19 juillet, dont les poids ouverts sont discrètement devenus disponibles sur Hugging Face les 6 et 7 septembre, avec un pipeline de post-entraînement complet derrière eux — Apache-2.0, prêt à servir. LFM2.5 2.6B Base est le checkpoint pré-entraîné exclusivement textuel de Liquid AI — le substrat brut que l'entreprise dit « recommandé uniquement pour les tâches nécessitant un fine-tuning intensif », sans instruction tuning, sans template de chat et sans aucun benchmark publié, car un modèle de base n'est pas évalué ; ce sont les modèles que vous en fine-tunez qui le sont. Les comparer revient en réalité à se demander quelle couche de la construction vous cherchez à acheter : un modèle qui fonctionne dès ce soir, ou les ingrédients pour fabriquer le vôtre.

Les deux fiches indiquent « pas pour un usage direct » dans des dialectes différents, et les fournisseurs le mentionnent dès les premières lignes. La fiche de MiniCPM5-2B décrit un transformer dense d'architecture Llama de 2 516 756 480 paramètres au total (1 981 982 720 hors embeddings), à 42 couches, à attention par groupes de requêtes et à fenêtre de contexte de 131 072 jetons dans la configuration fournie, ainsi qu'un post-entraînement — SFT de réflexion approfondie, RL spécialisée, distillation on-policy — résolument axé sur le comportement agentique et l'utilisation d'outils. La fiche de Liquid pour LFM2.5 2.6B Base décrit un hybride de 2,69 milliards de paramètres qui empile huit couches d'attention par groupes de requêtes sur vingt-deux blocs de convolution courte à double porte, pré-entraîné sur environ 34 000 milliards de jetons dans 16 langues avec une fenêtre de contexte de 128K, puis s'arrête : le modèle de base existe pour être poursuivi ou affiné en autre chose. L'une est une destination ; l'autre est une ligne de départ.

Ce que Liquid a réellement livré

LFM2.5 2.6B Base a fait son apparition sur Hugging Face début août, en tant que fondation pré-entraînée de la famille LFM2.5-2.6B de Liquid. Sa fiche modèle présente le tableau de la famille — la base, et la LFM2.5-2.6B post-entraînée, que Liquid a ajustée pour les charges de travail agentiques avec appel d'outils — et reconnaît d'emblée que la base est le checkpoint purement textuel utilisé pour créer toutes les variantes. C'est précisément son rôle : prenez l'architecture hybride de 2,69 milliards de paramètres et la fondation multilingue de 34 billions de jetons, puis poursuivez le pré-entraînement ou appliquez-lui un SFT sur votre propre domaine ; ensuite, tout ce que vous déployez hérite des conditions de licence du modèle de base. La fiche ne contient aucun benchmark, car il n'y a encore rien à évaluer ; le modèle n'a pas subi d'instruction tuning, donc, à la sortie de la boîte, il enchaîne le texte au lieu de répondre. Ses poids n'occupent qu'environ 2,5 Go, et il est pris en charge par Transformers, vLLM, SGLang, MLX et llama.cpp, ce qui en fait une base crédible pour des projets de fine-tuning sur téléphone et en environnement edge.

La mise en garde pratique pour cette comparaison : si ce que vous voulez est un petit modèle fonctionnel de Liquid, le pendant équitable de MiniCPM5-2B est le LFM2.5-2.6B post-entraîné, pas la version Base. La version Base est celle que vous choisissez si vous avez l’intention de faire vous-même le post-entraînement — c’est précisément pourquoi le tableau de référence de MiniCPM5-2B compare avec le modèle de la famille affiné par instructions plutôt qu’avec ce point de contrôle brut.

Ce qu'OpenBMB a livré, et pourquoi c'est différent

MiniCPM5-2B arrive en tant que produit fini, avec les plans d’usine joints. Là où Liquid vous tend une base et la main-d’œuvre, OpenBMB vous livre le tout ouvert : le checkpoint final post-entraîné RL + OPD, les versions GGUF, MLX, GPTQ, base, SFT et draft, et — ce qui change la donne dans la comparaison — les corpus d’entraînement eux-mêmes, publiés sous licence Apache-2.0 au sein de la famille UltraData. La fiche modèle fait état d’une moyenne interne de 53,9 sur un ensemble comparatif de modèles ouverts 2B-4B sélectionné par le fournisseur, avec un score AIME 2025/2026 de 86,5 et un 46,4 obtenu par le fournisseur sur SWE-bench Verified, aucun de ces résultats n’ayant encore été reproduit de manière indépendante. Il est conçu pour tourner, non pour être entraîné : le pitch de lancement mettait en avant une adaptation dès le premier jour sur neuf familles de puces et ARM, l’appel d’outils natif via des appels de type XML, et des modes de réponse hybrides rapide/réfléchi pour une utilisation interactive.

Le tableau d'affichage, honnêtement étiqueté

• Ce que vous obtenez — MiniCPM5-2B : un modèle de chat finalisé et exploitable, plus des données d'entraînement ouvertes. LFM2.5 2.6B Base : une base pré-entraînée que vous affinez pour obtenir un modèle finalisé.

• Paramètres — MiniCPM5-2B : 2,52B au total / 1,98B hors embedding, dense de type Llama. LFM2.5 2.6B Base : 2,69B hybride (8 blocs d’attention + 22 blocs de convolution courte).

• Contexte — MiniCPM5-2B : 131 072 jetons dans la configuration fournie. LFM2.5 2.6B Base : 128K natif.

• Langues — MiniCPM5-2B : fiche et données centrées sur l'anglais et le chinois. LFM2.5 2.6B Base : pré-entraîné sur 16 langues.

• Repères — MiniCPM5-2B : suite complète du fournisseur (moyenne interne 53,9 ; non reproduite). LFM2.5 2.6B Base : aucune publiée pour la base elle-même, par conception.

• Licence — MiniCPM5-2B : Apache-2.0 pour les poids et les données publiées. LFM2.5 2.6B Base : LFM Open License v1.0, gratuite en dessous de 10 M$ de revenus annuels, et le plafond se transmet à vos dérivés.

Le tableau ci-dessus raconte la même histoire en six lignes : les deux modèles sont petits, de classe 128K et adjacents à Apache, mais une colonne se termine par un service en cours d’exécution et l’autre par une décision sur qui assure l’entraînement.

La licence est la fonctionnalité

Pour un développeur, l'écart de licence est la ligne la moins glamour et la plus décisive de cette liste. {{1}}OpenBMB a placé MiniCPM5-2B et ses données publiées sous licence Apache-2.0 : vous pouvez le déployer, l'affiner et bâtir un produit commercial par-dessus, sans plafond de revenus ni autre obligation héritée que l'attribution.{{/1}} La LFM Open License v1.0 de Liquid est réellement open-weight, mais conditionnée aux revenus : les organisations dont le chiffre d'affaires annuel est inférieur à 10 millions de dollars reçoivent une large autorisation commerciale ; celles qui se situent à ce seuil ou au-dessus n'en reçoivent pas,{{2}} et ce plafond se transmet à tout modèle que vous affinez, si bien qu'un produit bâti sur LFM2.5 2.6B Base reste soumis au même plafond à mesure que votre entreprise grandit.{{/2}} Cela ne rend pas la licence de Liquid déraisonnable ; cela en fait une condition qu'une startup espérant dépasser le plafond doit anticiper dès le premier jour, et c'est la raison principale pour laquelle le cadrage « modèle fini » compte. {{3}}Si vous construisez quelque chose que vous comptez faire grandir, Apache-2.0 avec des données ouvertes est une matière première d'une autre nature qu'une licence plafonnée.{{/3}}

La bifurcation entre construire et acheter, concrétisée

Présentez-le comme un choix entre construire et acheter, et la décision cesse d'être déroutante. MiniCPM5-2B, c'est la voie de l'achat : le travail difficile — le post-entraînement d'un petit modèle pour des usages agentiques à contexte long — est déjà fait, la licence est propre, et il ne vous reste que le déploiement et l'évaluation. Le prix à payer, c'est que vous adoptez les choix de post-entraînement de quelqu'un d'autre, et que ses chiffres phares datent d'une semaine sans avoir été vérifiés par quiconque en dehors du laboratoire. LFM2.5 2.6B Base, c'est la voie de la construction : vous achetez l'architecture et le pré-entraînement de Liquid, puis vous faites vous-même le post-entraînement — la seule raison honnête de préférer un modèle de base au LFM2.5-2.6B ajusté par instructions que Liquid vend déjà. Cette voie se justifie quand vous avez un domaine, une langue ou un profil comportemental que les modèles prêts à l'emploi ne couvrent pas. C'est incontestablement plus de travail, elle démarre sans aucun benchmark publié et elle conserve le plafond de revenus. La récompense, c'est un modèle que personne d'autre ne possède — et, comme OpenBMB a ouvert les données de MiniCPM5-2B, vous disposez maintenant d'un deuxième moyen d'y parvenir : poursuivre l'entraînement d'une recette Apache-2.0 éprouvée plutôt que de partir d'un modèle de base brut.

La réalité du routage pour les deux

Aucun des deux checkpoints n’apparaît aujourd’hui dans un catalogue hébergé, donc la question de la couche concerne le monde qui les entoure plutôt que la livraison. Une fois que vous avez servi MiniCPM5-2B ou affiné LFM2.5 2.6B Base pour en faire quelque chose qui vous appartient, la manière réversible de tester l’un ou l’autre contre les modèles hébergés que vous utilisez déjà passe par une seule API avec basculement automatique — une pile nouvelle ou dérivée peut caler sans faire tomber la production, et les prix catalogue des fournisseurs sont répercutés à 0 % de marge, ce qui rend la comparaison A/B peu coûteuse. Pour la décision de construire plutôt que d’acheter, cependant, le plan honnête reste le même qu’avec les petits modèles ouverts : le benchmark qui compte est celui que vous exécutez sur votre propre matériel et vos propres données, pas celui qui figure sur l’une ou l’autre fiche.

Quelle couche cherchez-vous réellement ?

Choisissez MiniCPM5-2B lorsque vous voulez un modèle embarqué, fini et sous licence Apache-2.0, que vous pouvez servir dès ce soir et affiner sur des données ouvertes — en acceptant que sa fiche impressionnante ne soit pas vérifiée et nécessite votre propre reproduction avant de gagner une confiance en production. Choisissez LFM2.5 2.6B Base lorsque vous avez l'intention de post-entraîner votre propre modèle et souhaitez prendre pour poids de départ l'architecture hybride de Liquid et ses fondations en 16 langues — en acceptant la facture de l'affinage, 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 des 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.