Perceptron Mk1.5 vs LFM2.5-2.6B-Base : louer la perception, ou posséder le checkpoint et le finir soi-même

Ces deux modèles sont destinés à du matériel que l'on peut soulever d'une seule main. Perceptron Mk1.5 est un modèle de perception pour agents incarnés que son fournisseur annonce faire tourner sur des drones, des quadrupèdes, des lunettes connectées et des téléphones. LFM2.5-2.6B-Base est un checkpoint à poids ouverts de 2,69 milliards de paramètres que Liquid AI a conçu explicitement pour un déploiement sur appareil — assez petit pour tourner avec moins de 2,5 Go de mémoire. Cette ambition matérielle partagée est la seule chose qu'ils ont en commun, et c'est un piège pour quiconque les compare sur une fiche technique. Perceptron Mk1.5 est un produit fini que l'on loue au token : en entrée du texte, des images, de la vidéo et de l'audio, et en sortie du texte et de la géométrie lisible par machine, en service depuis le 25 septembre 2026. LFM2.5-2.6B-Base est une base pré-entraînée brute, sans affinage par instructions, sans template de conversation et sans revendications de benchmark — un checkpoint publié pour que d'autres le finalisent. L'un répond à une question aujourd'hui ; l'autre est la matière première d'un modèle qui le fera.

La comparaison ne fonctionne que si vous nommez l’étape.

Mettre une API en service à côté d'un checkpoint de base n'est pas un comparatif direct, et prétendre le contraire produit un tableau absurde où un côté « gagne » chaque ligne parce que son fournisseur l'a mené à terme et que l'autre n'a même pas été commencé. La question utile est de savoir à quelle étape du travail vous vous trouvez.

Liquid AI a livré la famille LFM2.5 sous la forme d’un ensemble de checkpoints, et le modèle de base est le premier. Sa fiche indique 2,69 milliards de paramètres au total répartis sur 30 couches — 22 blocs de convolution courte à double porte et 8 blocs d’attention à requêtes groupées — entraîné sur environ 34 billions de tokens, avec un vocabulaire de 128 000 tokens, une longueur de contexte de 131 072 tokens et la prise en charge de 16 langues, dont l’anglais, le chinois, le japonais, le coréen et l’arabe. Il est uniquement textuel, c’est un modèle de langage causal et rien de plus, et la recommandation de Liquid elle-même est sans détour : ce checkpoint est destiné aux tâches qui exigent un fine-tuning intensif, comme un assistant spécifique à une langue ou à un domaine, l’entraînement sur des données propriétaires, ou l’expérimentation de nouvelles approches de post-entraînement. Ce qui en fait l’agent d’appel d’outils qui porte les scores publiés de la famille, c’est le pipeline de post-entraînement en quatre étapes de Liquid, que le modèle de base n’inclut pas.

Perceptron Mk1.5 se trouve à l’autre extrémité de cet arc. Perceptron a déjà réalisé le post-entraînement, décidé du format de sortie et fixé le prix du résultat — 0,15 $ par million de jetons d’entrée et 1,50 $ par million de jetons de sortie, avec l’entrée mise en cache à 0,0375 $. Ses spécifications sont précises là où celles du checkpoint de base ne le sont pas : contexte de 36 864 jetons, sortie maximale de 8 192 jetons, quatre modalités d’entrée, un paramètre reasoning_effort de contrôle dont la valeur par défaut est élevée, l’appel de fonctions sur les complétions de chat, et des réponses contraintes via JSON Schema et les expressions régulières.

La raison de garder les deux en vue, c’est que leur coût total de possession évolue en sens opposés. Mk1.5 est coûteux par token et gratuit au démarrage. LFM2.5-2.6B-Base est gratuit à la marge et coûteux dans la seule monnaie qui compte pour un checkpoint de base — votre temps d’ingénierie.

Dimension par dimension, en gardant les rôles bien distincts

• Ce que c'est — Perceptron Mk1.5 est une API de perception hébergée avec une sortie spatiale structurée. LFM2.5-2.6B-Base est un modèle de langage causal pré-entraîné de 2,69 milliards de paramètres, téléchargeable.

• Entrée — Mk1.5 accepte le texte, les images, la vidéo et l’audio (WAV, MP3, FLAC). LFM2.5-2.6B-Base accepte le texte, et uniquement le texte.

• Sortie — Mk1.5 renvoie du texte ainsi que, en option, des points, des boîtes, des polygones, des clips et des éléments <track> horodatés, ou des réponses contraintes par un schéma JSON. La version de base renvoie les probabilités de token pour le token suivant, et rien n'a été ajusté pour rendre cela utile.

• Utilisation autonome — Mk1.5 fonctionne dès le jour où vous obtenez une clé. LFM2.5-2.6B-Base ne répond pas aux questions d’un point de vue produit ; il a besoin d’un fine-tune, et généralement d’un template de chat, avant d’être un modèle que vous livreriez.

• Contexte — 36 864 tokens pour Mk1.5 contre 131 072 pour la base. Le checkpoint embarqué contient presque quatre fois plus de texte que tout ce que contient le modèle de perception servi.

• Empreinte — Mk1.5 s'exécute là où Perceptron l'exécute, et ses travaux publiés sur la latence portent sur un seul H100. La base est conçue pour tourner sur un ordinateur portable, un téléphone ou un boîtier edge en moins de 2,5 Go.

• Preuve — chaque chiffre de capacité du Mk1.5 est propre à Perceptron, et il n'existe aucun indice indépendant pour celui-ci. Le modèle de base ne présente aucune revendication de benchmark : Liquid publie des scores pour le LFM2.5-2.6B post-entraîné, pas pour ce checkpoint.

• Licence — Mk1.5 est fermée, louée par token. LFM2.5-2.6B-Base est distribué sous la licence LFM Open License v1.0 avec des poids que vous téléchargez et conservez.

La route des poids, honnêtement chiffrée

Si l’attrait de LFM2.5-2.6B-Base réside dans le fait que les poids sont gratuits, la version honnête de cette phrase est que les poids sont la partie la moins chère du projet. Un fine-tuning sur des données propriétaires implique un jeu de données, une exécution d’entraînement, un harnais d’évaluation pour vous dire si le fine-tuning a fonctionné, et un chemin de service — Transformers, vLLM ou SGLang, ou l’une des versions GGUF, ONNX et MLX que Liquid publie pour le déploiement sur CPU, multiplateforme et Apple Silicon, respectivement. Rien de tout cela n’est exotique, et à 2,69 B, cela tient sur du matériel qu’un fine-tuning de 70 B ne touche jamais. Mais un checkpoint de base n’est qu’un point de départ, et le risque de calendrier repose entièrement de votre côté de la transaction.

En échange, vous obtenez le contrôle. Le tokenizer 16 langues et le contexte de 131 K signifient qu'un fine-tuning de domaine n'a pas à se disputer la place avec le pré-entraînement. L'empreinte inférieure à 2,5 Go signifie que la cible de déploiement est un appareil plutôt qu'un centre de données, ce qui est tout l'intérêt de la famille. Et la LFM Open License vous permet de conserver le résultat — un spécialiste qu'aucun concurrent ne peut louer via la même API que vous.

Il y a un élément de preuve tiers qu'il vaut la peine de connaître avant de miser sur la lignée, et une lacune. Le LFM2.5-2.6B post-entraîné de Liquid dispose bel et bien d'une mesure indépendante : Artificial Analysis le classe à un Intelligence Index de 8, au 9e rang sur 49 modèles de sa catégorie. Le checkpoint de base, lui, n'en a pas — il n'existe aucune page pour lui, ce qui est normal pour une fondation pré-entraînée et qu'il vaut mieux énoncer clairement plutôt que de le traiter comme un verdict. Ce que l'indice du modèle post-entraîné vous indique, c'est ce que le pipeline produit à partir de ce point de départ, à l'extrémité basse de la plage d'indices, et non ce que produira votre fine-tuning.

La route API, et ce que « on-device » signifie pour un modèle hébergé

L'histoire du déploiement de Perceptron Mk1.5 est plus compliquée que ne le suggère sa liste de cibles, et il vaut la peine d'être précis. L'annonce du fournisseur cite les drones, les quadrupèdes, les lunettes connectées et les téléphones comme cibles de déploiement. Le modèle lui-même est servi depuis api.perceptron.inc derrière une clé API, et les données de latence publiées par Perceptron correspondent à une médiane de trois exécutions sur un seul H100. Un seul H100 n'est pas un drone. L'interprétation réaliste est que Mk1.5 est la couche de perception d'un robot disposant d'une liaison réseau ou d'un boîtier de calcul compagnon, et non un modèle qui s'exécute à l'intérieur de la cellule — et quiconque envisage un appareil hors ligne autour de celui-ci devrait tester cette hypothèse avant de concevoir le matériel.

Ce que la route API apporte, si l’hypothèse réseau tient, est ce qu’un checkpoint de base ne peut vous donner à aucun prix : des coordonnées. La sortie <track> de Mk1.5 porte une observation spatiale et son horodatage, si bien qu’un clip revient sous forme de positions d’objets au fil du temps plutôt que d’une description de scène. Ajoutez le champ asset_idx, qui permet à une requête d’adresser séparément plusieurs images ou vidéos, et la forme de la requête correspond à une boucle de contrôle — trame de référence en entrée, géométrie en sortie, aucune étape d’analyse entre le modèle et le code qui déplace quelque chose.

Les coûts sont ceux déjà listés : 36 864 jetons de contexte, un plafond audio par élément de 16 384 jetons que la documentation de Perceptron situe à environ 21,8 minutes à environ 750 jetons par minute, un reasoning_effort dont la valeur par défaut est high qui vous facture le chemin de raisonnement le plus coûteux à chaque appel que vous ne configurez pas, et un ensemble d'affirmations de benchmarks émises par l'entreprise qui vend le modèle. Le chiffre de suivi des mains est celui à tester sur vos propres séquences : 0,9433 sur le score égocentrique de la hand_box contre 0,4467 pour Gemini 3.1 Pro dans le propre test de Perceptron constitue une marge importante, et les marges importantes dans les évaluations de fournisseurs sont exactement celles qui valent la peine d'être reproduites.

Ni l'un ni l'autre ne figure dans notre catalogue, et cela change la décision.

Aujourd'hui, ni Perceptron Mk1.5 ni LFM2.5-2.6B-Base n'est routé sur OrcaRouter. Mk1.5 n'a aucune route, donc pour l'atteindre, il faut passer par l'API propre au fournisseur — pip install "perceptron>=0.4.0" et PERCEPTRON_API_KEY — et Liquid AI n'a aucun modèle, quelle que soit sa taille, dans notre catalogue, donc le checkpoint de base est un téléchargement depuis le Hugging Face de Liquid plutôt qu'un appel.

Cela importe moins que cela n'en a l'air, car les deux ne sont pas des points de terminaison interchangeables et aucun argument tarifaire ne les rendra tels. Ce qu'une couche de routage apporte ici, c'est la partie de la décision qui reste ouverte. Si vous construisez un service de perception sur Mk1.5 et un spécialiste du texte sur un LFM2.5-2.6B-Base affiné, vous exploitez deux intégrations et deux modes de défaillance ; une passerelle compatible OpenAI devant eux transforme un incident fournisseur de l'un ou l'autre côté en solution de repli plutôt qu'en tâche échouée, et une règle de routage peut envoyer le trafic de vision et le trafic de texte vers des modèles différents sans que l'application sache lequel est lequel. Une API couvrant plus de 200 modèles avec les prix catalogue des fournisseurs répercutés à 0 % de marge est la version de cela où un changement de prix d'un fournisseur arrive le jour même plutôt qu'à votre prochain renouvellement — même si, pour ces deux-là précisément, aujourd'hui, la passerelle relève de la planification plutôt que d'un raccourci disponible.

Ce que vous devez faire, et ce que vous devez mesurer

Si votre tâche consiste à « trouver cet objet dans cette image et renvoyer sa position », louez Mk1.5 et testez l'affirmation sur les boîtes dessinées à la main sur votre propre vidéo avant d'engager un chemin de production sur cette base. Prévoyez l'hypothèse réseau, définissez reasoning_effort délibérément au lieu d'accepter high, et traitez la fenêtre de 36 864 jetons comme la contrainte stricte qu'elle constitue. La sortie structurée est le produit, et si votre code en aval peut consommer une coordonnée sans étape d'analyse syntaxique, c'est une économie réelle là où la plupart des pipelines de vision perdent discrètement en précision.

Si votre tâche est « j’ai besoin d’un modèle de 2,6 B affiné sur des données que personne d’autre ne possède, exécuté quelque part sans GPU », téléchargez LFM2.5-2.6B-Base et estimez honnêtement le coût du fine-tuning avant de commencer. Le checkpoint est gratuit, mais l’ingénierie ne l’est pas, et la leçon propre à cette famille — que la version sœur post-entraînée obtient un score de 8 sur l’index indépendant — rappelle que l’écart entre un modèle de base et un modèle fini est là où réside le véritable travail. Aucune de ces deux options n’est la mauvaise réponse. Ce sont des achats différents, et la seule vraie erreur est de traiter un modèle de base que vous devez finir comme s’il s’agissait déjà d’un produit.

Deux modèles, deux intégrations et deux modes de défaillance, c’est une situation plus mauvaise qu’elle n’y paraît. Sur OrcaRouter, vous pouvez configurer un basculement automatique afin qu’un incident chez un fournisseur, d’un côté ou de l’autre, se transforme en repli plutôt qu’en tâche en échec.