Solar Mini 4 vs LFM2.5 2.6B Base : trois fois l’indice, et une comparaison des coûts qui n’existe pas

La façon honnête de comparer Solar Mini 4 et LFM2.5 2.6B Base est d'admettre d'emblée qu'ils ne sont pas sur le même marché. Solar Mini 4 est le mélange d'experts clairsemé de 35 milliards de paramètres d'Upstage, publié le 22 septembre 2026, activant environ 3 milliards de paramètres par token, propriétaire, et facturé 0,10 $ par million de tokens d'entrée et 0,40 $ par million de tokens de sortie. LFM2.5 2.6B Base est le checkpoint préentraîné de 2,69 milliards de paramètres de Liquid AI, publié sur Hugging Face début août 2026 sous la LFM Open License v1.0, assez petit pour tenir en mémoire sur un téléphone. L'un est un point de terminaison. L'autre est un fichier de poids, et si vous lisez ceci parce que vous voulez exécuter un modèle plutôt que d'en appeler un, la comparaison est déjà terminée.

Ce qui rend quand même ce duo digne d’un article, c’est l’unique dimension où ils se recoupent véritablement : tous deux ont été positionnés face à la même référence indépendante, et la forme de cette comparaison ne correspond pas à ce que laissent présager les nombres de paramètres. Artificial Analysis attribue à Solar Mini 4 un score de 24 sur l’Intelligence Index v4.3.2 et évalue la génération LFM2.5 2.6B à 8,4 — mais le deuxième chiffre est une estimation, et il ne mesure pas le checkpoint mentionné dans le titre de cet article. Ces deux réserves comptent, et c’est la première chose à clarifier.

La fiche technique, côte à côte

• Paramètres — Solar Mini 4 compte 35B au total avec 3B actifs ; LFM2.5 2.6B Base est dense à 2,69B, sans rien garder en réserve. Treize fois plus de poids du côté d'Upstage pour un budget de calcul par token à peu près identique.

• Architecture — Solar Mini 4 est un mélange d'experts clairsemé. LFM2.5 2.6B Base compte 30 couches, dont 22 blocs de convolution courte à double porte et 8 blocs d'attention à requêtes groupées, le design hybride que Liquid a conçu pour l'inférence sur CPU et en périphérie.

• Entraînement — Upstage ne publie pas de budget de tokens. La fiche de Liquid documente 34 000 milliards de tokens et un vocabulaire de 128 000 tokens couvrant 16 langues, dont le coréen et le japonais.

• Licence — Solar Mini 4 est propriétaire. LFM2.5 2.6B Base est distribué sous la LFM Open License v1.0 — permissive pour un usage commercial sous conditions, et peut être affiné.

• Contexte — Upstage documente 512K tokens, Artificial Analysis en annonce 1,05 M pour le même modèle, il faut donc considérer ce plafond comme non fixé. LFM2.5 2.6B Base tourne à 131 072.

• Modalité — les deux fonctionnent en texte entrant, texte sortant. Aucun des deux ne prend en charge les images ni l'audio.

• Prix — Solar Mini 4 à 0,10 $ / 0,01 $ en cache / 0,40 $ par million de tokens, actuellement à 50 % de réduction jusqu'au 22 octobre 2026. LFM2.5 2.6B Base n'a aucune grille tarifaire ; l'hôte Artificial Analysis suit les prix de la génération LFM2.5 2.6B à 0,00 $.

Ce que « 8,4, estimé » mesure et ne mesure pas

L’entrée d’Artificial Analysis pour la génération LFM2.5 2.6B — le modèle post-entraîné, pas le Base pré-entraîné — porte un indice de 8,4 signalé comme une estimation, la plupart de ses évaluations de composants étant marquées de la même manière. C’est une position dans un classement, pas une spécification sur laquelle s’appuyer, et il ne faut jamais la citer comme si quelqu’un avait fait passer le checkpoint Base par la suite. Personne ne l’a fait. La fiche de modèle de Liquid ne publie aucune table de benchmarks pour LFM2.5 2.6B Base : c’est un checkpoint pré-entraîné de complétion de texte, et la fiche indique clairement qu’il est recommandé pour un fine-tuning intensif.

Le frère évalué est un artefact distinct. Le tableau de référence de Liquid pour LFM2.5 2.6B post-entraîné indique IFStruct à 85,5 et Multi-IF à 80,1, AIME25 à 51,9, LiveCodeBench v6 à 59,4, BFCLv4 à 56,9 et τ³-Banking à 5,7 — tous exécutés par le fournisseur, tous sur la version affinée aux instructions, et le chiffre τ³ est celui qui se lit comme un avertissement.

Le profil du Solar Mini 4 est d'une forme complètement différente. Il obtient 83,3 % à AA-LCR v1.1 pour le raisonnement sur de longs contextes, 47,6 % à SciCode, et −10,8 à AA-Omniscience avec une précision de 18,4 % et un taux de non-hallucination de 64,2 %. Il obtient également 1 % à Terminal-Bench 4.0 et 22,3 % à AutomationBench-AA. Les deux familles sont faibles dans les tâches agentiques ; le modèle d'Upstage est faible dans les tâches agentiques tout en étant cher, ce qui est une situation pire que d'être faible dans les tâches agentiques tout en étant gratuit.

Ce qui fait que Solar Mini 4 vaut son prix, c'est l'échelle du raisonnement. Avec 88 300 jetons de sortie par tâche d'indexation — dont 71 600 consacrés au raisonnement —, il consacre de la puissance de calcul d'une manière qu'un modèle dense de 2,6 milliards de paramètres ne peut pas imiter en recevant un prompt plus long. On peut demander à un modèle de 2,69 milliards de paramètres de réfléchir étape par étape ; on ne peut pas lui demander d'avoir 35 milliards de paramètres. Voilà le véritable produit.

Trois fois l'indice, et aucun chiffre de coût comparable

Artificial Analysis situe Solar Mini 4 à 0,36 $ par tâche d’indice terminée, contre 0,006 $ pour Granite 4.2 3B, et la génération LFM2.5 2.6B est facturée à zéro, si bien qu’il n’existe aucun chiffre de coût par tâche qui permettrait d’obtenir un ratio équitable. L’affirmation « Solar Mini 4 coûte bien plus cher que LFM2.5 2.6B Base » est donc vraie et quelque peu à côté de la question. La question pertinente est de savoir si le travail d’extraction structurée sur de longs documents en coréen, pour lequel Solar Mini 4 est conçu, peut être effectué par un checkpoint préentraîné de 2,69 B, ne serait-ce que du tout. Généralement, ce n’est pas possible, et la comparaison devient alors Solar Mini 4 face à un généraliste de frontière plutôt que Solar Mini 4 face à un modèle de téléphone.

Le cas où LFM2.5 2.6B Base l'emporte n'est pas celui où il coûte moins cher. C'est celui où la tâche est suffisamment étroite pour que l'affinage comble l'écart. L'extraction de champs structurés à partir d'un format de document connu, la classification selon une taxonomie fixe, un assistant embarqué qui doit fonctionner sans réseau — voilà des tâches où un point de contrôle de 2,69 B accompagné de vos propres données d'entraînement bat un généraliste de 35 B accompagné d'une grille tarifaire, et coûte une instance GPU plutôt qu'un compteur de jetons. Liquid livre le point de contrôle de base avec des recettes de pré-entraînement continu, de SFT LoRA, de DPO et de GRPO via Unsloth et TRL, précisément pour cette dynamique.

Lequel appeler ?

Optez pour Solar Mini 4 lorsque l'entrée est longue, que la sortie doit faire l'objet d'un raisonnement et que le mélange de langues inclut le coréen ou le japonais — et lorsque sept minutes de décodage par tâche difficile sont tolérables. Optez pour LFM2.5 2.6B Base lorsque les poids doivent vous appartenir, que l'appareil n'a pas de réseau et que la tâche est suffisamment étroite pour être affinée. Les déploiements intéressants utilisent les deux, car ce ne sont pas des alternatives : un petit modèle local se charge du routage, du caviardage et de l'extraction, et un modèle hébergé n'est appelé que pour la fraction de requêtes qui avaient réellement besoin de 35B paramètres.

Le modèle de Liquid n'est pas sur OrcaRouter, et celui d'Upstage non plus, donc aucune de ces deux routes n'est quelque chose que nous pouvons vous vendre. Ce que nous pouvons faire, c'est la partie qui transforme cette comparaison d'une décision en une configuration : plus de 200 modèles derrière une seule clé, à 0 % de marge par rapport au prix catalogue du fournisseur, avec basculement automatique entre fournisseurs et un DSL de routage qui vous permet de composer plusieurs modèles en un seul appel. Lorsque la bonne réponse est « le moins cher la plupart du temps et le meilleur quand cela compte », il s'agit d'un problème de routage, et c'est la raison d'être du DSL de routage.

Le chiffre qu’aucun des deux fournisseurs ne mettra sur une diapositive

Latence. Solar Mini 4 consomme 88 300 tokens de sortie par tâche de l’Intelligence Index à une vitesse mesurée de 204 tokens par seconde, soit une moyenne de 430 secondes — un peu plus de sept minutes — pour chaque tâche difficile. La génération LFM2.5 2.6B, sur l’hôte testé par Artificial Analysis, tournait à 45,7 tokens par seconde avec 2,8 secondes d’attente pour le premier chunk, mais il s’agit d’un hôte de centre de données qui fait tourner un modèle destiné normalement à fonctionner sur votre bureau. Les propres mesures de Liquid placent la même architecture à 220 tokens par seconde sur un M5 Max, 113 sur un Ryzen AI Max+ 395, et environ 30 tokens par seconde sur un téléphone — soit une boucle d’agent exploitable sur un appareil sans réseau.

Si votre charge de travail est interactive, la comparaison n’est même pas serrée et aucun score de benchmark ne changera cela. Si votre charge de travail est par lots et que ce qui attend est une tâche cron, sept minutes conviennent et la profondeur de raisonnement en vaut la peine.

Deux remarques sur les sources pour conclure. Chaque chiffre d'Artificial Analysis ici est une mesure indépendante de cette organisation sur une suite partagée ; l'indice LFM2.5 2.6B est explicitement une estimation et porte sur le modèle post-entraîné plutôt que sur le checkpoint Base pré-entraîné mentionné ci-dessus. Chaque chiffre de Liquid AI provient de l'exécution du fournisseur sur ses propres benchmarks, non reproduite — et le checkpoint Base lui-même ne dispose d'aucun score publié, ce qui est un fait concernant les modèles pré-entraînés plutôt qu'une critique de celui-ci.