SubQ Snap 1.1 vs LFM2.5 2.6B Base : acheter la décision ou la construire à partir d’un checkpoint

Le mot le plus important dans une comparaison entre SubQ Snap 1.1 et LFM2.5 2.6B Base est le dernier. Base signifie pré-entraîné. Cela signifie que Liquid AI a publié le checkpoint après environ 34 000 milliards de tokens d’entraînement et avant tout le fine-tuning supervisé, la distillation ou l’apprentissage par renforcement qui transforme un modèle de langage en quelque chose qui suit une instruction. Il ne répondra pas à une question. Il ne choisira pas d’étiquette. Demandez-lui d’acheminer un ticket d’assistance et il continuera votre prompt dans le style du texte sur lequel il a été entraîné, ce qui n’est pas un bug — c’est à cela que sert un checkpoint de base.

SubQ Snap 1.1, en revanche, est un produit fini : le modèle de décision de Subquadratic, publié le 22 octobre 2026, qui accepte jusqu’à 384 K tokens de texte et d’images ainsi qu’un ensemble de réponses fixe et renvoie un choix calibré. Les confronter comme s’il s’agissait d’alternatives constitue une erreur de catégorie, et une erreur utile, car elle correspond exactement à la décision à laquelle une équipe fait face lorsqu’elle veut une classification qui tourne sur du matériel qu’elle contrôle. La question n’est pas « quel modèle est meilleur ». Elle est « achetez-vous la décision, ou la construisez-vous à partir d’un point de départ ? »

Ce que Liquid AI a réellement livré

LFM2.5-2.6B Base est arrivé le 4 août 2026 avec son homologue post-entraîné, LFM2.5-2.6B, au sein d’une famille qui va de 230 millions de paramètres à un mélange d’experts de 24B. L’architecture est le design LFM2 de Liquid : trente couches, dont vingt-deux blocs de convolution courte à double porte et huit couches d’attention à requêtes groupées, un vocabulaire de 128 000 jetons et une fenêtre de contexte de 128K ajoutée lors d’une phase d’extension en milieu d’entraînement. Avec 2,69 milliards de paramètres, il tient dans environ 2,5 gigaoctets, tourne à environ 220 jetons par seconde sur un Apple M5 Max, autour de 113 sur un Ryzen AI Max+, et environ 30 sur un téléphone.

C’est du côté du modèle instruct que se trouvent les chiffres intéressants, et ils méritent d’être lus comme une mesure de ce que vaut le post-entraînement. Liquid rapporte AIME25 à 51,87, LiveCodeBench v6 à 59,41, IFBench à 59,17, Multi-IF à 80,07, BFCLv4 à 56,88 et ToolSandbox à 77,83 — tous rapportés par le fournisseur, tous sur le modèle post-entraîné. Le checkpoint de base n’a pas de scores comparables de suivi d’instructions, car il ne peut pas suivre d’instructions. Cet écart, entre un checkpoint et un modèle auquel on peut poser une question, correspond à quatre étapes de post-entraînement : deux cycles de fine-tuning supervisé, une spécialisation par domaine des enseignants, une distillation on-policy multi-domaine, et un apprentissage par renforcement agentique dans de véritables harnais.

Liquid dit aussi clairement à quoi le modèle n’est pas destiné : le codage agentique et les tâches à forte intensité de connaissances. C’est une déclaration de positionnement plus honnête que celles que publient la plupart des laboratoires, et il vaut la peine de la prendre au pied de la lettre.

Les spécifications, côte à côte

• De quoi s’agit-il — LFM2.5 2.6B Base est un checkpoint préentraîné sans ajustement par instructions ; SubQ Snap 1.1 est un modèle décisionnel hébergé doté d’une API à réponses fixes.

• Contexte — 128K tokens pour LFM2.5 2.6B Base ; 384K tokens pour Snap 1.1.

• Entrée — texte uniquement pour LFM2.5 2.6B Base ; texte et images pour Snap 1.1.

• Sortie — génération libre de tokens, ou la tête que vous entraînez par-dessus, pour LFM2.5 2.6B Base ; un choix ou un score avec une probabilité pour Snap 1.1.

• Prix — auto-hébergé uniquement, aucune facturation au token, pour LFM2.5 2.6B Base ; 0,04 $ par 1 M de tokens d’entrée, sortie gratuite, pour Snap 1.1.

• Licence — LFM Open License v1.0, utilisation commerciale autorisée avec un seuil de revenus, pour le modèle Liquid ; aucun poids du tout pour Snap.

• Empreinte — environ 2,5 Go et exécutable sur un téléphone pour LFM2.5 2.6B Base ; un appel réseau pour Snap 1.1.

L'écart entre un checkpoint et un classifieur

Pour transformer LFM2.5 2.6B Base en quelque chose qui fait ce que fait Snap 1.1, il vous faut cinq éléments, et un seul d’entre eux est le modèle.

Vous avez besoin de données étiquetées — quelques milliers d’exemples par classe constituent un point de départ raisonnable pour une tâche de routage restreinte, et il en faut considerably davantage si les classes sont déséquilibrées ou si la frontière est subtile. Vous avez besoin d’un entraînement : une tête de classification ou un adaptateur LoRA, au-dessus d’un point de contrôle de base qui n’a jamais vu d’instruction, ce qui signifie que le fine-tuning assure à la fois l’adaptation à la tâche et le travail de suivi d’instructions. Vous avez besoin de calibration, car un score softmax n’est pas une probabilité calibrée et un seuil de routage fixé sur un score non calibré est un seuil fixé au hasard. Vous avez besoin d’un banc d’évaluation que vous maintenez, puisque le modèle dérivera à mesure que votre trafic change. Et vous avez besoin d’une infrastructure de service — llama.cpp, MLX, vLLM ou ONNX, qui prennent tous en charge l’architecture.

Rien de tout cela n’est exotique. Tout cela représente des semaines de travail par quelqu’un qui sait ce qu’il fait, et cela se répète chaque fois que la tâche change. La comparaison honnête n’est pas 0,04 $ par million de tokens contre gratuit. C’est 0,04 $ par million de tokens contre quatre à huit semaines d’ingénierie, plus le coût continu de posséder un modèle.

La licence n’est pas Apache

Liquid distribue LFM2.5 sous licence LFM Open License v1.0. L’usage commercial est autorisé, mais les organisations dont le chiffre d’affaires annuel dépasse 10 millions de dollars doivent obtenir une licence commerciale distincte. C’est une proposition sensiblement différente de l’Apache 2.0 de Granite ou de l’Apache 2.0 de Gemma, et c’est le genre de clause que l’on découvre tard, par le service juridique, une fois le prototype fonctionnel. Si vous êtes une startup sous ce seuil, cela ne vous coûte rien aujourd’hui et pourrait vous coûter quelque chose plus tard. Si vous le dépassez, chiffrez le coût de la licence avant celui du GPU.

Là où le checkpoint de base l'emporte haut la main

Le déploiement isolé (air-gapped) est le cas le plus convaincant, et ce n’est pas de justesse. Un modèle de 2,5 gigaoctets qui s’exécute sur un téléphone, un ordinateur portable ou un conteneur sans aucun accès réseau est la seule option pour une application sur le terrain, un environnement classifié ou un appareil expédié aux clients. Snap 1.1 ne peut entrer dans aucun de ces cas. C’est une API, et il n’en existe aucune version qui s’exécute localement.

L’économie liée aux volumes constitue le deuxième cas de figure, mais elle exige un volume réel pour compter. À deux millions de décisions par mois, avec 20 000 tokens de contexte chacune — soit 40 milliards de tokens d’entrée —, Snap 1.1 coûte 1 600 $ par mois, ou un peu moins de 20 000 $ par an. Un seul modèle affiné de 2,6 B servant ce trafic sur du matériel que vous possédez déjà n’a aucun coût marginal. Le seuil de rentabilité se situe à peu près au moment où la facture annuelle d’API dépasse le coût d’ingénierie de l’affinage plus celui du matériel, ce qui, pour la plupart des équipes, se situe dans un an ou deux, pas dans un mois.

Le contrôle total est la troisième. Un modèle que vous avez entraîné sur vos propres étiquettes fait ce pour quoi vous l'avez entraîné, et rien d'autre. Snap 1.1 est un modèle de décision général avec un taux de précision de 20 % sur l'Artificial Analysis Decision Index v1.0 — son score d'indice de 65 provient principalement du fait qu'il s'abstient sur ce qu'il ne peut pas répondre, avec un taux de non-hallucination rapporté de 86 %. Un modèle de 2,6B affiné sur votre domaine dépassera souvent cette précision sur votre tâche, et ne s'abstiendra jamais, sauf si vous l'entraînez à le faire.

Là où Snap 1.1 l’emporte haut la main

Le délai avant la première décision se mesure en minutes, pas en sprints. Il n’y a aucune donnée d’entraînement à collecter, aucune tête à ajuster, aucune courbe de calibration à tracer. Vous envoyez un document et une liste d’options, et vous recevez une probabilité en retour, et cette probabilité est le produit.

Le contexte long constitue la deuxième différence, et elle est d’ordre architectural plutôt qu’accessoire. Snap traite 384K tokens en une seule passe avant, à coût de calcul constant par token. LFM2.5 2.6B Base dispose d’une fenêtre de 128K et, en tant que modèle de 2,6 milliards de paramètres, sa plage de récupération effective sera nettement plus courte que la plage nominale — le modèle frère de Liquid affiche un score AA-Omniscience de −29,50, qui mesure ce qu’un petit modèle sait, et non la qualité de sa lecture, mais cela donne une idée des attentes.

Le troisième point est que la sortie de Snap est déjà ce dont vous avez besoin. Aucun analyseur, aucun schéma, aucune logique de nouvelle tentative pour les réponses mal formées.

Lequel, alors

Achetez Snap 1.1 si la décision est un appel de routage ou de classification sur des documents longs, si les données peuvent quitter votre réseau et si vous voulez cette capacité ce trimestre. La voie de la construction en interne est réelle, mais elle n’est pas moins coûteuse la première année pour la plupart des équipes, et le point de contrôle de base est le point de départ le plus difficile possible pour cela — vous commenceriez normalement à partir du LFM2.5-2.6B post-entraîné et fine-tuneriez à partir de là, et non à partir de Base.

Choisissez le checkpoint Base si vous avez besoin que le modèle fonctionne dans un environnement que le réseau n'atteint pas, ou si vous comptez posséder les poids de façon permanente et disposez des capacités d'ingénierie pour que cela en vaille la peine. Dans ce cas, prévoyez un budget pour la question de la licence ainsi que pour la phase d'entraînement.

Ni l'un ni l'autre ne figure au catalogue d'OrcaRouter, et ni l'un ni l'autre n'y figurera : LFM2.5 2.6B Base est un checkpoint local, et Snap 1.1 n'est servi que via l'API de Subquadratic sur console.subq.ai. Ce qu'OrcaRouter apporte dans un pipeline construit autour de l'un ou de l'autre, c'est la couche qui transforme une décision en action — plus de 200 modèles de génération derrière une seule clé, le prix catalogue du fournisseur répercuté avec 0 % de marge, et un basculement automatique afin qu'un appel de routage qui aboutit sur un modèle momentanément indisponible ne se transforme pas en requête abandonnée. La couche de décision et la couche de rédaction ont des modes de défaillance différents ; il vaut la peine de ne pas les placer sur la même dépendance.

Ce qu’il vaut la peine de surveiller, ce n’est pas la ligne de benchmark de l’un ou l’autre modèle. C’est de savoir si un checkpoint de 2,6 milliards de paramètres, affiné sur quelques milliers d’exemples du domaine, peut égaler un modèle de décision conçu sur mesure sur la tâche unique qu’une équipe a réellement. En classification étroite et bien étiquetée, la réponse a historiquement été oui, et c’est la raison pour laquelle la question d’acheter ou de construire est ici véritablement ouverte plutôt que rhétorique.