ZwZ2-9B vs LFM2.5 2.6B Base : une erreur de catégorie qu'il vaut la peine de comprendre

Mettre ZwZ2-9B à côté de LFM2.5 2.6B Base ressemble à une comparaison de taille, et ce n'en est pas une. ZwZ2-9B est un checkpoint vision-langage de 9,41 milliards de paramètres qu'inclusionAI a publié le 16 octobre 2026 sans fiche de modèle ; LFM2.5 2.6B Base est un modèle pré-entraîné uniquement textuel de 2,697 milliards de paramètres que Liquid AI a publié le 1er août 2026, avec une fiche qui dit, dans ses propres mots, qu'il s'agit du checkpoint « utilisé pour créer toutes les variantes LFM2.5-2.6B ». L'un est une chose que l'on adopte. L'autre est une chose sur laquelle on construit. Choisir entre les deux n'est pas comme choisir entre deux voitures — c'est comme choisir entre une voiture et un bloc-moteur, et la seule question utile est de savoir duquel des deux vous aviez réellement besoin.

Donc, cet article fait deux choses. Il vous donne les vrais chiffres pour les deux, parce que vous êtes venu ici chercher une comparaison et que ces chiffres valent la peine d'être connus. Et ensuite, il explique la distinction que la comparaison masque, car se tromper là-dessus, c'est ainsi que des équipes se retrouvent trois semaines dans un fine-tune dont elles n'avaient pas besoin, ou à faire tourner un modèle serveur de 9,4B pour une tâche qu'un modèle portable de 3B aurait gérée.

Ce qu’est réellement chacun de ces artefacts

LFM2.5 2.6B Base est délibérément inachevé. C'est le point de contrôle pré-entraîné à la racine de la famille LFM2.5-2.6B de Liquid AI — 30 couches alternant entre des blocs de convolution courte à double porte et une attention à requêtes groupées, 34 000 milliards de tokens de pré-entraînement, un vocabulaire de 128 000 tokens et un plafond de 128 000 positions. Il est uniquement textuel. Il est conçu pour un déploiement sur appareil, l'expression employée par Liquid AI dans la fiche, et tout l'intérêt du suffixe « Base » est que la variante conversationnelle post-entraînée et la variante agentique sont des téléchargements distincts qui en dérivent. Vous êtes censé le fine-tuner ou effectuer de la distillation vers lui. Tel quel, ce n'est pas un assistant.

ZwZ2-9B est le type d'objet opposé. C'est un checkpoint à la forme achevée qui n'a pas été décrit. Sa configuration comporte une tour de vision à 27 couches, des identifiants de tokens d'image et de vidéo, un processeur vidéo plafonné à 768 images, un modèle de conversation avec une invite système par défaut intégrée, et 24 de ses 32 couches fonctionnant en attention linéaire plutôt qu'avec un cache clé-valeur croissant. C'est une cible de déploiement, pas un substrat d'entraînement. Ce qui manque, c'est tout ce qu'un acheteur demanderait : aucun champ de licence, aucun résultat d'évaluation, aucune indication de ce sur quoi il a été entraîné, et aucune entrée dans l'une des dix collections publiques d'inclusionAI.

• Paramètres — ZwZ2-9B : 9 409 813 744. LFM2.5 2.6B Base : 2,697 milliards.

• Objectif — un checkpoint multimodal conçu pour le déploiement vs une base pré-entraînée pour le fine-tuning.

• Modalités en — texte, image et vidéo vs texte uniquement.

• Plafond de contexte — 262 144 positions contre 128 000 (la fiche de Liquid AI arrondit ce nombre à 131 072).

• Vocabulaire — 248 320 contre 128 000.

• Conception de l’attention — 24 couches linéaires plus 8 couches d’attention complète contre 22 couches de convolution plus 8 couches d’attention.

• Licence — aucune déclarée par rapport à la LFM Open License v1.0, qui est une licence personnalisée plutôt qu'Apache-2.0.

• Documentation — aucune contre une fiche de modèle, un rapport technique et un budget d’entraînement déclaré.

Deux lignes y sont plus intéressantes qu'elles n'en ont l'air. Les deux modèles aboutissent à exactement 8 couches d'attention, et tous deux remplissent le reste avec quelque chose de moins coûteux — ZwZ2-9B avec de l'attention linéaire récurrente, LFM2.5 2.6B Base avec des convolutions courtes. Cette convergence n'est pas une coïncidence : c'est ce que l'on entend par « architecture efficace » depuis deux ans, et l'on y est parvenu par des directions opposées et à des échelles opposées. Et les plafonds de contexte ne sont pas un concours : 262 144 contre 128 000 ne dit presque rien, parce que le modèle 2.7B a été conçu pour tourner sur un ordinateur portable, où un cache d'un quart de million de tokens n'est pas un ensemble de travail réaliste.

Le mot « Base » est toute la décision

Si vous ne devez retenir qu’une chose de cet appariement, retenez celle-ci. Un checkpoint de base ne suit aucune instruction, n’a aucun formatage de chat sur lequel compter et n’a subi aucun ajustement de sécurité — et c’est un atout si vous construisez un modèle de domaine, car cela signifie que vous ne vous battez pas contre l’alignement de quelqu’un d’autre lorsque vous entraînez le vôtre. C’est un défaut si vous vouliez un assistant, car vous passerez vos deux premières semaines à redécouvrir que les modèles pré-entraînés complètent du texte au lieu de répondre à des questions.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

Les maths du déploiement, c’est là que réside la vraie différence.

Un modèle de texte de 2,697 B et un modèle de vision de 9,41 B ne sont pas des alternatives sur le même matériel. La base LFM2.5 est conçue pour les téléphones, les ordinateurs portables et les machines monocartes ; le positionnement de Liquid AI est l'inférence embarquée, et un checkpoint de 2,7 B quantifié sur quatre bits représente quelques gigaoctets. ZwZ2-9B conserve une tour de vision à 27 couches aux côtés de 32 couches de langage et d'une matrice d'embedding d'environ 2 Go dans chaque direction — le vocabulaire à lui seul est une table de 248 320 × 4 096 — il a donc sa place sur un serveur, ou au moins sur un ordinateur de bureau doté d'un véritable accélérateur.

C’est pourquoi l’architecture honnête pour la plupart des équipes n’est pas de « choisir une seule option ». C’est deux niveaux. Placez le petit modèle documenté là où la latence et la confidentialité importent et où la tâche est étroite, et acheminez les cas difficiles vers un modèle hébergé où le coût variable n’apparaît que lorsque le cas difficile se présente. Bien réussir cette répartition a plus de valeur que n’importe quel choix de modèle unique sur cette page, et c’est aussi ce qu’il est le plus difficile de changer plus tard, car c’est ce qui touche à votre code.

Le faire derrière une interface unique, c'est tout l'intérêt d'un routeur. OrcaRouter expose plus de 200 modèles depuis un seul point de terminaison compatible OpenAI et une seule clé API, avec bascule automatique, si bien que le palier économique et le palier coûteux ne sont séparés que par une chaîne de modèle plutôt que par deux intégrations — et les prix catalogue des fournisseurs sont répercutés avec 0 % de marge, donc faire tourner le palier coûteux revient au même coût qu'ailleurs. Nous n'hébergeons pas LFM2.5 2.6B Base et nous n'hébergeons pas ZwZ2-9B, donc aucun de ces deux n'est un appel que nous pouvons passer pour vous — Liquid AI distribue ses propres poids via les canaux du fournisseur lui-même, et inclusionAI n'a publié aucun point de terminaison. Ce que nous pouvons placer du côté hébergé de cette séparation aujourd'hui, c'est qwen/qwen3-vl-8b-instruct, un modèle vision-langage de 8B avec un contexte de 131 K tokens à 0,18 $ par million de tokens en entrée et 0,70 $ par million en sortie, ce qui est l'équivalent documenté le plus proche du petit palier multimodal.

Les licences sont le domaine où ces deux éléments divergent le plus nettement.

Aucune des deux licences n’est Apache-2.0, et les raisons diffèrent d’une manière qui compte. LFM2.5 2.6B Base est distribué sous la LFM Open License v1.0, une licence personnalisée — elle est publiée, elle est lisible, et c’est la même licence que celle utilisée par le reste de la famille, ce qui signifie qu’un examen juridique effectué une fois couvre chaque modèle LFM2.5 que vous utilisez. ZwZ2-9B ne déclare rien. Une licence absente n’est pas une licence permissive ; en l’absence d’une autorisation explicite, l’interprétation conservatrice est qu’aucun droit n’a été accordé, et c’est une position sensiblement plus défavorable qu’une licence personnalisée que vous pouvez lire et évaluer.

Pour un checkpoint de base que vous prévoyez d’affiner et éventuellement de redistribuer, ce n’est pas un détail anodin. Les conditions relatives aux œuvres dérivées sont précisément la clause sur laquelle les licences personnalisées ont tendance à avoir des opinions, et l’absence de toute clause ne tourne pas à votre avantage.

Comment choisir, dit simplement

Choisissez LFM2.5 2.6B Base si vous avez une tâche textuelle précise, un appareil cible et l'envie de mener votre propre entraînement — et acceptez que ce soit vous qui fournissiez le suivi d'instructions. Son budget d'entraînement documenté et sa licence déclarée signifient que vous savez d'où vous partez.

Choisissez ZwZ2-9B si vous avez besoin d’images ou de vidéo en entrée, si vous disposez des GPU nécessaires pour servir un modèle de 9,4 B, et si vous êtes prêt à être la première organisation au monde à l’évaluer. Cette dernière clause n’a rien de rhétorique. Avant de vous engager, les questions auxquelles il faut répondre sont les suivantes : accepte-t-il vos formats d’image, renvoie-t-il la forme de sortie dont vous avez besoin avec la réflexion désactivée, et sous quelle licence vous l’exploiteriez réellement. Deux de ces trois questions ont une réponse dans le dépôt. La troisième n’en a pas.

Les benchmarks vieillissent et les prix évoluent ; le registre des défaillances, lui, ne change pas : les incidents d'IA documentés et les défaillances d'agents derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.