Perceptron Mk1.5 לעומת LFM2.5-2.6B-Base: לשכור את התפיסה, או להחזיק בבעלותך את הצ'קפוינט ולסיים אותו בעצמך

שני הדגמים האלה מכוונים לחומרה שאפשר להרים ביד אחת. Perceptron Mk1.5 הוא מודל תפיסה עבור סוכנים מגולמים, שלפי הספק שלו מגיע לרחפנים, רובוטים על ארבע, משקפי חכמה וטלפונים. LFM2.5-2.6B-Base הוא צ'קפוינט במשקלים פתוחים בנפח 2.69B ש־Liquid AI בנתה במפורש לפריסה על המכשיר — קטן מספיק כדי לפעול בפחות מ־2.5GB של זיכרון. השאיפה הפיזית המשותפת הזו היא הדבר היחיד שיש להם במשותף, והיא מלכודת לכל מי שמשווה ביניהם בדף מפרט. Perceptron Mk1.5 הוא מוצר מוגמר ששוכרים לפי טוקן: טקסט, תמונות, וידאו ואודיו נכנסים, וטקסט בתוספת גאומטריה קריאה למכונה יוצאים, זמין מאז 25 בספטמבר 2026. LFM2.5-2.6B-Base הוא מודל בסיס גולמי שאומן מראש, בלי כיוונון הוראות, בלי תבנית צ'אט ובלי טענות בנוגע למדדי ביצועים — צ'קפוינט ששוחרר כדי שאנשים אחרים יסיימו אותו. אחד מהם עונה על שאלה כבר היום; האחר הוא חומר הגלם למודל שיעשה זאת.

ההשוואה עובדת רק אם אתה נוקב בשם השלב

הצבת API מוגש לצד צ׳קפוינט בסיס אינה השוואה ראש בראש, והעמדת פנים אחרת מייצרת טבלה חסרת היגיון שבה צד אחד „מנצח” בכל שורה כי הוא הושלם על ידי הספק שלו והצד האחר טרם החל. השאלה המועילה היא באיזה שלב של העבודה אתה נמצא.

Liquid AI השיקה את משפחת LFM2.5 כאוסף של צ'קפוינטים, והבסיס הוא הראשון מביניהם. הכרטיס שלו מפרט 2.69 מיליארד פרמטרים בסך הכול על פני 30 שכבות — 22 בלוקים של קונבולוציה קצרה עם שער כפול ו-8 בלוקים של grouped-query attention — והוא אומן על כ-34 טריליון טוקנים, עם אוצר מילים של 128,000 טוקנים, אורך הקשר של 131,072 טוקנים ותמיכה ב-16 שפות, כולל אנגלית, סינית, יפנית, קוריאנית וערבית. הוא מיועד לטקסט בלבד, הוא מודל שפה סיבתי ולא יותר, וההמלצה של Liquid עצמה היא בוטה: הצ'קפוינט הזה מיועד למשימות שדורשות כיוונון עדין כבד, כגון עוזר ייעודי לשפה או לתחום, אימון על נתונים קנייניים, או התנסות בגישות אימון-אחרי חדשות. מה שהופך אותו לסוכן שמפעיל כלים (tool-calling agent) שנושא את הציונים שפורסמו למשפחה הוא צינור האימון-אחרי (post-training) בן ארבעת השלבים של Liquid, שהבסיס אינו כולל.

Perceptron Mk1.5 נמצא בקצה השני של הקשת הזו. Perceptron כבר ביצעה את השלב שאחרי האימון, החליטה על פורמט הפלט ותמחרה את התוצאה — $0.15 למיליון טוקני קלט ו-$1.50 למיליון פלט, עם קלט במטמון ב-$0.0375. המפרט שלה ספציפי באופן שבו זה של צ'קפוינט הבסיס אינו: הקשר של 36,864 טוקנים, פלט מקסימלי של 8,192 טוקנים, ארבע מודאליות קלט, reasoning_effort: בקר המוגדר כברירת מחדל כ-high, קריאה לפונקציות בהשלמות צ'אט, ותגובות מוגבלות דרך JSON Schema ו-regex.

הסיבה להחזיק את שניהם לנגד העיניים היא שעלות הבעלות הכוללת נעה בכיוונים מנוגדים. Mk1.5 יקר לכל טוקן וחינמי להתחלה. LFM2.5-2.6B-Base חינמי בשוליים ויקר במטבע היחיד שחשוב עבור צ'קפוינט בסיס — זמן ההנדסה שלך.

ממד אחר ממד, כשהתפקידים נשמרים ברורים.

• מה זה — Perceptron Mk1.5 הוא API תפיסה מתארח עם פלט מרחבי מובנה. LFM2.5-2.6B-Base הוא מודל שפה סיבתי מאומן מראש בן 2.69B שניתן להורדה.

• קלט — Mk1.5 מקבל טקסט, תמונות, וידאו ואודיו (WAV, MP3, FLAC). LFM2.5-2.6B-Base מקבל טקסט, ורק טקסט.

• פלט — Mk1.5 מחזיר טקסט בתוספת נקודות, תיבות, מצולעים, קליפים ואלמנטים<track> עם חותמות זמן, או תגובות המוגבלות על ידי JSON Schema. הבסיס מחזיר הסתברויות של טוקנים עבור הטוקן הבא, ושום דבר לא כוונן כדי להפוך זאת לשימושי.

• שימוש עצמאי — Mk1.5 עובד ביום שבו מקבלים מפתח. LFM2.5-2.6B-Base אינו עונה על שאלות בשום מובן מוצרי; הוא זקוק לכיוונון עדין, ובדרך כלל גם לתבנית צ׳אט, לפני שהוא דגם שהייתם משחררים.

• הקשר — 36,864 אסימונים עבור Mk1.5 לעומת 131,072 עבור הבסיס. נקודת הביקורת במכשיר מכילה כמעט פי ארבעה יותר טקסט ממה שמודל התפיסה המוגש מכיל מכל דבר.

• טביעת רגל — Mk1.5 פועל היכן ש-Perceptron מפעיל אותו, ועבודת השהיה שפורסמה שלו היא על H100 בודד. הבסיס מיועד לפעול על מחשב נייד, טלפון או קופסת קצה בפחות מ-2.5GB.

• ראיות — כל נתון יכולת של Mk1.5 הוא של Perceptron עצמה, ואין עבורו מדד בלתי תלוי. למודל הבסיס אין כלל טענות בנצ'מרק: Liquid מפרסמת ציונים עבור LFM2.5-2.6B שעבר אימון-המשך, ולא עבור הצ'קפוינט הזה.

• רישיון — Mk1.5 סגור, נשכר לפי טוקן. LFM2.5-2.6B-Base מופץ תחת LFM Open License v1.0 עם משקלים שאתם מורידים ושומרים.

מסלול המשקלים, מתומחר בכנות

אם המושך ב-LFM2.5-2.6B-Base הוא שהמשקלים בחינם, הגרסה הכנה של המשפט הזה היא שהמשקלים הם החלק הזול ביותר בפרויקט. כיוונון עדין על נתונים קנייניים פירושו מערך נתונים, הרצת אימון, מערכת הערכה שתאמר לך אם הכיוונון העדין הצליח, ומסלול הגשה — Transformers, vLLM או SGLang, או אחד מגרסאות הבנייה של GGUF, ONNX ו-MLX ש-Liquid מפרסמת עבור פריסה על CPU, פריסה חוצת-פלטפורמות ופריסה על Apple Silicon, בהתאמה. שום דבר מזה אינו אקזוטי, ובהיקף 2.69B הוא מתאים לחומרה שכיוונון עדין של 70B לעולם לא נוגע בה. אבל צ׳קפוינט בסיס הוא נקודת התחלה, והסיכון ללוח הזמנים נמצא כולו בצד שלך של העסקה.

מה שאתה מקבל בתמורה הוא שליטה. הטוקנייזר ל-16 שפות וההקשר של 131K אומרים שכיוונון עדין תחומי לא נאבק באימון המקדים על מקום. טביעת הרגל של פחות מ-2.5GB אומרת שיעד הפריסה הוא מכשיר ולא דאטה סנטר, וזו כל הנקודה של המשפחה. ורישיון LFM Open מאפשר לך לשמור את התוצאה — מומחה שאף מתחרה לא יכול לשכור מאותו API שאתה יכול.

יש פיסת ראיות אחת מצד שלישי שכדאי להכיר לפני שאתם מהמרים על השושלת, ופער אחד. ל-LFM2.5-2.6B שעבר אימון-על של Liquid אכן יש מדידה עצמאית: Artificial Analysis מציבה אותו במדד Intelligence Index של 8, במקום ה-9 מתוך 49 מודלים בקטגוריה שלו. לנקודת הביקורת הבסיסית אין — אין עבורה דף, וזה רגיל עבור מודל בסיס מאומן-מראש, וראוי לומר זאת בפשטות ולא להתייחס לכך כאל פסק דין. מה שהמדד של המודל שעבר אימון-על אומר לכם הוא מה שהצינור מפיק מנקודת המוצא הזו בקצה הקטן של טווח המדד, ולא מה שכיוונון עדין שלכם יפיק.

נתיב ה-API, ומה המשמעות של "על המכשיר" עבור מודל מתארח

סיפור הפריסה של Perceptron Mk1.5 מורכב יותר ממה שרשימת היעדים שלו מרמזת, וכדאי להיות מדויקים. ההכרזה של הספק מציינת רחפנים, רובוטים ארבע-רגליים, משקפי חכמה וטלפונים כיעדי פריסה. המודל עצמו מוגש מן הכתובת api.perceptron.inc מאחורי מפתח API, והעדות בנוגע להשהיה ש-Perceptron פרסמה היא חציון של שלוש ריצות על H100 בודד. H100 בודד אינו רחפן. הפרשנות הריאלית היא ש-Mk1.5 הוא שכבת התפיסה של רובוט שיש לו קישור רשת או קופסת מחשוב נלווית, ולא מודל שרץ בתוך שלדת האוויר — וכל מי שמתכנן מכשיר לא מקוון סביבו צריך לבחון את ההנחה הזו לפני תכנון החומרה.

מה שנתיב ה-API קונה, אם הנחת הרשת מתקיימת, הוא הדבר שצ'קפוינט בסיסי לא יכול לתת לך בשום מחיר: קואורדינטות. <track>נושא תצפית מרחבית וחתימת הזמן שלה, כך שקליפ חוזר כמיקומי אובייקטים לאורך זמן ולא כתיאור של סצנה. הוסף את השדה asset_idx, שמאפשר לבקשה אחת לפנות לכמה תמונות או סרטונים בנפרד, וצורת הבקשה תואמת לולאת בקרה — פריים ייחוס נכנס, גאומטריה יוצאת, בלי שלב פענוח בין המודל לקוד שמזיז משהו.

העלויות הן אלה שכבר פורטו: 36,864 טוקנים של הקשר, תקרת אודיו של 16,384 טוקנים לפריט שמסמכי Perceptron מציבים בכ-21.8 דקות בקצב של כ-750 טוקנים לדקה, reasoning_effort שברירת המחדל שלו היא high שמחייב אותך במסלול החשיבה היקר ביותר בכל קריאה שאינך מגדיר, וקבוצה של טענות בנצ'מרק שהופקו על ידי החברה שמוכרת את המודל. מספר מעקב הידיים הוא זה שכדאי לבדוק מול הצילומים שלך: 0.9433 על אגוצנטרי hand_box מול 0.4467 עבור Gemini 3.1 Pro בהרצה של Perceptron עצמה הוא פער גדול, ופערים גדולים בהערכות של ספקים הם בדיוק אלה שכדאי לשחזר.

אף אחד מהשניים לא נמצא בקטלוג שלנו, וזה משנה את ההחלטה

נכון להיום, לא Perceptron Mk1.5 ולא LFM2.5-2.6B-Base מנותבים ב-OrcaRouter. ל-Mk1.5 אין נתיב כלל, כך שכדי להגיע אליו יש להשתמש ב-API של הספק עצמו — pip install "perceptron>=0.4.0" ו-PERCEPTRON_API_KEY — ול-Liquid AI אין שום מודל בכל גודל בקטלוג שלנו, ולכן ה-checkpoint הבסיסי הוא הורדה מ-Hugging Face של Liquid ולא קריאה.

זה חשוב פחות ממה שזה נשמע, כי השתיים אינן נקודות קצה הניתנות להחלפה, ושום טיעון תמחור לא יהפוך אותן לכאלה. מה ששכבת ניתוב תורמת כאן הוא החלק בהחלטה שעדיין פתוח. אם תבנו שירות תפיסה על Mk1.5 ומומחה טקסט על LFM2.5-2.6B-Base שעבר כיוונון עדין, תריצו שתי אינטגרציות ושני מודי כשל; שער תואם OpenAI לפניהם הופך תקלה של ספק באחד הצדדים ל-fallback במקום למשימה שנכשלה, וכלל ניתוב יכול להפנות את תעבורת הראייה ואת תעבורת הטקסט למודלים שונים בלי שהיישום ידע מי הוא מי. API אחד המכסה יותר מ-200 מודלים, עם מחירי המחירון של הספקים המועברים הלאה בתוספת של 0% הוא הגרסה של זה שבה שינוי מחיר של ספק נכנס לתוקף באותו יום ולא בחידוש הבא שלכם — אם כי לשניים הספציפיים האלה, נכון להיום, השער הוא שיקול תכנוני ולא קיצור דרך זמין.

מה עליך לעשות, ומה עליך למדוד

אם המשימה שלך היא "מצא את האובייקט הזה בפריים הזה והחזר היכן הוא נמצא", שכור את Mk1.5 ובדוק את טענת ה-hand-box על הווידאו שלך לפני שאתה מתחייב לנתיב ייצור אליו. קח בחשבון את הנחת הרשת, והגדר reasoning_effort במכוון במקום להסתפק ב-high, והתייחס לחלון של 36,864 טוקנים כאילוץ הקשיח שהוא. הפלט המובנה הוא המוצר, ואם הקוד שבהמשך הזרימה שלך יכול לצרוך קואורדינטה בלי שלב פענוח, זהו חיסכון אמיתי במקום שבו רוב צינורות הראייה הממוחשבת מאבדים דיוק בשקט.

אם המשימה שלך היא "אני צריך מודל 2.6B מכוונן על נתונים שאין לאף אחד אחר, שרץ במקום בלי GPU", הורד את LFM2.5-2.6B-Base ותמחר את הכיוונון העדין בכנות לפני שאתה מתחיל. הצ'קפוינט חינמי וההנדסה לא, והלקח של המשפחה עצמה — שהאח שעבר אימון-אחר משיג 8 במדד העצמאי — הוא תזכורת שהפער בין מודל בסיס למודל מוגמר הוא המקום שבו חיה העבודה האמיתית. אף אחד מאלה אינו התשובה השגויה. אלה רכישות שונות, והטעות האמיתית היחידה היא להתייחס לבסיס שעליך להשלים כאילו הוא כבר מוצר.

שני מודלים, שתי אינטגרציות ושני מצבי כשל מהווים מצב גרוע ממה שזה נראה. ב-OrcaRouter אפשר להגדיר מעבר אוטומטי לגיבוי כך שתקלת ספק באחד מהצדדים תוביל למעבר לגיבוי במקום למשימה כושלת.