SubQ Snap 1.1 מול LFM2.5 2.6B Base: לקנות את ההחלטה או לבנות אותה מצ'קפוינט
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 13 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 151 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 1078 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 158 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1885 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 49 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 105 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
המילה החשובה ביותר בהשוואה בין SubQ Snap 1.1 ל-LFM2.5 2.6B Base היא האחרונה. Base פירושה מאומן מראש. זה אומר ש-Liquid AI פרסמה את נקודת הבידוק לאחר כ-34 טריליון טוקנים של אימון ולפני כל כיוונון עדין מונחה, זיקוק או למידת חיזוק שהופכים מודל שפה למשהו שפועל לפי הוראה. הוא לא יענה על שאלה. הוא לא יבחר תווית. בקשו ממנו לנתב כרטיס תמיכה והוא ימשיך את הפרומפט שלכם בסגנון הטקסט שאומן עליו, וזה לא באג — לכך נועדה נקודת בידוק בסיסית.
SubQ Snap 1.1, לעומת זאת, הוא מוצר מוגמר: מודל ההחלטות של Subquadratic, שיצא ב-22 באוקטובר 2026, אשר מקבל עד 384K אסימונים של טקסט ותמונות בתוספת מערך תשובות קבוע ומחזיר בחירה מכוילת. הצבתם ראש בראש כאילו היו חלופות היא שגיאת קטגוריה, והיא שגיאה שימושית, משום שהיא בדיוק ההחלטה שעומדת בפני צוות כשהוא רוצה סיווג שרץ על חומרה שבשליטתו. השאלה אינה "איזה מודל טוב יותר". אלא "האם קונים את ההחלטה, או בונים אותה מנקודת מוצא?"
מה Liquid AI בעצם השיקה
LFM2.5-2.6B Base הגיע ב-4 באוגוסט 2026 יחד עם אחיו LFM2.5-2.6B, שעבר אימון לאחר האימון המקדים, כחלק ממשפחה שנעה בין 230 מיליון פרמטרים לבין תערובת מומחים של 24B. הארכיטקטורה היא עיצוב LFM2 של Liquid: שלושים שכבות, עשרים ושתיים מהן בלוקי קונבולוציה קצרה עם שער כפול ושמונה שכבות קשב עם שאילתות מקובצות, אוצר מילים של 128,000 טוקנים, וחלון הקשר של 128K שנוסף בשלב הרחבת אימון. עם 2.69 מיליארד פרמטרים הוא נכנס לכ-2.5 גיגה-בייט, פועל בקצב של כ-220 טוקנים לשנייה על Apple M5 Max, כ-113 על Ryzen AI Max+, וכ-30 בטלפון.
ה-sibling מסוג instruct הוא המקום שבו נמצאים המספרים המעניינים, וכדאי לקרוא אותם כמדד לכמה שווה ה-post-training. Liquid מדווחת על AIME25 ב-51.87, LiveCodeBench v6 ב-59.41, IFBench ב-59.17, Multi-IF ב-80.07, BFCLv4 ב-56.88 ו-ToolSandbox ב-77.83 — הכול מדווח על ידי הספק, הכול על המודל לאחר post-training. ל-checkpoint הבסיסי אין ציוני מעקב הוראות דומים משום שהוא אינו יכול לעקוב אחר הוראות. הפער הזה, בין checkpoint למודל שאפשר לשאול אותו שאלה, הוא ארבעה שלבי post-training: שני סבבים של כוונון עדין מפוקח, התמחות מורה לפי תחום, זיקוק on-policy רב-תחומי, ולמידת חיזוק אגנטית בתוך harnesses אמיתיים.
Liquid גם אומרת בפשטות למה המודל לא נועד: קידוד סוכני ועבודה עתירת ידע. זו הצהרת מיצוב כנה יותר מזו שרוב המעבדות מפרסמות, וכדאי לקחת אותה כפי שהיא.
המפרטים, זה לצד זה
• מה זה — LFM2.5 2.6B Base הוא צ'קפוינט מאומן מראש ללא כיוונון הוראות; SubQ Snap 1.1 הוא מודל החלטות מתארח עם API לתשובות קבועות.
• הקשר — 128K טוקנים עבור LFM2.5 2.6B Base; 384K טוקנים עבור Snap 1.1.
• קלט — טקסט בלבד עבור LFM2.5 2.6B Base; טקסט ותמונות עבור Snap 1.1.
• פלט — יצירת טוקנים בצורה חופשית, או איזה ראש שתאמן מעליו, עבור LFM2.5 2.6B Base; בחירה או ציון עם הסתברות עבור Snap 1.1.
מחיר — באירוח עצמי בלבד, ללא חיוב לפי טוקן, עבור LFM2.5 2.6B Base; $0.04 לכל 1M טוקני קלט, פלט בחינם, עבור Snap 1.1.
• רישיון — LFM Open License v1.0, שימוש מסחרי מותר בכפוף לסף הכנסות, עבור מודל Liquid; אין משקלים כלל עבור Snap.
• טביעת רגל — כ-2.5 GB וניתן להריץ בטלפון עבור LFM2.5 2.6B Base; קריאת רשת עבור Snap 1.1.
הפער בין צ׳קפוינט למסווג
כדי להפוך את LFM2.5 2.6B Base למשהו שעושה את מה ש-Snap 1.1 עושה, אתה צריך חמישה דברים, ורק אחד מהם הוא המודל.
יש צורך בנתונים מתויגים — כמה אלפי דוגמאות לכל מחלקה הן נקודת פתיחה סבירה למשימת ניתוב צרה, והרבה יותר אם המחלקות אינן מאוזנות או אם הגבול עדין. יש צורך בהרצת אימון: ראש סיווג או מתאם LoRA, מעל נקודת ביקורת בסיס שלא ראתה מעולם הוראה, מה שאומר שהכוונון העדין מבצע בו-זמנית גם את התאמת המשימה וגם את עבודת מעקב ההוראות. יש צורך בכיול, משום שציון softmax אינו הסתברות מכוילת, וסף ניתוב שנקבע על ציון לא מכויל הוא סף שנקבע בניחוש. יש צורך במערך הערכה שעליך לתחזק, מכיוון שהמודל ייסחף ככל שהתעבורה שלך משתנה. ויש צורך בתשתית הגשה — llama.cpp, MLX, vLLM או ONNX, שכולם תומכים בארכיטקטורה.
שום דבר מזה אינו אקזוטי. כל זה הוא שבועות של עבודה מצד מישהו שיודע מה הוא עושה, וזה חוזר בכל פעם שהמשימה משתנה. ההשוואה הכנה אינה בין 0.04 דולר למיליון טוקנים לבין חינם. היא בין 0.04 דולר למיליון טוקנים לבין ארבעה עד שמונה שבועות של הנדסה, ובנוסף העלות השוטפת של החזקת מודל.
הרישיון אינו Apache
Liquid מספקת את LFM2.5 תחת LFM Open License v1.0. שימוש מסחרי מותר, אך ארגונים עם הכנסות שנתיות העולות על 10 מיליון דולר זקוקים לרישיון מסחרי נפרד. זוהי הצעה שונה מהותית מה-Apache 2.0 של Granite או מה-Apache 2.0 של Gemma, וזהו סוג הסעיף שמתגלה באיחור, על ידי הצוות המשפטי, אחרי שהאב-טיפוס עובד. אם אתם סטארט-אפ מתחת לסף, זה לא עולה לכם כלום היום ועלול לעלות לכם משהו בהמשך. אם אתם מעליו, תמחרו את הרישיון לפני שאתם מתמחרים את ה-GPU.
היכן שצ'קפוינט הבסיס מנצח באופן מוחלט
פריסה בסביבה מנותקת מרשת היא המקרה החזק ביותר, וזה בכלל לא קרוב. מודל בנפח 2.5 גיגה-בייט שרץ על טלפון, מחשב נייד או קונטיינר ללא נתיב רשת הוא האפשרות היחידה עבור יישום שטח, סביבה מסווגת או מכשיר שנשלח ללקוחות. Snap 1.1 לא יכול להיכנס לאף אחד מאלה. זהו API, ואין גרסה שלו שרצה באופן מקומי.
כלכלת הנפח היא המקרה השני, אבל היא דורשת נפח אמיתי כדי להיות משמעותית. בשני מיליון החלטות בחודש עם 20,000 טוקנים של הקשר בכל אחת — 40 מיליארד טוקני קלט — Snap 1.1 עולה 1,600 דולר בחודש, או קצת פחות מ-20,000 דולר בשנה. מודל יחיד מכוונן (fine-tuned) בנפח 2.6B שמשרת את התעבורה הזו על חומרה שכבר בבעלותכם אינו כרוך בעלות שולית. נקודת האיזון נמצאת בערך בנקודה שבה חשבון ה-API השנתי עולה על העלות ההנדסית של הכיוונון העדין בתוספת החומרה, אשר עבור רוב הצוותים נמצאת בעוד שנה או שנתיים, לא בעוד חודש.
שליטה מלאה היא השלישית. מודל שאימנת על התוויות שלך עושה את מה שאימנת אותו לעשות, ולא שום דבר אחר. Snap 1.1 הוא מודל החלטות כללי עם נתון דיוק של 20% ב-Artificial Analysis Decision Index v1.0 — ציון המדד שלו, 65, נובע בעיקר מהימנעות מלענות על מה שאינו יכול לענות עליו, עם שיעור אי-הזיה מדווח של 86%. מודל 2.6B שעבר כיוונון עדין לתחום שלך יעלה לעיתים קרובות על הדיוק הזה במשימה שלך, ולעולם לא יימנע מלענות אלא אם תאמן אותו לכך.
היכן ש-Snap 1.1 מנצח באופן מוחלט
הזמן עד להחלטה הראשונה נמדד בדקות, לא בספרינטים. אין נתוני אימון לאסוף, אין ראש להתאים, אין עקומת כיול לשרטט. אתם שולחים מסמך ורשימת אפשרויות ומקבלים בחזרה הסתברות, וההסתברות היא התוצר.
הקשר ארוך הוא ההבדל השני, והוא ארכיטקטוני ולא מקרי. Snap מטפל ב-384K טוקנים במעבר קדימה יחיד בחישוב קבוע לכל טוקן. ל-LFM2.5 2.6B Base יש חלון של 128K, וכמודל בעל 2.6 מיליארד פרמטרים, טווח האחזור האפקטיבי שלו יהיה קצר בהרבה מהטווח הנומינלי — המודל האח של Liquid מדווח על ציון AA-Omniscience של −29.50, שהוא מדד לכמה מודל קטן יודע, ולא לכמה טוב הוא קורא, אבל הוא מגדיר ציפיות.
השלישי הוא שהפלט של Snap הוא כבר הדבר שאתה צריך. בלי מפענח, בלי סכימה, בלי לוגיקת ניסיון חוזר לתשובות פגומות.
אז איזה מהם?
קנו את Snap 1.1 אם ההחלטה היא החלטת ניתוב או סיווג על מסמכים ארוכים, אם הנתונים יכולים לצאת מהרשת שלכם, ואם אתם רוצים את היכולת הזו ברבעון הזה. מסלול הבנייה העצמית הוא אמיתי, אך הוא אינו זול יותר בשנה הראשונה עבור רוב הצוותים, וה-checkpoint הבסיסי הוא נקודת ההתחלה הקשה ביותר האפשרית עבורו — בדרך כלל הייתם מתחילים מה-LFM2.5-2.6B שעבר אימון מקדים ומבצעים fine-tuning משם, ולא מ-Base.
קח את נקודת הבידוק Base אם אתה צריך שהמודל יתקיים במקום שאליו הרשת אינה מגיעה, או אם בכוונתך להחזיק במשקלים באופן קבוע ויש לך היכולת ההנדסית להפוך את זה למשתלם. במקרה כזה, תקצב גם את שאלת הרישיון וגם את ריצת האימון.
אף אחד מהם אינו נמצא בקטלוג של OrcaRouter, וגם לא יהיה: LFM2.5 2.6B Base הוא צ'קפוינט מקומי, ו-Snap 1.1 מוגש רק דרך ה-API של Subquadratic ב-console.subq.ai. מה ש-OrcaRouter עושה בצינור שנבנה סביב כל אחד מהם הוא השכבה שהופכת החלטה לפעולה — יותר מ-200 מודלים גנרטיביים מאחורי מפתח אחד, מחיר המחירון של הספק מועבר הלאה עם 0% תוספת, ומעבר אוטומטי לגיבוי כך שקריאת ניתוב שנוחתת על מודל שאינו זמין לרגע לא הופכת לבקשה שנזרקת. לשכבת ההחלטה ולשכבת הכתיבה יש אופני כשל שונים; כדאי לא לשים אותן על אותה תלות.
הדבר שכדאי לשים לב אליו אינו שורת הבנצ'מרק של אף אחד מהמודלים. השאלה היא אם צ'קפוינט בן 2.6 מיליארד פרמטרים שעבר כיוונון עדין על כמה אלפי דוגמאות מתחום מסוים יכול להשתוות למודל החלטות שנבנה למטרה במשימה היחידה שיש לצוות בפועל. בסיווג צר ומתויג היטב, התשובה הייתה היסטורית כן, וזו הסיבה ששאלת הקנייה מול הבנייה כאן פתוחה באמת ולא רטורית.
