Beam 1.0 vs LFM2.5 2.6B Base: Substrat yang Belum Selesai dan Raksasa yang Sudah Selesai

Model yang belum diajari menjawab pertanyaan sedang dibandingkan dengan model yang telah diajari merencanakan. LFM2.5 2.6B Base adalah checkpoint pretrained milik Liquid AI dengan 2,698 miliar parameter, diterbitkan pada 4 Agustus 2026 di bawah LFM Open License v1.0 dan secara eksplisit dijelaskan sebagai basis untuk fine-tuning — model ini hanya teks, terdiri dari 30 lapisan konvolusi hibrida dan grouped-query attention, dan belum melalui post-training. Reflection Beam 1.0 adalah model sparse mixture-of-experts dengan total 501,3 miliar parameter dan 23,4 miliar parameter aktif, yang melalui post-training lewat tahap supervised dan reinforcement serta dirilis sebagai bobot yang dapat diunduh pada 16 Oktober 2026 di bawah Apache 2.0, menyusul pengumumannya pada 5 Oktober 2026. Selisih ukurannya adalah 185 banding satu. Selisih yang sebenarnya menentukan perbandingan ini bukanlah ukurannya — melainkan bahwa salah satunya adalah substrat mentah yang Anda arahkan untuk suatu proses pelatihan, dan yang lainnya adalah produk yang Anda layani.

Keduanya ada di Hugging Face. Keduanya dapat diunduh hari ini. Keduanya mengharapkan Anda menyediakan perangkat keras sendiri. Itulah keseluruhan tumpang-tindihnya, dan membaca keduanya secara berdampingan adalah cara yang berguna untuk melihat betapa berbedanya ekosistem open-weights memberi label pada dua hal yang dikelompokkannya di bawah tag yang sama.

Kedua rilisan tersebut, sebagaimana dijelaskan oleh penerbitnya masing-masing

LFM2.5 2.6B Base memiliki nama lengkap LFM2.5-2.6B-Base. Kartunya mencantumkan total 2,698 miliar parameter, 30 lapisan yang 22 di antaranya adalah blok konvolusi pendek dengan gerbang ganda dan delapan adalah grouped-query attention, anggaran pelatihan 34 triliun token, kosakata 128.000 token, dan panjang konteks 131.072 token. Model ini mencakup 16 bahasa. Ini adalah salah satu dari sepasang model: Liquid AI juga menerbitkan LFM2.5-2.6B, yang menjalani pelatihan lanjutan untuk beban kerja agentik, dan ini adalah checkpoint mentah yang menjadi asal semua varian dalam keluarga ini. Menurut kartu model itu sendiri, model dasar ini adalah checkpoint hanya teks yang telah dilatih sebelumnya yang digunakan untuk membuat semua varian lainnya. Enam belas turunan hasil fine-tuning sudah ada di bawahnya di Hub.

Beam 1.0 adalah susunan yang berlawanan. Reflection membawa 501,3B parameter total dengan 23,4B aktif per token di 52 lapisan — tiga dense dan 49 mixture-of-experts, 256 expert yang dirutekan delapan sekaligus dalam konfigurasi ini. Jendela konteksnya adalah 1.000.000 token. Modalitasnya hanya teks, dan kartunya menyatakan demikian tanpa ragu-ragu. Model ini hadir dalam tiga presisi, BF16, FP8, dan NVFP4, plus drafter speculative-decoding DFlash2 2B. Templat chat-nya menjalankan format Harmony yang dimodifikasi dengan kanal analisis dan final serta pengaturan reasoning-effort dengan enam level bernama. Keempat repositorinya diterbitkan pada hari yang sama, 16 Oktober 2026, dan Artificial Analysis mencatat rilis tersebut di halaman modelnya sebagai 16 Oktober 2026.

Baca lagi kedua paragraf itu dan bentuk persoalannya pun tampak. Liquid AI menerbitkan sebuah komponen. Reflection menerbitkan sistem yang sudah jadi dengan format wire dan pengatur tingkat upaya. Keduanya disebut "open," dan kata itu menjalankan dua fungsi yang berbeda.

Lisensi adalah bagian di mana keduanya paling tidak mirip.

Ini adalah perbandingan yang tidak dapat Anda peroleh dari jumlah parameter, dan inilah perbandingan yang paling berdampak secara praktis.

Beam 1.0 berlisensi Apache 2.0. Itu adalah lisensi permisif standar tanpa batas pengguna, tanpa ambang batas pengguna aktif bulanan, dan tanpa tier komersial terpisah. Unduh, lakukan fine-tuning, distribusikan ulang turunannya, jual hasilnya. Kartu ini juga memuat Panduan Penggunaan yang Bertanggung Jawab dan laporan teknis keselamatan terpisah, yang merupakan dokumen kebijakan, bukan pembatasan lisensi — dokumen-dokumen itu mengatur penggunaan yang dapat diterima, bukan bobotnya.

LFM2.5 2.6B Base tidak demikian. Hub menandainya sebagai license:other dan menyebut lisensinya sebagai LFM Open License v1.0. Perbedaan praktisnya bukanlah bahwa yang satu permisif dan yang lainnya tidak — lisensi Liquid AI ditulis untuk penggunaan terbuka — melainkan bahwa kedua lisensi tersebut harus dibaca secara berbeda, dan hanya salah satunya yang dapat diringkas dalam satu kalimat. Jika rencana Anda melibatkan pendistribusian ulang derivatif secara komersial, sisi Apache 2.0 dari halaman ini tidak memerlukan analisis. Sisi LFM mengharuskan Anda membaca lisensinya, karena lisensi kustom menurut definisinya adalah dokumen yang ditulis seseorang dengan sengaja.

Asimetri itu berjalan ke arah sebaliknya pada sumbu lainnya. Checkpoint Liquid AI adalah model teks padat dengan 2,698 miliar parameter, yang berarti pertanyaan lisensi melekat pada sesuatu yang dapat Anda pasang di satu GPU konsumen atau perangkat edge. Pemberian lisensi Apache 2.0 Reflection melekat pada model 501 miliar parameter yang bobot bfloat16-nya mencapai sekitar satu terabyte dan varian empat-bitnya masih tercatat 255B. Lisensi permisif untuk model yang tidak dapat Anda host adalah jenis kebebasan yang berbeda dari lisensi khusus untuk model yang dapat Anda host.

Apa yang dapat dan tidak dapat dilakukan oleh model dasar

Sebuah artikel tentang checkpoint dasar harus mengatakannya secara gamblang, karena itulah cara paling umum orang menyia-nyiakan waktu satu sore. LFM2.5 2.6B Base belum disetel untuk mengikuti instruksi. Ia akan melanjutkan teks Anda. Ia tidak akan menjawab pertanyaan Anda, mengikuti format Anda, memanggil alat Anda, atau berhenti saat Anda menginginkannya. Ia adalah titik awal yang perilakunya adalah apa pun yang Anda latihkan ke dalamnya, dan Liquid AI menyatakan hal itu dalam deskripsi model alih-alih membiarkannya ditemukan sendiri.

Itu bukan cacat dan bukan versi yang lebih kecil dari Beam 1.0. Proses pra-pelatihan 34 triliun token dan arsitektur hibrida 30 lapis adalah produknya; penyelarasan yang hilang justru intinya, karena penyelarasan bersifat spesifik tugas dan laboratorium yang merilis model dasar dengan sengaja menyerahkan keputusan itu kepada siapa pun yang memiliki tugas tersebut. Enam belas turunan di Hub adalah wujud pengaturan itu dalam praktik.

Konsekuensinya untuk evaluasi adalah tidak ada tabel benchmark untuk dibandingkan. Kartu Beam 1.0 memuat satu tabel lengkap — SWE-bench Verified 81,6% pada BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, semuanya dilaporkan vendor dan tidak ada yang direproduksi oleh pihak ketiga — karena ini adalah model pasca-pelatihan yang dibangun untuk beban kerja tertentu dan itulah bukti yang diminta pembelinya. LFM2.5 2.6B Base tidak memilikinya, secara desain. Tidak ada yang bisa dinilai: kualitas checkpoint adalah apa yang dibuat oleh fine-tune Anda darinya, dan titik perbandingan yang jujur adalah proses pelatihan, bukan baris papan peringkat.

Ke mana uangnya pergi

Keduanya tidak ada dalam katalog OrcaRouter. Yang kami rutekan adalah dunia yang dilayani di sekitar mereka: lebih dari 200 model di balik satu kunci yang kompatibel dengan OpenAI, harga daftar penyedia diteruskan pada markup 0%, dengan failover otomatis antar penyedia sehingga rute yang menurun akan merutekan ulang alih-alih gagal. Itu layak disebut di sini untuk alasan spesifik, karena dua model di halaman ini berada di ujung yang berlawanan dari pertanyaan pengadaan yang sama.

LFM2.5 2.6B Base tidak memerlukan biaya untuk diunduh dan segalanya ada pada pengoperasiannya, dalam arti biayanya adalah satu kali pelatihan dan sebuah perangkat. Beam 1.0 tidak memerlukan biaya untuk diunduh dan segalanya ada pada pengoperasiannya, dalam arti biayanya adalah melayani MoE 501B dan, pada saat penulisan ini, Reflection tidak menerbitkan tarif API. Artificial Analysis mencatat kolom harga di halaman Beam sebagai tidak tersedia dan mencatat bahwa tidak ada API yang tersedia untuk publik. Dua belas hari setelah pengumuman, model dengan tabel tolok ukur 501 miliar parameter itu masih belum memiliki angka apa pun yang dapat digunakan oleh tim keuangan.

Bagi pembaca yang kebutuhan sebenarnya minggu ini adalah inferensi pada beban kerja yang tidak dirancang untuk model mana pun — peringkas, pengklasifikasi, antarmuka obrolan — keputusannya bukanlah antara kedua model ini. Keputusan itu adalah antara melakukan fine-tuning 2,698 miliar parameter sendiri dan menyewa sesuatu yang sudah selaras dan sudah memiliki harga, dan opsi kedua adalah opsi yang dapat Anda ukur sebelum berkomitmen.

Yang mana yang sebenarnya kamu cari?

Ambil LFM2.5 2.6B Basejika masalah Anda lebih sempit daripada asisten umum. Alasan memilih checkpoint dasar yang kecil adalah bahwa Anda punya tugas, Anda punya data, dan Anda lebih memilih memiliki artefaknya sendiri daripada menyewa panggilan. Konteks 131.072 token tergolong lega untuk ukurannya, cakupan 16 bahasa itu nyata, tumpukan konvolusi hibrida dipilih untuk throughput di perangkat, dan lisensinya memungkinkan Anda mendistribusikan apa yang Anda bangun. Yang Anda ikuti adalah pipeline fine-tuning, harness evaluasi, dan keputusan penyelarasan — yang tidak disediakan oleh checkpoint tersebut.

Pilih Beam 1.0 jika tugas Anda adalah salah satu yang tercantum di kartunya: pengodean, penggunaan alat, penalaran berskala repositori, eksekusi agentik berhorizon panjang. Tabel evaluasi diarahkan langsung pada pekerjaan itu, konteks 1M token-nya selaras dengan itu, build FP8 dan NVFP4 membuat pembicaraan tentang perangkat keras lebih mudah ditangani daripada yang disiratkan 501B, dan lisensi Apache 2.0 membuka jalan bagi turunan komersial. Yang Anda ikuti adalah infrastruktur serving, anggaran penalaran yang selalu aktif yang tidak bisa Anda matikan karena templatnya, dan estimasi biaya yang harus Anda susun sendiri karena vendor belum menerbitkannya.

Kedua model itu tidak bersaing, dan perbandingan ini layak dilakukan justru karena perbandingan itu menunjukkan betapa sedikit yang diberitahukan oleh "bobot terbuka" jika berdiri sendiri. Salah satu perilis menyerahkan sebuah komponen dan anggaran pelatihan; yang lain menyerahkan sebuah sistem dengan protokol kabel dan lisensi yang dapat Anda tempelkan ke dalam tinjauan hukum. Membaca mana yang ditawarkan kepada Anda sebelum Anda mengunduhnya adalah sebagian besar pekerjaannya.

Apa yang akan mengubah gambaran

Harga API Beam 1.0 yang dipublikasikan, atau deployment FP8 terkelola dengan rate card, akan memindahkan model itu dari kolom "membangun estimasi" ke kolom "membandingkan angka", dan itulah satu-satunya baris yang hilang dalam dokumentasinya. Benchmark independen terhadap bobot Beam — kini mungkin dilakukan, karena bobotnya bersifat publik — akan memberi tabel vendor seorang wasit, yang tidak akan pernah bisa dimiliki LFM2.5 2.6B Base karena belum ada apa pun untuk dinilai. Sampai salah satu dari itu terwujud, ringkasan yang akurat adalah bahwa checkpoint dasar berparameter 2,7 miliar dan MoE pasca-pelatihan berparameter 501 miliar keduanya gratis untuk diunduh, keduanya mahal untuk dioperasikan dalam mata uang yang sama sekali berbeda, dan tidak satu pun merupakan pengganti bagi yang lain.

Perbandingan seperti ini juga menjadi tempat munculnya mode kegagalan: insiden AI dan kegagalan agen yang terdokumentasi di balik model di kelas ini dikumpulkan dalam the OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan tanda perdebatan.