HiRO-ACEv2 vs LFM2.5 2.6B Base: Keduanya Bukan Produk, dan Keduanya Belum Selesai dengan Cara yang Berbeda

Letakkan HiRO-ACEv2 dan LFM2.5 2.6B Base berdampingan, dan hal pertama yang Anda sadari adalah bahwa tidak satu pun dari keduanya merupakan sesuatu yang bisa langsung dipanggil oleh pengembang. HiRO-ACEv2 adalah emulator iklim generasi kedua dari Ai2, diunggah sebagai repositori Hugging Face berukuran 10,9 GB pada 12 Oktober 2026 tanpa pengumuman dan disertai pracetak bertanggal hari berikutnya; LFM2.5 2.6B Base adalah checkpoint terlatih milik Liquid AI dengan 2,69 miliar parameter, dibuat pada 1 Agustus 2026, yang secara eksplisit digambarkan oleh vendornya sendiri sebagai checkpoint yang baru Anda ambil ketika membutuhkan adaptasi besar-besaran. Keduanya adalah bahan mentah. Keduanya dapat diunduh hari ini. Dan cara masing-masing tidak menjadi produk jadi nyaris saling bertolak belakang, dan itulah satu-satunya alasan perbandingan ini layak ditulis alih-alih diabaikan.

Checkpoint Base belum selesai karena ia belum diajari untuk mengikuti instruksi. HiRO-ACEv2 belum selesai dalam artian ia tidak akan pernah menjadi model serbaguna — ia adalah aplikasi yang sudah tiba dalam keadaan terlatih, sudah terspesialisasi, dan sudah terbungkus dalam batasan yang dinyatakan. Yang satu adalah substrat yang menunggu tujuan. Yang lainnya adalah tujuan tanpa substrat untuk hal lain apa pun.

Apa isi sebenarnya dari setiap repositori

Repositori Base milik Liquid AI adalah sebuah model. Kartu tersebut mencantumkan 2,69 miliar parameter di 30 lapisan — 22 blok konvolusi pendek bergerbang ganda dan 8 lapisan grouped-query-attention, susunan hibrida yang menjadi dasar keluarga LFM2 — dengan jendela konteks 131.072 token, kosakata 128.000 entri, 34 triliun token pra-pelatihan, dan cakupan 16 bahasa termasuk Inggris, Arab, Tionghoa, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Spanyol, Vietnam, Thailand, Indonesia, Hindi, Rusia, dan Polandia. Model ini hanya untuk teks, dan tidak di-tuning instruksi. Format unduhan berkisar dari checkpoint Transformers native hingga GGUF untuk llama.cpp, ONNX untuk penerapan lintas platform, dan MLX untuk Apple silicon; kuantisasi Q4_K_M berada di sekitar 1,67 GB.

Repositori Ai2 bukan model dalam pengertian itu. Repositori ini menyimpan dua checkpoint — HiROv2.ckpt sekitar 1,28 GiB dan ACE2S-X-SHiELD.ckpt sekitar 2,98 GiB — ditambah data forcing NetCDF selama sepuluh tahun sekitar 609 MB per berkas, dua berkas kondisi awal, tiga konfigurasi YAML, dan sebuah skrip shell. Bobot aktual sekitar 4,3 GiB merupakan sebagian kecil dari total 10,9 GB; sebagian besar dari yang Anda unduh adalah jendela data masukan yang dirancang untuk dikonsumsi oleh kerangka kerja ini. Tidak ada kuantisasi, tidak ada runtime alternatif, tidak ada ekspor ONNX, dan tidak ada varian yang lebih kecil. Ada satu cara untuk menjalankannya, dan README menjelaskannya: instal paket fme dari Ai2, edit empat jalur dalam konfigurasi, jalankan skrip.

Dua jenis masalah lisensi yang berbeda

Tag lisensi adalah titik ketika kontras menjadi praktis alih-alih filosofis, dan ketika pasangan ini benar-benar berbeda dari model seperti rilis Apache-2.0 yang mungkin Anda harapkan ada di sini.

• HiRO-ACEv2 — Apache 2.0, dengan Pedoman Penggunaan Bertanggung Jawab dari Ai2 yang menyertakan maksud penelitian dan pendidikan pada hibah tersebut, dan data pelatihan yang diatribusikan kepada X-SHIELD, yang disediakan oleh GFDL.

• LFM2.5 2.6B Base — LFM Open License v1.0, bukan lisensi permisif bergaya OSI. Ketentuannya ada di file LICENSE milik repositori itu sendiri, dan kondisi komersialnya adalah alasan untuk membaca file itu, bukan tag-nya, sebelum Anda membangun produk di atas checkpoint tersebut.

• Apa artinya itu bagi fork yang akan Anda buat — dengan HiRO-ACEv2, pertanyaannya adalah apakah penggunaan Anda untuk riset; dengan LFM2.5 2.6B Base, pertanyaannya adalah apakah penggunaan Anda bersifat komersial, dan pada skala berapa. Pertanyaan yang berbeda, jawaban yang berbeda, dan tidak satu pun dijawab oleh kata "open."

Bentuk output tidak memiliki kesamaan apa pun, dan itulah bagian yang berguna.

Checkpoint Base menghasilkan teks. Token demi token, secara autoregresif, dengan permukaan sampling yang biasa — kartu menyarankan temperature 0,6 dan top-p 0,95 untuk gaya generasi saudara yang telah menjalani post-training, dan checkpoint base meminta Anda memutuskan itu sendiri. Semua yang ada di hilirnya adalah tugas bahasa: melanjutkan dokumen, mengklasifikasikan span, menerjemahkan, mengeluarkan data terstruktur, atau menjadi titik awal untuk fine-tune yang mengajarinya domain atau bahasa yang saat ini belum dikuasainya dengan baik.

HiRO-ACEv2 menghasilkan bidang fisik dalam bentuk grid pada resolusi 3 km — laju presipitasi permukaan rata-rata enam jam, angin seketika 10 meter ke arah timur dan utara, serta tekanan permukaan laut — yang diturunskalakan dari masukan 100 km oleh model difusi, dengan keadaan kasar itu sendiri dihasilkan secara autoregresif oleh emulator X-SHIELD yang terpisah. Tidak ada bagian dari pipeline itu yang berupa teks. Evaluasi yang penting adalah apakah distribusi keluarannya cocok dengan simulasi referensi hingga ekor jauhnya, dan makalah di balik rilis ini tepat membahas hal itu: para penulis melaporkan berhasil mengikuti distribusi presipitasi referensi dan angin dekat permukaan hingga persentil ke-99,9999, serta secara umum mengikuti distribusi intensitas siklon tropis referensi, dengan biaya inferensi yang diklaim lebih dari 300 kali lebih rendah daripada model numerik global konvensional yang meresolusi badai.

Keduanya adalah klaim vendor atau penulis, yang belum direproduksi. Perbedaannya adalah apa yang harus dilakukan oleh pihak yang mereproduksi. Memverifikasi klaim tentang Base checkpoint berarti sebuah rangkaian tugas dan jam GPU yang setara dengan satu checkpoint. Memverifikasi klaim tentang HiRO-ACEv2 berarti dataset forcing sepuluh tahun, simulasi referensi untuk dibandingkan, dan analisis distribusi di ekor jauh — itulah sebabnya klaim kedua kemungkinan akan tetap tidak tertantang untuk waktu yang jauh lebih lama.

Apa yang sebenarnya akan Anda bangun di masing-masing

Penggunaan alami checkpoint Base adalah adaptasi, dan Liquid AI luar biasa terus terang soal itu: asisten khusus bahasa atau domain, pelatihan pada data milik sendiri, atau menguji metode pasca-pelatihan baru. Itu adalah checkpoint yang nilainya datang setelah pekerjaan Anda, bukan sebelumnya. Saudara kandungnya yang telah menjalani pasca-pelatihan — LFM2.5 2.6B, dibuat tiga hari sebelumnya pada 28 Juli — adalah model yang dibangun untuk beban kerja agentik, dan angka unduhan mengatakan segalanya tentang mana dari keduanya yang diinginkan komunitas: model pasca-pelatihan itu telah melewati 114.000 unduhan dan 823 suka pada pertengahan Oktober, dibandingkan dengan 6.282 unduhan dan 51 suka untuk Base. Base adalah alat spesialis dan pasar telah menilai harganya sesuai dengan itu.

Penggunaan alami HiRO-ACEv2 adalah menjalankan ansambel. Nilai jual kerangka kerja ini bukanlah satu prakiraan, melainkan banyak: motivasi makalah ini adalah menghasilkan ansambel besar dengan cukup murah untuk mempelajari perilaku dan ekstrem siklon tropis pada 3 km, selama periode multi-dekade dan wilayah global sembarang. Anda tidak melakukan fine-tune terhadapnya, dan kartu model tidak mengundang Anda untuk melakukannya. Anda menjalankannya, dan Anda entah memercayai batasannya — sembilan tahun data pelatihan, tidak ada penerapan di luar 66°S hingga 70°N, artefak batas patch di atas ubin pelatihan satu derajat berukuran 16-kali-16 — atau tidak.

Dengan kata lain: salah satu dari model ini adalah titik awal yang Anda modifikasi, dan yang lainnya adalah instrumen yang Anda operasikan. Membaca keduanya sebagai "model terbuka" yang dapat dipertukarkan karena keduanya dapat diunduh adalah kesalahan yang ingin dicegah oleh halaman ini.

Satu hal yang memang mereka sama-sama miliki: keduanya tidak ditagih per token

Titik temu keduanya yang sesungguhnya adalah bentuk biayanya. Tidak ada yang punya daftar tarif. LFM2.5 2.6B Base gratis untuk diunduh dan murah untuk dijalankan justru karena ukurannya kecil — beberapa gigabyte dalam bf16 dan jauh di bawah dua gigabyte setelah dikuantisasi, yang merupakan inti dari desain LFM2.5 dan alasan model ini ada bersama varian saudara yang telah melalui post-training dan disetel untuk pekerjaan di perangkat. HiRO-ACEv2 murah karena alasan yang berbeda: ia adalah emulator sempit, dan ekonominya berasal dari menggantikan simulasi numerik yang sangat mahal, bukan dari kemampuannya muat di ponsel.

Jadi jika beban kerja Anda adalah teks, checkpoint Base adalah pertanyaan tentang fine-tuning, dan versi sehari-hari dari beban kerja itu — yang mana Anda menginginkan model untuk menjawab alih-alih checkpoint untuk dilatih — terlihat seperti panggilan, bukan unduhan. Itulah lapisan tempat OrcaRouter berada: satu kunci API di lebih dari dua ratus model yang dihosting, dengan harga daftar penyedia diteruskan tanpa markup dan failover otomatis antar penyedia ketika salah satu menurun. Tidak ada model dalam perbandingan ini yang ada dalam katalog itu, dan tidak ada yang bisa ada dalam bentuknya saat ini; LFM2.5 2.6B Base adalah checkpoint bukan layanan, dan HiRO-ACEv2 tidak memiliki antarmuka berbentuk permintaan sama sekali. Yang kami rutekan adalah segala sesuatu di sekitar mereka — peringkasan, ekstraksi, kode harness, dan loop agen yang mengubah artefak yang diunduh menjadi pipeline.

Picking, dalam praktiknya

Jika Anda memiliki data dalam domain atau bahasa yang belum cukup dilihat oleh model dasar, dan Anda memiliki daya komputasi untuk pascapelatihan, LFM2.5 2.6B Base adalah titik awal yang lebih murah daripada sebagian besar pesaingnya — bacalah berkas lisensi sebelum Anda membaca tolok ukur yang Anda harapkan, karena pada checkpoint ini lisensi adalah dokumen yang menentukan apakah proyek Anda diizinkan. Jika Anda ingin model agentik kecil untuk dijalankan di perangkat, Anda menginginkan varian saudara yang telah dilatih pascapelatihan, bukan Base, dan angka unduhan menunjukkan bahwa komunitas sudah mencapai kesimpulan itu sebelum Anda. Jika Anda menginginkan medan atmosfer 3 km selama tiga dekade iklim yang disimulasikan, tidak satu pun dari ini relevan dan hanya satu berkas dalam artikel ini yang relevan.

Hal yang berguna untuk diambil adalah bahwa "bobot terbuka" tidak lagi menjadi kategori yang berguna dengan sendirinya. Sebuah checkpoint dasar, model saudara pasca-pelatihan, dan emulator riset semuanya dapat menyandang label yang terdengar permisif dan dengan label itu memaksudkan tiga hal yang sepenuhnya berbeda.

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