Kolibri vs LFM2.5 2.6B Base: Deployment Berdaulat 78B Melawan Checkpoint Seukuran Ponsel

Letakkan Kolibri di samping LFM2.5 2.6B Base dan pembacaan yang jelas adalah Daud dan Goliat: 78,1 miliar parameter versus 2,69 miliar, batas minimum penerapan dua GPU versus model yang menurut Liquid AI dapat berjalan di ponsel. Pembacaan yang jelas itu salah, dan bukan ke arah yang Anda duga. Tidak satu pun dari ini adalah model yang dapat Anda gunakan untuk tugas tertentu hari ini. Kolibri dirilis oleh Aleph Alpha pada 3 Oktober 2026 sebagai asisten bahasa Jerman dan Inggris yang lengkap, pasca-pelatihan, dan mampu memanggil alat, dengan plugin penyajian dan konfigurasi pengambilan sampel yang direkomendasikan. LFM2.5 2.6B Base, diterbitkan oleh Liquid AI pada awal Agustus 2026, adalah checkpoint pra-pelatihan tanpa penyetelan instruksi sama sekali, yang dirilis secara khusus untuk disetel halus. Yang satu adalah produk yang Anda terapkan. Yang lainnya adalah bahan mentah. Membandingkan kualitas keduanya adalah kekeliruan kategori, dan pertanyaan yang menarik adalah jenis bahan mentah seperti apa yang sebenarnya dibutuhkan proyek Anda.

Kesenjangan yang menentukan sebagian besar pengadaan nyata di antara keduanya bukanlah parameter. Melainkan lisensinya. Kolibri dirilis di bawah Apache 2.0. LFM2.5 2.6B Base dirilis di bawah LFM Open License v1.0, lisensi khusus (kartu model mencatatnya sebagai "license: other"), dan perbedaan itulah yang dibawa ke tim hukum alih-alih tim teknik.

Dua makna berbeda dari "open weights"

Kedua model memungkinkan Anda mengunduh bobot dan menjalankannya. Apa yang diizinkan Anda lakukan setelahnya adalah titik di mana keduanya berbeda.

• Kolibri — Apache 2.0, tanpa ketentuan tambahan penggunaan yang dapat diterima, tanpa ambang batas jumlah pengguna, tanpa syarat komersial terpisah. Kartu Aleph Alpha hanya mencatat bahwa lab tersebut adalah penandatangan Kode Praktik GPAI UE.

• LFM2.5 2.6B Base — LFM Open License v1.0, yaitu lisensi milik Liquid AI sendiri, bukan lisensi berstandar OSI. Lisensi yang sama juga mengatur LFM2.5 2.6B yang telah melalui post-training dan anggota keluarga lainnya.

Bagi tim riset, keduanya tidak masalah. Bagi perusahaan yang harus menyatakan posisi lisensinya dalam dokumen pengadaan, yang satu adalah kuantitas yang sudah diketahui dan yang lainnya adalah dokumen yang harus dibaca seseorang. Itu adalah biaya nyata, dibayar sebelum satu token pun dihasilkan, dan tidak terlihat dalam tabel tolok ukur mana pun.

Ada pembedaan kedua dalam kategori yang sama, dan itulah yang berusaha keras ditegaskan oleh kartu milik Liquid AI sendiri. Base bukanlah asisten. Model ini tidak membawa tuning instruksi, yang berarti ia tidak akan mengikuti prompt, tidak akan menolak menjawab, tidak akan mengeluarkan panggilan alat, dan tidak akan tetap pada topik — bukan karena ia lemah, melainkan karena ia memang tidak pernah dilatih untuk itu. Kartu tersebut menyatakan secara gamblang bahwa model ini direkomendasikan hanya untuk tugas-tugas yang memerlukan fine-tuning berat: asisten yang spesifik bahasa atau spesifik domain, pelatihan pada data proprietary, atau bereksperimen dengan pendekatan pasca-pelatihan yang baru. Semua yang berada di hilir checkpoint base — supervised fine-tuning, spesialisasi teacher, distilasi on-policy, reinforcement learning agentik — menjadi urusan pembeli. Kolibri hadir dengan semua itu sudah dilakukan, pada empat tingkat upaya penalaran, dengan parser panggilan alat bergaya Hermes yang disertakan bersama bobotnya.

Apa yang sebenarnya Anda dapatkan dari ukuran-ukuran itu

Hilangkan pembingkaiannya, dan kedua model tersebut dioptimalkan untuk kendala yang berlawanan.

• Parameter — 78.103.074.560 total dengan 3.457.573.120 aktif per token pada Kolibri, dibandingkan 2,69 miliar total pada LFM2.5 Base, yang menggunakan tumpukan hibrida 22 blok konvolusi pendek dengan gerbang ganda dan 8 lapisan perhatian grouped-query, bukan transformer dengan blok seragam.

• Konteks — 131.072 token pada LFM2.5 Base, dibandingkan dengan jendela native 262.144 token pada Kolibri dan 1.048.576 token tervalidasi di luar itu.

• Data pelatihan — 34 triliun token pada LFM2.5 Base, dibandingkan dengan 20 triliun pada Kolibri yang diambil dari kumpulan mentah lebih dari 200 triliun setelah penyaringan dan deduplikasi, yang 13,6 persennya adalah kode.

Bahasa — enam belas pada LFM2.5 Base, termasuk Arab, Tionghoa, Jepang, Korea, Thai, dan Vietnam, berbanding tepat dua pada Kolibri, Jerman dan Inggris, karena memang dirancang secara eksplisit.

• Memori — LFM2.5 Base memiliki build GGUF, ONNX, dan MLX yang dipublikasikan bersamanya serta dirancang untuk deployment edge; bobot FP8 Kolibri berukuran sekitar 78 GB dengan minimum dua kartu A100 80 GB, dua H100 SXM5, satu H200, satu B200, atau satu B300.

Bacalah kelima baris itu bersama-sama dan gambaran besarnya tidak lagi timpang. Model Liquid AI mencakup sepuluh kali lebih banyak bahasa pada perangkat keras yang tiga orde magnitudo lebih kecil. Model Aleph Alpha mencakup dua bahasa dengan jendela konteks delapan kali lebih panjang dan kedalaman spesialisasi yang hanya tampak di dalam evaluasi vertikalnya sendiri. Keduanya bukan versi yang lebih buruk dari yang lain; keduanya adalah jawaban atas pertanyaan yang berbeda, dan pertanyaannya adalah "bisakah ini berjalan tanpa server" dan "bisakah ini menalar dokumen regulasi Jerman".

Hanya satu dari mereka yang memiliki skor terukur, dan itu bukan Base

Di sinilah bagian yang disembunyikan oleh pemasangan itu. Artificial Analysis memang memiliki halaman model untuk LFM2.5-2.6B — tetapi untuk model pasca-pelatihan, bukan Base. Halaman itu melaporkan Indeks Kecerdasan sebesar 8, berperingkat #9 dari 49 model di kelasnya, dengan konteks 128.000 token, 2,7 miliar parameter, dan LFM Open License v1.0. Ini adalah skor yang sederhana dan jujur: model tersebut diukur, diberi harga secara efektif nol, dan dievaluasi sebagai apa adanya — sebuah model penalaran kecil.

Checkpoint Base tidak memiliki skor, dan tidak mungkin memilikinya. Indeks Kecerdasan dihitung dengan menjalankan model terhadap tugas penalaran dan pengetahuan; checkpoint yang belum di-instruction-tune tidak memiliki perilaku yang berarti pada tugas-tugas tersebut. Liquid AI tidak menerbitkan tabel evaluasi untuknya, dan ketiadaan itu merupakan pernyataan tentang artefak tersebut, bukan celah dalam rilis.

Posisi Kolibri berbeda lagi, dan perlu dinyatakan secara persis karena mudah disalahpahami. Tidak ada halaman Artificial Analysis untuk Kolibri juga — kami memeriksanya, dan model tersebut sama sekali tidak ada dalam perbandingan itu. Yang ada adalah tabel pasca-pelatihan milik Aleph Alpha sendiri, tempat Kolibri mencetak 75,5 pada rata-rata bahasa Inggris dan 70,8 pada rata-rata bahasa Jerman di seluruh harness-nya, dibandingkan 54,1 dan 46,4 untuk pendahulunya sendiri, Kolibri Origin. Itu adalah angka yang dijalankan vendor pada rangkaian evaluasi yang dibuat vendor, dan angka-angka itu tidak dapat dikonversi menjadi Intelligence Index. Jadi dari dua model dalam judul berita ini, satu memiliki skor independen untuk versi saudaranya, satu memiliki tabel vendor, dan tidak satu pun dari artefak persis yang dibandingkan memiliki pengukuran independen sama sekali.

Saudara kandung yang mengubah rekomendasi

Menilai LFM2.5 2.6B Base secara terpisah adalah cara yang keliru untuk mengevaluasi rilis Liquid AI, karena Base ada untuk melayani LFM2.5 2.6B yang telah dilatih lanjut (post-trained), dan keduanya dirilis bersamaan. Jika Anda tidak berniat menulis pipeline fine-tuning, Base bukanlah model untuk Anda — model saudaranya yang post-trained itulah yang cocok, dan itulah yang memiliki skor publik serta harga yang dipublikasikan yang praktis gratis per token saat Anda menghostingnya sendiri.

Itulah hubungan yang sama yang dimiliki Kolibri dengan Kolibri Origin, dan perbandingan itu layak dilakukan karena Aleph Alpha mempublikasikan lini masa tersebut. Origin menyelesaikan pra-pelatihan pada 30,6 miliar parameter dan 3,27 miliar aktif pada 11 Juni 2026 dan tidak pernah dirilis; Kolibri selesai pada 11 September 2026 pada 78,1 miliar dan dirilis pada 3 Oktober. Dua model, tiga bulan, salah satunya hanya internal. Pemisahan setara milik Liquid AI dipublikasikan untuk kedua sisi: Base dan pasca-pelatihan, berdampingan, dengan build terkuantisasi untuk llama.cpp, ONNX Runtime, dan MLX milik Apple yang dipublikasikan bersama checkpoint asli. Jika rencana Anda adalah melakukan fine-tuning, perkakas di sekitarnya itu lebih bernilai daripada satu baris benchmark, karena itu menentukan seberapa banyak pekerjaan yang harus Anda lakukan sendiri.

Apa yang harus di-deploy, berdasarkan persyaratan

Yang ini mengerucut menjadi daftar keputusan yang singkat alih-alih satu pemenang.

• Jika model harus berjalan tanpa server — di ponsel, laptop, perangkat di pabrik — LFM2.5 2.6B Base adalah satu-satunya dari keduanya yang bahkan menjadi kandidat, dan LFM2.5 2.6B yang telah dilatih pascapelatihan adalah yang benar-benar akan Anda mulai. Kolibri tidak dapat dijalankan di sana pada kuantisasi apa pun.

• Jika beban kerjanya adalah penalaran dokumen berbahasa Jerman atau Inggris di dalam perimeter Anda sendiri, dengan kendala data teregulasi dan kebutuhan akan perilaku abstensi, LFM2.5 Base bukan bentuk artefak yang tepat dan Kolibri ditujukan tepat untuk itu — asalkan Anda dapat menyediakan dua akselerator 80 GB dan menerima posisi lisensi yang dapat Anda nyatakan dalam satu baris.

• Jika Anda memerlukan lebih dari sekadar bahasa Jerman dan Inggris, keluarga Liquid AI mencakup enam belas bahasa pada 2.6B, dan argumen cakupan bahasa berbalik pada ukuran sebesar itu.

• Jika Anda memerlukan asisten yang sudah diterapkan kuartal ini dan tidak ingin menjalankan pipeline pasca-pelatihan, Kolibri sudah melalui pasca-pelatihan; LFM2.5 Base tidak, dan model pasca-pelatihan LFM2.5 adalah asisten yang jauh lebih kecil daripada Kolibri, bukan versi yang lebih murah darinya.

Bagi tim yang beban kerjanya benar-benar berada di tengah — beberapa miliar token per bulan, konteks menengah, tanpa persyaratan regulasi untuk memiliki perangkat kerasnya — tidak ada satu pun dari ini yang menjadi pilihan pertama. Model di bawah 4B murah untuk dihosting sendiri dan canggung untuk dirutekan dalam skala besar karena biaya operasional sebuah deployment bisa melebihi tagihan token; model 78B justru masalah sebaliknya. Tingkat yang benar-benar dirutekan adalah tingkat di antaranya, dan tingkat itu ada di OrcaRouter hari ini: Qwen3.5 35B-A3B dengan $0.057 per juta input dan $0.459 output, Qwen3.8-Flash dengan $0.15 dan $0.47 dengan konteks 1 juta token, atau mixture-of-experts Gemma 4 26B-A4B IT dengan $0.06 dan $0.33. Itu adalah harga daftar penyedia yang diteruskan tanpa tambahan apa pun per token, dengan satu kunci yang kompatibel dengan OpenAI dengan failoverdan itulah jawaban yang jujur bagi tim yang ingin mengukur volume token sebenarnya sebelum berkomitmen pada proyek fine-tuning atau rak.

Untuk menjelaskan secara eksplisit apa yang tidak kami tawarkan: baik Kolibri maupun LFM2.5 2.6B Base tidak dapat dirutekan di OrcaRouter saat ini. Kami menelusuri katalog untuk keduanya dengan setiap ejaan vendor dan model, dan keduanya tidak ada di sana. Kolibri hanya untuk self-host, dan LFM2.5 Base adalah artefak fine-tuning yang tidak pernah dimaksudkan untuk berada di belakang API.

Pilihan dalam satu baris

Kolibri adalah penalar Jerman-Inggris berparameter 78 miliar yang sudah selesai, berlisensi, dan terdokumentasi, yang membutuhkan dua akselerator untuk dijalankan. LFM2.5 2.6B Base adalah titik awal multibahasa berparameter 2,69 miliar yang belum selesai, yang membutuhkan pipeline fine-tuning dan muat di kantong Anda. Rasio parameter antara keduanya adalah 29 berbanding 1, dan itu adalah angka yang paling tidak informatif dalam artikel ini.