LBS-27B vs LFM2.5 24B A2B: Pertanyaan Parameter Aktif

Angka terpenting dalam LFM2.5 24B A2B bukanlah 24. Nilainya 2,45 miliar — jumlah parameter yang benar-benar dibaca model untuk setiap token. Itulah sebabnya Liquid AI dapat mengklaim 184 token keluaran per detik pada Apple M5 Max sementara model tersebut menyimpan 24 miliar parameter pengetahuan, dan mengapa perusahaan memposisikannya sebagai agen on-device alih-alih andalan pusat data. Angka yang sama tidak ada pada LBS-27B, dan ketidakhadirannya adalah alasan perbandingan ini belum dapat diselesaikan: tanpa jumlah parameter aktif, tidak ada cara untuk menempatkan model inclusionAI pada kurva efisiensi yang didefinisikan LFM2.5.

LFM2.5 24B A2B telah dapat diunduh sejak 13 Oktober 2026, dengan kartu model, enam belas baris benchmark, dan lisensi yang perlu dibaca dengan cermat oleh sebagian besar perusahaan. LBS-27B adalah repositori yang dibuat pada 26 Oktober 2026 yang berisi berkas .gitattributes standar dan README 28 byte yang menyatakan Apache-2.0. Tidak ada bobot, tidak ada konfigurasi, tidak ada kartu, tidak ada pengumuman. Dengan demikian, berikut ini adalah perbandingan antara langkah efisiensi yang spesifikasinya lengkap dan sebuah nama yang belum menyatakan jenis modelnya.

Liquid is optimized primarily for **safe, fast, predictable template rendering** in a multi-tenant commerce platform—not for general-purpose programming power. In practice that means it favors: - **Security**: no arbitrary code execution; templates can’t reach outside their sandbox. - **Simplicity for theme editing**: readable syntax that merchants/designers can modify without deep programming knowledge. - **Performance**: fast repeated rendering for storefronts. - **Separation of concerns**: presentation logic in templates, business logic elsewhere. So Liquid trades expressiveness and developer ergonomics for **safety, simplicity, and rendering reliability**.

LFM2.5 24B A2B adalah dekoder mixture-of-experts dengan 64 pakar dan perutean top-4, 40 lapisan, ukuran tersembunyi 2.048, dan kosakata 128.000 token. Jumlah parameter aktifnya 2,45 miliar. Model ini menerima konteks 131.072 token, naik dari 32K pada generasi sebelumnya, dan dilatih awal pada 33 triliun token, sekitar dua kali lipat dari 17 triliun yang digunakan untuk LFM2.

Perubahan kosakata adalah detail yang layak diperhatikan. Berpindah dari 65K ke 128K token itu mahal — artinya melatih ulang lapisan embedding dan output — dan alasan biasa untuk melakukannya adalah teks non-Latin. Kartu tersebut mencantumkan enam belas bahasa: Inggris, Arab, Tionghoa, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Spanyol, Vietnam, Thailand, Indonesia, Hindi, Rusia, dan Polandia. Kosakata yang lebih besar membuat bahasa-bahasa itu lebih murah per kata dan biasanya lebih baik pada bagian ekornya.

Ini juga merupakan model yang hanya berfokus pada penalaran. Pipeline pasca-pelatihan Liquid menjalankan supervised fine-tuning, spesialisasi guru, distilasi non-agentik dan agentik, lalu agentic reinforcement learning di dalam harness seperti OpenClaw, Hermes Agent, Pi, dan OpenCode. Model ini menghasilkan rantai pemikiran sebelum menjawab; tidak ada mode "cepat, tanpa berpikir" terpisah yang didokumentasikan pada kartu model.

Profil benchmark yang sengaja dibuat tidak merata

Angka Liquid sendiri, yang tidak kami reproduksi, menggambarkan sebuah model yang sangat baik pada hal-hal yang dilakukan agen di perangkat dan buruk pada hal-hal yang dibutuhkan seorang pekerja pengetahuan. Bentuk itu bukan kebetulan; itulah desainnya.

• Kepatuhan terhadap instruksi — IFEval 96.75, IFBench 74.69, Multi-IF 84.38. Ini adalah klaster terkuat pada kartu ini dan yang paling penting bagi agen yang harus mematuhi skema alat.

• Penggunaan alat — ToolSandbox 80,71, PinchBench 83,18, BFCL v4 65,01, AutomationBench 27,69. Bagus, tetapi tidak merata di berbagai harness.

• Penjelajahan agentic dan penggunaan komputer — LiveClaw 48.09, WebArena Verified 26.75, tau3-Bench Banking 8.04. Hasil perbankan adalah pencilan: skor satu digit pada rangkaian tugas yang ditangani jauh lebih baik oleh model agentic lain. Ini menjadi pengingat bahwa "agentic" bukanlah satu kemampuan.

• Rekayasa perangkat lunak — SWE-Bench Verified 51,00 dalam OpenCode, SciCode 32,71. Kelas menengah.

• Matematika — MATH-500 96.04. Kuat untuk ukurannya.

• Pengetahuan — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90. Skor Omniscience yang negatif adalah sinyal jujur di sini: pada benchmark yang menghukum jawaban salah yang penuh keyakinan, model lebih banyak kehilangan daripada memperoleh. Positioning Liquid sendiri mengakui hal ini — model ini dimaksudkan untuk dipasangkan dengan retrieval, bukan dipercaya sebagai ensiklopedia.

Jika dibaca bersama-sama, baris-baris itu menunjukkan bahwa model ini adalah pengikut instruksi dan pemanggil alat yang kompeten dengan basis pengetahuan yang tipis. Untuk agen lokal yang membaca berkas Anda dan memanggil API Anda, itu adalah pertukaran yang tepat. Untuk asisten riset, itu adalah pertukaran yang salah.

Klaim efisiensi, beserta segala catatan keberatannya

Liquid melaporkan 184 token per detik pada Apple M5 Max dengan penggunaan memori sekitar 15GB, dan 114 token per detik pada Ryzen AI Max+ 395. Itu adalah angka vendor pada perangkat keras tertentu, bukan benchmark umum, dan akan berubah seiring kuantisasi dan ukuran batch. Arahnya tetap bermakna: model 24B dengan 2,45B aktif dapat berjalan di laptop dengan cara yang tidak bisa dilakukan oleh model 24B dense.

Komprominya adalah bandwidth memori. Model sparse tetap harus menyimpan seluruh 24 miliar parameter di memori — penghematannya terletak pada komputasi per token, bukan pada penyimpanan. Itulah sebabnya angka 15GB sama pentingnya dengan throughput: angka itu kira-kira merupakan kuantisasi 4-bit dari keseluruhan set bobot, dan angka itu menetapkan batas bawah perangkat keras.

Di mana LBS-27B harus berada

Segala hal tentang pertandingan ini bergantung pada dua bidang yang belum ada di repositori LBS-27B: jumlah pakar dan jumlah parameter aktif.

Jika LBS-27B bersifat sparse dengan sekitar 2B hingga 4B parameter aktif, model ini langsung masuk ke wilayah LFM2.5 — basis pengetahuan kelas 27B dengan komputasi model kecil — dan perbandingannya menjadi adu langsung kualitas per parameter aktif. Jika dense, ini produk yang sama sekali berbeda: model sisi server dengan komputasi yang dapat diprediksi dan jejak memori yang menyingkirkan sebagian besar laptop. Jika sparse dengan jumlah aktif yang besar, model ini berada di antara keduanya dan bersaing pada kualitas, bukan efisiensi.

Tidak ada cara untuk menyimpulkan yang mana dari repositori. Namanya menyebutkan 27B, README menyebutkan Apache-2.0, dan struktur berkas tidak menyebutkan hal lain. inclusionAI belum menerbitkan kartu, tulisan blog, atau makalah yang dapat kami temukan.

Perbandingan, sejauh dapat dilakukan

• Total parameter — 24,0B untuk LFM2.5 24B A2B; 27B yang belum terverifikasi untuk LBS-27B.

• Parameter aktif — 2,45B untuk LFM2.5; tidak diketahui untuk LBS-27B, dan inilah ketidakpastian yang menentukan.

• Arsitektur — 64 pakar dengan perutean top-4 dan 40 lapisan untuk LFM2.5; tidak diketahui untuk LBS-27B.

• Konteks — 131.072 token untuk LFM2.5; tidak diketahui untuk LBS-27B.

• Modalitas — hanya teks untuk LFM2.5; tidak diketahui untuk LBS-27B.

• Bahasa — enam belas tercantum untuk LFM2.5; tidak diketahui untuk LBS-27B.

• Penalaran — rantai pemikiran secara default, tanpa mode non-berpikir yang terdokumentasi, untuk LFM2.5; tidak diketahui untuk LBS-27B.

• Lisensi — lisensi LFM 1.0, dengan persyaratan lisensi komersial untuk pendapatan tahunan di atas $10 juta, bagi LFM2.5; Apache-2.0 dinyatakan untuk LBS-27B.

• Evaluasi yang dipublikasikan — enam belas baris yang dilaporkan vendor untuk LFM2.5; tidak ada untuk LBS-27B.

Lisensi adalah persoalan pengadaan, bukan catatan kaki

Inilah satu dimensi ketika repositori kosong sudah memberi LBS-27B keuntungan. Lisensi LFM 1.0 bukan sumber terbuka dalam pengertian OSI: perusahaan dengan pendapatan tahunan lebih dari $10 juta memerlukan lisensi komersial terpisah sebelum menerapkannya. Bagi pengembang individu atau startup di bawah ambang batas tersebut, itu bukan masalah. Bagi perusahaan menengah, itu adalah tinjauan hukum, negosiasi, dan pos anggaran.

LBS-27B menyatakan Apache-2.0 di README-nya. Itu adalah lisensi permisif dengan pemberian paten eksplisit dan tanpa ambang pendapatan, dan jika itu bertahan hingga rilis bobot, langkah pengadaan secara keseluruhan akan terhapus. Itu adalah satu-satunya keunggulan konkret yang saat ini dimiliki LBS-27B dalam perbandingan ini, dan layak dinyatakan dengan jelas karena itu nyata — pernyataan lisensi yang dibuat saat pembuatan repositori adalah bukti yang lemah, tetapi bukan berarti tidak ada.

Di perangkat versus API: dua produk yang berbeda

LFM2.5 24B A2B dibuat untuk berjalan di tempat data berada. Nilai jualnya adalah privasi dan latensi: model di laptop atau workstation yang tidak pernah mengirim permintaan ke pihak ketiga, dengan tool-calling yang cukup baik untuk menjalankan otomasi lokal. Jejak memori 4-bit dan konteks 131K disesuaikan untuk pekerjaan itu.

LBS-27B belum mengatakan untuk apa model ini. Jika inclusionAI merilis model yang dirancang untuk penyajian sisi server, argumen di perangkat tidak berlaku dan kedua model tersebut saling melengkapi, bukan saling menggantikan. Jika mereka merilis MoE aktif kecil dengan kisah penerapan lokal, perbandingannya menjadi langsung dan keunggulan dua generasi Liquid dalam perkakas di perangkat — dukungan llama.cpp, MLX, ONNX, dan vLLM, ditambah harness agen yang terdokumentasi — menjadi penentu.

Dukungan framework adalah bagian yang sering diremehkan dari hal ini. Model yang tidak tersedia di llama.cpp atau MLX sejak hari pertama pada praktiknya bukanlah model on-device, terlepas dari berapa jumlah parameter aktifnya.

Menguji model yang belum terbukti tanpa mempertaruhkannya

Baik LBS-27B maupun LFM2.5 24B A2B tidak tersedia di OrcaRouter saat ini, jadi tidak ada endpoint yang dihosting untuk keduanya dan kami tidak akan menyarankan sebaliknya. Alasan menyebutkan platform ini di sini adalah masalah evaluasi yang menyertainya: jika Anda ingin mengetahui apakah model small-active baru dapat menggantikan model Anda saat ini, Anda perlu menjalankan keduanya pada traffic Anda sendiri, bukan pada papan peringkat.

DSL perutean OrcaRouter memungkinkan Anda mengirim persentase permintaan ke model kandidat sambil tetap menjadikan model yang sedang digunakan sebagai default, dan failover otomatis berarti kandidat yang timeout atau error akan turun ke model yang sudah dikenal alih-alih menggagalkan permintaan. Untuk kasus sulit ketika satu model tidak cukup, fusi model memungkinkan panel model menjawab bersama dan mengembalikan hasil gabungan — berguna ketika tugas padat pengetahuan dan titik lemah model murah justru merupakan hal yang sedang Anda uji. Katalog lebih dari 200 model dan markup 0% kurang penting di sini dibandingkan kemampuan untuk membandingkan pada input Anda sendiri tanpa integrasi kedua.

Itu adalah cara untuk menghasilkan bukti yang tidak dimiliki halaman ini. Itu bukan pengganti keberadaan model tersebut.

Tiga pembaca, tiga jawaban

Jika Anda membangun agen di perangkat dan membutuhkan sesuatu yang dapat berjalan di laptop saat ini, LFM2.5 24B A2B adalah kandidat serius: kemampuan mengikuti instruksi yang kuat, pemanggilan alat yang baik pada beberapa harness, konteks 131K, dan jalur terdokumentasi ke runtime lokal yang biasa. Periksa dulu ambang lisensi, dan jangan berharap ia mengetahui fakta tanpa retrieval.

Jika Anda memilih 27B sisi server dan membutuhkan lisensi permisif, LBS-27B layak diperhatikan justru karena Apache-2.0 sudah dinyatakan. Namun tidak ada yang bisa dievaluasi, dan deklarasi lisensi bukanlah sebuah model.

Jika Anda adalah perusahaan dengan pendapatan lebih dari $10 juta dan proses pengadaan yang ketat, perbedaan lisensi mungkin lebih penting daripada baris benchmark mana pun dalam artikel ini. Lisensi khusus LFM2.5 merupakan biaya nyata; Apache-2.0 milik LBS-27B adalah keuntungan nyata, dengan syarat lisensi itu tetap bertahan hingga rilis.

Angka yang akan mengubah ketiga jawaban itu adalah jumlah parameter aktif. Sampai angka itu ada, posisi yang jujur adalah bahwa satu model punya kisah efisiensi dan model lainnya punya repositori.