LFM2.5-24B-A2B vs Granite 4.2 30B: Model Laptop Sparse atau Model Workstation Dense

"Bobot terbuka" menjalankan dua peran berbeda dalam LFM2.5-24B-A2B dan Granite 4.2 30B. Model Liquid AI, yang diumumkan pada 13 Oktober 2026, adalah mixture-of-experts dengan 24 miliar parameter yang mengaktifkan 2,45 miliar parameter per token dan dirilis di bawah lisensi lfm1.0 milik vendor sendiri. Granite 4.2 30B milik IBM, yang diterbitkan di Hugging Face pada 25 Agustus 2026, adalah model penalaran dense decoder-only — sekitar 29 miliar parameter dalam safetensors BF16-nya, semuanya aktif pada setiap token — dan dirilis di bawah Apache 2.0. Salah satu lisensi tersebut adalah lisensi Apache standar tanpa syarat apa pun. Yang lain tidak, dan perbedaan itu tetap bertahan dalam setiap perdebatan benchmark yang mungkin Anda miliki tentang keduanya.

Perbedaan kedua adalah aritmetika yang tidak bisa disembunyikan oleh evaluasi apa pun. MoE dengan 2,45B parameter aktif memiliki ukuran yang pas untuk mesin yang sudah Anda miliki. Model padat 29B memerlukan GPU dengan memori yang cukup untuk menampungnya, yang membuat perbandingan ini bukan lagi soal "mana yang lebih pintar" melainkan "mana di antara ini yang benar-benar bisa Anda jalankan di perangkat keras yang ada di depan Anda."

Ke mana parameter pergi

LFM2.5-24B-A2B memiliki 40 lapisan yang terbagi antara 30 blok konvolusi pendek berpintu ganda dan 10 lapisan attention grouped-query, dengan 64 pakar per blok dan routing top-4. Liquid melatihnya pada 33 triliun token menurut penghitungan dalam pos peluncuran — atau 36 triliun menurut penghitungan kartu model Hugging Face untuk rilis yang sama, suatu ketidaksesuaian yang tidak dijelaskan oleh kedua dokumen — lalu dilatih menengah dalam dua tahap dan diselesaikan dengan pipeline pasca-pelatihan lima tahap yang berakhir pada pembelajaran penguatan agentik di dalam harness agen nyata. Model ini memiliki konteks 131.072 token dan kosakata 128.000 token.

Granite 4.2 30B adalah satu stack padat tunggal tanpa routing yang perlu dilakukan, dibangun di atas checkpoint Granite-4.1-30B-Base dan dilatih dengan tiga mode penalaran yang dapat dipilih: pemikiran penuh yang dibungkus dalam tag <think>, pemikiran dengan usaha rendah, dan tanpa pemikiran sama sekali. Model ini membawa konteks native 128K dengan ekstensi konteks panjang yang didokumentasikan hingga 512K, mendukung dua belas bahasa yang telah diuji, dan kartu modelnya merekomendasikan temperature 1.0 dengan top_p 0.95 di seluruh tugas.

Konsekuensi praktisnya adalah bentuk throughput, bukan hanya throughput. Routing sparse berarti LFM2.5-24B-A2B membaca file berbobot 24B untuk melakukan aritmetika senilai 2,45B per token — bagus untuk bandwidth memori, tidak buruk untuk hal apa pun secara khusus. Dense berarti Granite 4.2 30B melakukan seluruh 29B pekerjaan untuk setiap token yang dihasilkannya. Jika beban kerja Anda adalah loop agen panjang dengan banyak giliran singkat, perbedaan itu akan terakumulasi.

Nomor vendor, berdampingan, dengan catatan yang disertakan

Tidak ada yang pernah mengadu keduanya secara langsung. Angka IBM berasal dari kartu model Granite 4.2; angka Liquid berasal dari tabel vLLM hari peluncurannya, di mana Granite tidak muncul sebagai kolom. Baris-baris di bawah ini karenanya merupakan dua klaim vendor terpisah yang diletakkan berdampingan, bukan perbandingan head-to-head, dan dua dari empat benchmark menggunakan harness yang tumpang tindih tetapi tidak identik.

• Parameter — total 24,0B dengan 2,45B aktif versus ~29B dense, semuanya aktif. Satu angka yang menentukan perangkat keras Anda.

• Konteks — 131.072 token versus 128K bawaan dan 512K yang diperluas. Kurang lebih setara pada jendela bawaan; Granite melangkah lebih jauh jika Anda membutuhkannya.

• Lisensi — lfm1.0 versus Apache 2.0. Apache 2.0 tidak memiliki pemicu pendapatan dan tidak ada pertanyaan bidang penggunaan. Bacalah ketentuan Liquid dengan angka Anda sendiri.

• Penggunaan alat agentik — BFCLv4 65.01 versus BFCL v4 61.39. Angka Liquid berasal dari harness-nya sendiri; angka IBM dari kartu 4.2. Cukup dekat sehingga harness lebih penting daripada selisihnya.

• Pengodean — SWE-Bench Verified 51,00 versus 57,00. Keunggulan Granite, dan ini mengikuti polanya: LFM2.5-24B-A2B adalah pemanggil tool, Granite 4.2 30B adalah penalar yang juga memanggil tool.

• Kepatuhan terhadap instruksi — IFEval 96,75 dan IFBench 74,69 versus IFBench 77,17.Keduanya kuat; kedua vendor memakai pasangan baris yang berbeda, jadi bandingkan yang digunakan bersama.

Jika kartu model Granite menambahkan detail yang tidak dipublikasikan oleh kartu model Liquid, anggap itu sebagai argumen si penalar: AIME 2025 pada 89,17, GPQA pada 66,41, LiveCodeBench v6 pada 75,77, MMLU-Pro pada 77,60, SciCode pada 38,76, dan RULER pada 89,96 untuk 64K serta 81,38 untuk 128K. Pasangan terakhir itu adalah jenis bukti konteks panjang yang sama sekali belum dimiliki LFM2.5-24B-A2B — Liquid tidak memublikasikan angka retrieval apa pun pada panjang konteks apa pun untuk jendela 131K-nya.

Berapa biaya yang harus Anda tanggung untuk memegang masing-masing

Liquid menetapkan harga akses API di $0,10 per juta token input — $0,05 untuk yang di-cache — dan $1,00 per juta token output di Console miliknya sendiri, dengan kredit awal $2. Namun endpoint yang dihosting sebenarnya bukanlah produknya; produknya adalah file 24B-A2B itu sendiri, dan semua klaim throughput vendor berlaku di perangkat: 184 token per detik pada Apple M5 Max dan 114 token per detik pada AMD Ryzen AI Max+ 395. Keduanya dilaporkan vendor dan belum direproduksi, dan terlepas dari apakah klaim itu bertahan, argumen arsitekturalnya tetap berlaku: MoE dengan 2,45B parameter aktif berjalan di memori terpadu dengan cara yang tidak bisa dilakukan model dense 29B.

IBM tidak menerbitkan harga per token di kartu model — Granite 4.2 30B diposisikan sebagai checkpoint yang di-host sendiri, didistribusikan sebagai BF16 plus kuantisasi FP8, NVFP4/MXFP4, dan GGUF. Biaya totalnya adalah GPU yang harus Anda beli atau sewa untuk menampung sekitar 29B bobot dense, dan model dense 30B dalam FP8 membutuhkan memori yang jauh lebih besar daripada MoE terkuantisasi dengan 2,45B parameter aktif. Berdasarkan per token yang dilayani, model sparse lebih murah untuk dioperasikan; berdasarkan cold start dan latensi kasus terburuk, model dense tidak memiliki routing yang perlu dipanaskan. Mana di antara hal-hal itu yang Anda pedulikan sepenuhnya bergantung pada apakah endpoint tersebut selalu aktif.

Jika Anda ingin menguji salah satunya tanpa berkomitmen pada salah satu, kedua jalur tersedia. Granite 4.2 30B dapat di-host sendiri di bawah Apache 2.0 tanpa batas pendapatan, dan sisi penyajian setiap angka di atas — qwen/qwen3.6-35b-a3b dan google/gemma-4-26b-a4b-it di antaranya — berada di katalog kami di balik satu kunci dengan 0% markup dari harga daftar resmi masing-masing penyedia, sehingga perubahan harga vendor sampai ke endpoint pada hari yang sama saat diumumkan, bukan pada siklus penagihan berikutnya.

Mana yang harus dipilih

Pilih LFM2.5-24B-A2B jika mesin menjadi kendala dan beban kerjanya adalah panggilan alat. Ia unggul di tempat pekerjaan berbentuk harness diukur, ia menampung konteks 131K dalam jejak yang bisa dibawa laptop, dan Liquid melatihnya dengan scaffold agen nyata alih-alih set uji statis — detail yang lebih penting untuk router daripada untuk reasoner. Terima dua hal saat melakukannya: lisensi lfm1.0 bukan Apache 2.0, dan belum ada orang di luar Liquid yang menilai checkpoint ini.

Pilih Granite 4.2 30B jika Anda memiliki perangkat kerasnya, membutuhkan model yang bernalar sebelum bertindak, atau membutuhkan lisensi yang sudah dikenal oleh tim hukum Anda. Model ini unggul dalam coding, satu-satunya dari keduanya dengan angka retrieval konteks panjang yang dipublikasikan, dan ekstensi 512K-nya adalah dokumentasi nyata, bukan pasar. Angka agentiknya lebih tipis — 61,39 pada BFCL v4 versus 65,01 milik Liquid — yang justru berkebalikan dari apa yang disarankan oleh jumlah parameter, dan menjadi pengingat bahwa kepadatan membeli penalaran, bukan secara otomatis kedisiplinan dalam menggunakan alat.

Ringkasan jujurnya adalah bahwa keduanya bukan pengganti satu sama lain. LFM2.5-24B-A2B dibangun untuk menjadi model yang menjalankan loop di perangkat yang tidak memiliki koneksi cloud. Granite 4.2 30B dibangun untuk menjadi model yang berpikir keras tentang suatu masalah dan memiliki lisensi untuk membuktikan bahwa ia dapat dirilis. Jika Anda memiliki keduanya, pertanyaan routing-nya adalah mana yang menerima permintaan — dan itu adalah keputusan yang harus diambil oleh lapisan routing, bukan tabel benchmark.

Pantau gangguan dan degradasi model secara langsung di arsip insiden kami dan lihat rute mana yang telah beralih dengan lancar.