MiniCPM5-2B-DSpark vs LFM2.5-2.6B-Base: Satu adalah Bahan untuk Serving, Satu adalah Bahan untuk Training

Dua rilis model kecil paling menarik di akhir musim panas 2026 memiliki kesamaan ini: keduanya tidak langsung berfungsi, dan kedua vendor menyatakannya di kalimat pertama kartu model mereka. MiniCPM5-2B-DSpark adalah checkpoint draf DSpark yang diunggah OpenBMB secara diam-diam ke Hugging Face pada 6 September 2026 — pendamping berparameter 323,8 juta untuk MiniCPM5-2B, model on-device dense berparameter 2,52 miliar yang diumumkan ModelBest di WAIC pada 19 Juli 2026 — dan ia tidak berbuat apa pun hingga Anda memuatnya berdampingan dengan target tersebut di dalam mesin speculative-decoding. LFM2.5-2.6B-Base adalah checkpoint teks pra-terlatih Liquid AI, tersedia di Hugging Face sejak 1 Agustus 2026, yang oleh kartu Liquid sendiri disebut sebagai "checkpoint pra-terlatih khusus teks" yang direkomendasikan hanya untuk tugas-tugas yang membutuhkan fine-tuning ekstensif. Yang satu adalah bahan untuk menyajikan model jadi lebih cepat; yang lain adalah bahan untuk melatih model Anda sendiri sejak awal. Keduanya berada di rak yang berbeda, dan kesalahan para pembangun adalah mengambil yang salah.

Apa yang membuat mereka layak dibandingkan adalah bahwa keduanya menargetkan perangkat keras yang sama dan ambisi 2026 yang sama — AI yang mumpuni di ponsel, laptop, dan perangkat edge — dari ujung proses pembangunan yang berlawanan. Jika Anda menginginkan model on-device yang siap digunakan plus akselerasi gratis, tumpukan OpenBMB memberi Anda semuanya secara terbuka. Jika Anda ingin memegang kendali post-training sendiri, Liquid memberi Anda substrat dan pekerjaannya. Artikel ini membahas tentang lapisan mana yang sebenarnya Anda cari.

Dua kartu yang bertuliskan "tidak untuk penggunaan langsung" dalam dialek yang berbeda.

Bacalah kedua kartu model secara berdampingan, dan petunjuknya ada pada bahasa pemasangannya. Kartu MiniCPM5-2B-DSpark ditulis sepenuhnya dalam istilah model lain: target, tokenizer yang digunakan bersama, lapisan draf, panjang penerimaan, perintah peluncuran SGLang yang mengambil jalur target dan jalur draf. Draf tersebut tidak memiliki identitas sendiri — lima lapisan full-attention, 323.776.001 parameter, ukuran blok tujuh, dilatih selama enam epoch pada 7,05 miliar token dari respons yang dihasilkan MiniCPM5-2B, dan dirilis di bawah Apache-2.0 dengan confidence dan Markov heads dari metode DSpark (arXiv 2607.05147) yang diaktifkan. Tujuannya adalah throughput: mengusulkan hingga tujuh token, meminta target 2.52B memverifikasi blok dalam satu kali lintasan, dan mempertahankan apa yang diterimanya.

Kartu openbmb/MiniCPM5-2B-DSpark di atas adalah seluruh permukaan publik dari rilis tersebut — sebuah aksesori penyajian tanpa pengumuman yang menyertainya, yang melaporkan panjang penerimaan tetapi tanpa percepatan ujung-ke-ujung.

Kartu LFM2.5-2.6B-Base ditulis untuk model yang belum ada, yaitu model Anda. Hibrida 2.69B ini menumpuk delapan lapisan grouped-query-attention di atas dua puluh dua blok dual-gated short-convolution — arsitektur Liquid untuk penerapan di perangkat — yang dilatih pada sekitar 34 triliun token dalam 16 bahasa dengan konteks 128K. Model ini hanya teks, tanpa instruction tuning, dan tidak menerbitkan satu pun tolok ukur miliknya sendiri, karena model dasar pra-latihan tidak dinilai; produk fine-tuning yang dihasilkan darinyalah yang dinilai. Tugasnya adalah menjalani continued pretraining atau SFT pada data Anda; setelah itu, apa pun yang Anda luncurkan akan mewarisi ketentuan lisensinya.

Kartu LiquidAI/LFM2.5-2.6B-Base di atas menampilkan tabel keluarga model — model dasar versus model agen LFM2.5-2.6B pasca-pelatihan — dan catatan "pre-trained text-only checkpoint" yang mendefinisikan model dasar sebagai bahan mentah.

Repos, dimensi demi dimensi

• Peran — MiniCPM5-2B-DSpark: mempercepat target yang sudah ada dan final. LFM2.5-2.6B-Base: substrat yang Anda pasca-latih menjadi model final.

• Parameter — MiniCPM5-2B-DSpark: draf 324M untuk target dense 2.52B. LFM2.5-2.6B-Base: hibrida 2.69B (blok attention + konvolusi pendek).

• Konteks — MiniCPM5-2B target: 128K native. LFM2.5-2.6B-Base: 128K native.

• Apa yang harus Anda tambahkan — MiniCPM5-2B-DSpark: mesin serving (SGLang DSPARK) dan model target. LFM2.5-2.6B-Base: proses fine-tuning, rangkaian evaluasi, dan tumpukan inferensi.

• Tolok ukur — MiniCPM5-2B-DSpark: hanya panjang penerimaan repo (agregat greedy 5,52 per langkah), tanpa angka percepatan. LFM2.5-2.6B-Base: tidak ada yang dipublikasikan untuk basis itu sendiri.

• Lisensi — MiniCPM5-2B-DSpark: Apache-2.0, tanpa syarat. LFM2.5-2.6B-Base: Lisensi Terbuka LFM v1.0 — penggunaan komersial gratis hingga pendapatan tahunan $10M, dan batas tersebut diwariskan pada apa pun yang Anda fine-tune.

Papan skor di atas adalah rak bahan-bahan yang digambarkan sebagai kartu: satu kolom adalah tambahan penyajian untuk model yang sudah jadi, kolom lainnya adalah substrat pelatihan untuk model yang belum ada sampai Anda membangunnya.

Selisih $10 juta

Bagi seorang pengembang, kesenjangan lisensi adalah poin yang paling tidak glamor, tetapi paling menentukan dalam daftar tersebut. ModelBest dan OpenBMB menempatkan MiniCPM5-2B beserta model drafnya di bawah Apache-2.0: Anda dapat menyajikan model target, menjalankan model draf, dan membangun produk komersial di atasnya tanpa batas pendapatan dan tanpa kewajiban warisan apa pun selain atribusi. LFM Open License v1.0 milik Liquid mengizinkan penggunaan komersial, tetapi membatasinya — gratis di bawah pendapatan tahunan $10 juta, dan batasan tersebut ikut terbawa ke dalam karya turunan Anda, sehingga produk yang Anda fine-tune dari LFM2.5-2.6B-Base memiliki batas atas yang sama. Itu tidak membuat lisensi Liquid menjadi tidak masuk akal; itu menjadikannya sebuah ketentuan yang harus diperhitungkan sejak hari pertama oleh startup yang ingin berkembang melampaui batasan tersebut. Jika ambisi pendapatan proyek Anda kecil atau Anda sedang mengevaluasi riset, batasan tersebut bukanlah masalah. Jika Anda membangun sesuatu yang ingin Anda kembangkan, Apache-2.0 adalah jenis bahan baku yang berbeda.

Persimpangan antara membangun versus membeli bagi para pengembang.

Jadikan ini sebagai keputusan build-versus-buy tentang model itu sendiri, dan pilihan tersebut tidak lagi membingungkan. MiniCPM5-2B-DSpark adalah jalur “membeli”: kerja kerasnya — post-training model on-device untuk pekerjaan agen berkonteks panjang — sudah dilakukan pada MiniCPM5-2B, dan model draf tersebut adalah lapisan akselerasi tanpa lisensi tambahan di atasnya. Anda membeli model jadi dan percepatan, keduanya berlisensi Apache-2.0, dan sisa pekerjaan Anda hanyalah serving dan evaluasi. Pertanyaan terbukanya bersifat kuantitatif: OpenBMB telah mengukur tingkat penerimaan (acceptance) draf ini (5.52 token per langkah verifikasi pada greedy), tetapi belum mengukur keuntungan wall-clock-nya. Jadi, Anda tetap harus melakukan benchmark pada deployment SGLang di perangkat keras Anda sendiri untuk mengetahui apa yang Anda beli.

LFM2.5-2.6B-Base adalah jalur "membangun": Anda membeli substrat pra-pelatihan dan melakukan pasca-pelatihan sendiri, yang merupakan satu-satunya alasan jujur untuk memilih model dasar dibandingkan saudara LFM2.5-2.6B yang telah dilatih dan sudah dijual oleh Liquid. Jalur itu masuk akal ketika Anda memiliki domain, bahasa, atau profil perilaku yang tidak dicakup oleh model siap pakai — Anda mengambil arsitektur Liquid dan fondasi 34 triliun token, lalu menjadikannya milik Anda. Ini jelas lebih banyak pekerjaan, dimulai dengan nol tolok ukur yang dipublikasikan, dan meneruskan batas pendapatan yang ada. Hasilnya adalah model yang tidak dimiliki orang lain.

Realita Routing

Tidak satu pun dari kedua checkpoint muncul di katalog terhosting mana pun saat ini, termasuk milik OrcaRouter — draft tersebut secara definisi adalah aksesori serving lokal, dan basis Liquid adalah proyek fine-tuning yang dihosting sendiri. Di situlah lapisan routing tetap berguna tanpa berpura-pura menghosting salah satu dari keduanya: setelah Anda menyajikan atau melakukan fine-tuning pada salah satu model, lapisan di depan endpoint Anda sendirilah yang membuat uji coba keduanya reversibel. Arahkan jalur pengujian ke build SGLang untuk MiniCPM5-2B-plus-draft sementara produksi tetap pada apa pun yang Anda sajikan hari ini, biarkan failover otomatis menangani kemacetan, dan pertahankan harga daftar penyedia diteruskan dengan markup 0% untuk model terhosting yang Anda bandingkan. Inti dari lapisan di sini bukanlah penyediaan — melainkan bahwa tidak ada satu pun komponen yang mengikat Anda secara permanen.

Rak mana yang sedang Anda belanja?

Pilih MiniCPM5-2B-DSpark (dengan targetnya) ketika Anda menginginkan model on-device Apache-2.0 yang sudah jadi saat ini dan sebuah draf yang mungkin membuatnya lebih cepat — dengan menerima bahwa Anda harus mengukur sendiri percepatan draf itu, karena vendor belum melakukannya. Pilih LFM2.5-2.6B-Base ketika Anda berniat melatih lanjut model Anda sendiri dan menginginkan arsitektur hibrida Liquid dan fondasi 16 bahasa sebagai bobot awal — dengan menerima tagihan fine-tuning, nol benchmark yang dipublikasikan, dan batas pendapatan $10 juta yang akan ikut serta dalam apa pun yang Anda kirim. Keduanya bukan pesaing untuk pekerjaan yang sama; keduanya adalah dua pekerjaan berbeda pada perangkat keras yang sama, dan satu-satunya pilihan yang salah ialah membeli yang satu sambil mengira Anda membeli yang lain.