MiniCPM5-2B vs LFM2.5 2.6B Base: Model Jadi vs Bahan Mentah untuk Membangun Model Anda Sendiri

Dua dari rilis model kecil paling menarik dalam sebulan terakhir menempati kelas bobot yang sama dan berada pada titik yang sangat berbeda dalam perjalanan hidupnya. MiniCPM5-2B adalah produk jadi: model dense 2.5B yang diungkap ModelBest dan OpenBMB di World Artificial Intelligence Conference pada 19 Juli, yang bobot terbukanya mulai aktif secara senyap di Hugging Face pada 6 dan 7 September dengan pipeline pasca-pelatihan lengkap di belakangnya, berlisensi Apache-2.0, siap melayani. LFM2.5 2.6B Base adalah checkpoint pra-terlatih khusus teks milik Liquid AI — substrat mentah yang menurut perusahaan "hanya direkomendasikan untuk tugas-tugas yang memerlukan fine-tuning berat," tanpa instruction tuning, tanpa template obrolan, dan tanpa benchmark yang dipublikasikan sama sekali, karena model dasar tidak dinilai; yang dinilai adalah model-model yang Anda fine-tuning darinya. Membandingkan keduanya sebenarnya adalah persoalan tentang lapisan bangunan mana yang sedang Anda cari: model yang langsung berfungsi malam ini, atau bahan-bahan untuk membuat model Anda sendiri.

Kedua kartu itu sama-sama menyatakan "tidak untuk penggunaan langsung" dalam dialek yang berbeda, dan para vendor mencantumkannya di baris-baris pertama. Kartu MiniCPM5-2B menjelaskan transformer padat berarsitektur Llama dengan total 2.516.756.480 parameter (1.981.982.720 non-embedding), 42 lapisan, grouped-query attention, jendela konteks 131.072 token dalam konfigurasi bawaan, serta kisah pasca-pelatihan — deep-thinking SFT, RL khusus, On-Policy Distillation — yang ditujukan langsung pada perilaku agentik dan penggunaan alat. Kartu Liquid untuk LFM2.5 2.6B Base menjelaskan hibrida 2,69 miliar yang menumpuk delapan lapisan grouped-query-attention di atas dua puluh dua blok short-convolution bergerbang ganda, yang dilatih awal pada sekitar 34 triliun token dalam 16 bahasa dengan konteks 128K, lalu berhenti: model dasar itu memang diciptakan untuk dilanjutkan atau di-fine-tune menjadi sesuatu yang lain. Yang satu adalah tujuan akhir; yang lainnya adalah garis awal.

Apa yang sebenarnya dirilis Liquid

LFM2.5 2.6B Base tiba di Hugging Face pada awal Agustus sebagai fondasi terlatih untuk keluarga LFM2.5-2.6B milik Liquid. Kartu modelnya menampilkan tabel keluarga — varian base, dan LFM2.5-2.6B yang telah dilatih lanjut yang disetel Liquid untuk beban kerja agen dengan pemanggilan alat — dan bersikap terbuka bahwa varian base adalah checkpoint khusus teks yang digunakan untuk membuat semua varian lainnya. Itulah tugas utamanya: Anda mengambil arsitektur hibrida 2,69B dan fondasi multibahasa 34 triliun token, lalu melanjutkan pra-pelatihan atau SFT pada domain Anda sendiri; setelah itu, apa pun yang Anda rilis akan mewarisi ketentuan lisensinya. Tidak ada tolok ukur di kartu model karena belum ada yang bisa diukur; model ini tidak memiliki penyesuaian instruksi, sehingga secara bawaan model ini melanjutkan teks, bukan menjawab pertanyaan. Model ini berjalan dari sekitar 2,5GB bobot dan didukung oleh Transformers, vLLM, SGLang, MLX, dan llama.cpp, yang menjadikannya kandidat dasar yang masuk akal untuk proyek penyesuaian halus kelas ponsel dan perangkat tepi.

Catatan praktis untuk perbandingan ini: jika yang Anda inginkan adalah model kecil yang berfungsi dari Liquid, pasangan yang setara dengan MiniCPM5-2B adalah LFM2.5-2.6B yang telah dilatih pasca, bukan versi Base. Versi Base adalah versi yang Anda pilih ketika Anda berniat melakukan pelatihan pasca sendiri — yang justru menjadi alasan mengapa tabel tolok ukur MiniCPM5-2B sendiri membandingkannya dengan saudara yang telah disetel instruksi dari keluarga tersebut, bukan dengan checkpoint mentah ini.

Apa yang dirilis OpenBMB, dan mengapa berbeda

MiniCPM5-2B hadir sebagai produk jadi dengan cetak biru pabrik yang disertakan. Jika Liquid memberi Anda basis dan tenaga kerja, OpenBMB memberi Anda semuanya secara terbuka: checkpoint pasca-pelatihan RL + OPD final, GGUF, MLX, GPTQ, base, SFT, serta pendamping draft, dan—bagian yang mengubah perbandingan—korpora pelatihan itu sendiri, dirilis di bawah Apache-2.0 sebagai keluarga UltraData. Kartu model melaporkan rata-rata internal 53,9 pada rangkaian perbandingan model terbuka 2B-4B pilihan vendor, dengan AIME 2025/2026 sebesar 86,5 dan 46,4 hasil vendor pada SWE-bench Verified, yang semuanya belum direproduksi secara independen. Model ini dimaksudkan untuk dijalankan, bukan untuk dilatih: promosi peluncurannya adalah adaptasi langsung di sembilan keluarga chip dan ARM, pemanggilan alat asli melalui panggilan bergaya XML, serta mode respons hibrida cepat/penuh perhitungan untuk penggunaan interaktif.

Papan skor, yang diberi label dengan jujur.

• Apa yang Anda dapatkan — MiniCPM5-2B: model obrolan yang selesai dan siap digunakan plus data pelatihan terbuka. LFM2.5 2.6B Base: basis yang sudah dilatih sebelumnya yang Anda sesuaikan hingga menjadi model jadi.

• Parameter — MiniCPM5-2B: 2.52B total / 1.98B non-embedding, dense bergaya Llama. LFM2.5 2.6B Base: 2.69B hibrida (8 attention + 22 blok konvolusi pendek).

• Konteks — MiniCPM5-2B: 131.072 token dalam konfigurasi bawaan. LFM2.5 2.6B Base: 128K native.

• Bahasa — MiniCPM5-2B: kartu dan data berfokus pada bahasa Inggris dan Tionghoa. LFM2.5 2.6B Base: dilatih sebelumnya pada 16 bahasa.

• Tolok Ukur — MiniCPM5-2B: rangkaian pengujian vendor lengkap (rata-rata internal 53.9; tidak dapat direproduksi). LFM2.5 2.6B Base: tidak ada yang dipublikasikan untuk base itu sendiri, sesuai desain.

• Lisensi — MiniCPM5-2B: Apache-2.0 untuk bobot dan data yang dirilis. LFM2.5 2.6B Base: Lisensi Terbuka LFM v1.0, gratis untuk pendapatan tahunan di bawah $10M, dan batas tersebut ikut berlaku pada turunan Anda.

Papan skor di atas adalah cerita yang sama dalam enam baris: kedua model berukuran kecil, kelas 128K, dan berdekatan dengan Apache, tetapi satu kolom berakhir dengan layanan yang berjalan dan kolom lainnya berakhir dengan keputusan tentang siapa yang melakukan pelatihan.

Lisensi adalah fiturnya

Bagi seorang pengembang, kesenjangan lisensi adalah baris yang paling tidak glamor dan paling menentukan dalam daftar itu. OpenBMB meletakkan MiniCPM5-2B dan data yang dirilisnya di bawah Apache-2.0: Anda dapat menyajikannya, menyempurnakannya, dan membangun produk komersial di atasnya tanpa batas pendapatan dan tanpa kewajiban warisan selain atribusi. Lisensi LFM Open License v1.0 milik Liquid benar-benar open-weight tetapi bersyarat pendapatan — organisasi dengan pendapatan tahunan di bawah $10 juta mendapatkan hibah komersial yang luas, organisasi di atau di atas garis itu tidak mendapatkannya, dan batas tersebut diwarisi oleh apa pun yang Anda sempurnakan, sehingga produk yang dibangun di atas LFM2.5 2.6B Base membawa batas yang sama seiring pertumbuhan perusahaan Anda. Itu tidak membuat lisensi Liquid menjadi tidak masuk akal; itu menjadikannya ketentuan yang harus diperhitungkan sejak hari pertama oleh startup yang berharap berkembang melampaui batas, dan itulah alasan terbesar mengapa kerangka "model jadi" menjadi penting. Jika Anda membangun sesuatu yang ingin Anda kembangkan, Apache-2.0 dengan data terbuka adalah jenis bahan mentah yang berbeda dibandingkan lisensi dengan batas.

Percabangan antara membangun versus membeli, yang diwujudkan secara konkret.

Bingkai sebagai build-versus-buy, dan pilihannya tidak lagi membingungkan. MiniCPM5-2B adalah jalur beli: pekerjaan beratnya — pasca-pelatihan model kecil untuk kerja agenik dan konteks panjang — sudah selesai, lisensinya bersih, dan sisa pekerjaan Anda hanyalah serving dan evaluasi. Biayanya adalah Anda mengadopsi pilihan pasca-pelatihan orang lain, dan angka-angka utamanya baru berumur satu minggu serta belum diverifikasi oleh siapa pun di luar lab. LFM2.5 2.6B Base adalah jalur membangun: Anda membeli arsitektur dan prapelatihan Liquid, lalu melakukan pasca-pelatihan sendiri — satu-satunya alasan jujur untuk memilih model base daripada LFM2.5-2.6B versi instruction-tuned yang memang sudah dijual Liquid. Jalur itu masuk akal ketika Anda punya domain, bahasa, atau profil perilaku yang tidak dicakup oleh model siap pakai. Jalur itu jelas lebih banyak kerja, dimulai tanpa benchmark terbitan apa pun, dan meneruskan batas pendapatan. Imbalannya adalah model yang tidak dimiliki orang lain — dan, karena OpenBMB membuka data MiniCPM5-2B sendiri, kini Anda punya cara kedua untuk sampai ke sana: melanjutkan pelatihan resep Apache-2.0 yang sudah terbukti, alih-alih mulai dari base kosong.

Realitas perutean untuk keduanya.

Tidak ada checkpoint yang muncul dalam katalog terhosting saat ini, jadi pertanyaan lapisan ini adalah tentang dunia di sekitar mereka, bukan tentang pengiriman. Setelah Anda menyajikan MiniCPM5-2B atau melakukan fine-tuning pada LFM2.5 2.6B Base menjadi sesuatu milik Anda sendiri, cara yang dapat dibalik untuk menguji salah satunya terhadap model terhosting yang sudah Anda gunakan adalah melalui satu API dengan failover otomatis — tumpukan baru atau turunannya bisa tersendat tanpa menjatuhkan produksi, dan harga daftar penyedia diteruskan dengan markup 0%, sehingga perbandingan A/B menjadi murah. Namun, untuk keputusan membangun versus membeli itu sendiri, rencana yang jujur sama seperti biasanya dengan model terbuka kecil: tolok ukur yang penting adalah yang Anda jalankan pada perangkat keras dan data Anda sendiri, bukan yang tercetak pada kartu keduanya.

Sebenarnya, lapisan mana yang ingin Anda beli?

Pilih MiniCPM5-2B ketika Anda menginginkan model on-device yang sudah jadi, berlisensi Apache-2.0, yang dapat Anda sajikan malam ini dan fine-tune pada data terbuka — dengan menerima bahwa kartu spesifikasinya yang mengesankan belum terverifikasi dan memerlukan reproduksi Anda sendiri sebelum mendapat kepercayaan untuk produksi. Pilih LFM2.5 2.6B Base ketika Anda berniat melatih lanjut model Anda sendiri dan menginginkan arsitektur hybrid Liquid serta fondasi 16 bahasa sebagai bobot awal — dengan menerima tagihan fine-tuning, nol tolok ukur yang dipublikasikan, dan batasan pendapatan $10 juta yang akan ikut serta dalam apa pun yang Anda kirim. Keduanya bukan saingan untuk pekerjaan yang sama; keduanya adalah dua pekerjaan berbeda pada perangkat keras yang sama, dan satu-satunya pilihan yang salah adalah membeli yang satu sambil meyakini bahwa Anda membeli yang lain.