Nemotron 3.5 Bolt E4B 4GB vs LFM2.5 2.6B Base: Karakter yang Sudah Matang versus Lembaran Kosong

Salah satu model ini akan dapat mengobrol begitu Anda mengunduhnya. Model lainnya tidak akan dapat mengobrol sampai Anda melatihnya. Itulah keseluruhan perbandingan antara NVIDIA-Nemotron-3.5-Bolt-E4B-4GB dan Liquid AI LFM2.5-2.6B-Base, dan setiap perbedaan lembar spesifikasi yang mengikutinya bersifat sekunder.

Model NVIDIA adalah model bahasa kecil percakapan yang telah menjalani pelatihan lanjutan: templat chat, tombol alih penalaran, perilaku pemanggilan alat, penyetelan persona, dan tabel tolok ukur 21 baris. Model Liquid adalah checkpoint dasar pra-pelatihan, yang diterbitkan secara eksplisit untuk fine-tuning berat, tanpa perilaku chat dan tanpa skor tolok ukur di kartunya. Memasukkan keduanya ke dalam keranjang "small open model" yang sama adalah kesalahan kategori yang membuat orang mengunduh artefak yang salah dan menyimpulkan bahwa model tersebut buruk.

Jawaban singkatnya, sebelum rinciannya

• Anda memerlukan asisten suara, persona, atau perangkat yang berfungsi bulan ini — gunakan NVIDIA-Nemotron-3.5-Bolt-E4B-4GB. Ini adalah perilaku yang sudah jadi, bukan bahan mentah.

• Anda memiliki data domain, anggaran pelatihan, dan persyaratan bahwa model tersebut harus milik Anda — gunakan LFM2.5-2.6B-Base. Model ini lebih murah untuk disesuaikan dan memiliki jendela konteks 128K.

• Anda menginginkan model percakapan kecil terbaik buatan Liquid — Anda tidak menginginkan salah satu dari keduanya saja. Anda menginginkan LFM2.5-2.6B yang telah menjalani post-training, lalu putuskan apakah checkpoint Base atau agent menjadi titik awal Anda.

• Anda ingin tolok ukur head-to-head — tidak ada. Kartu Base tidak menerbitkan skor apa pun, dan tidak ada pihak ketiga yang mengadu keduanya secara langsung. Artikel mana pun yang menyatakan pemenang dari tolok ukur bersama berarti mengarang tolok ukur itu sendiri.

Mengapa ketidaksesuaian itulah inti ceritanya

Liquid AI merilis keluarga LFM2.5-2.6B dalam tiga bagian: Base pra-pelatihan, checkpoint agen pasca-pelatihan, dan drafter decoding spekulatif. Base adalah tahap pertama dari pipeline tersebut, bukan sebuah produk. Kartunya menyatakan bahwa model ini "hanya direkomendasikan untuk tugas-tugas yang memerlukan fine-tuning berat" — asisten khusus bahasa atau domain, pelatihan dengan data proprietary, dan pekerjaan serupa. Checkpoint base memprediksi token berikutnya dengan sangat baik dan belum pernah diajari untuk menjawab pertanyaan, mengikuti instruksi, atau mengeluarkan panggilan alat dalam suatu skema.

E4B dari NVIDIA adalah ujung berlawanan dari pipeline tersebut. Model ini dimulai dari Gemma-4-E4B-it, yang sudah disesuaikan dengan instruksi, lalu NVIDIA melatihnya kembali dengan pembelajaran penguatan dari imbalan yang dapat diverifikasi dan umpan balik manusia. Kartu model mendokumentasikan domain imbalan, rasio batch penalaran/non-penalaran, serta penalti panjang yang diterapkan untuk mengendalikan verbositas. Terlepas dari apa pun yang benar, model ini telah dibentuk untuk suatu pekerjaan.

Jadi pertanyaan yang adil bukanlah "mana yang lebih pintar." Melainkan "tahap pipeline mana yang perlu Anda beli."

Spesifikasi, dimensi demi dimensi

• Parameter — NVIDIA-Nemotron-3.5-Bolt-E4B-4GB memiliki total 8B dengan 4B parameter efektif dalam arsitektur Gemma-4-E4B; LFM2.5-2.6B-Base adalah 2,69B parameter dense dalam stack hibrida 30 lapis yang terdiri dari 22 blok short-convolution double-gated dan 8 blok grouped-query attention.

• Jendela konteks — 64K token masuk dan 64K keluar untuk Bolt; 131.072 token untuk LFM base.

• {{1}}Modalitas{{/1}} — {{2}}teks masuk, teks keluar untuk keduanya. Keduanya tidak menerima gambar atau audio.{{/2}}

• Kosakata — {{1}}128.000 token untuk LFM2.5-2.6B-Base{{/1}}; {{2}}NVIDIA tidak memublikasikan ukuran kosakata untuk E4B, yang mewarisi tokenizer Gemma.{{/2}}

• Pra-pelatihan — 34 triliun token untuk basis LFM, dengan fase pelatihan lanjutan yang memperluas konteks hingga 128K. NVIDIA tidak memublikasikan jumlah token pra-pelatihan untuk E4B karena NVIDIA tidak melakukan pra-pelatihan pada model tersebut; NVIDIA melakukan pasca-pelatihan pada Gemma.

• Pasca-pelatihan — kerja ekstensif RLVR dan umpan balik manusia untuk Bolt, dengan mode penalaran eksplisit dan percakapan. Tidak ada untuk basis LFM, secara desain.

• Presisi yang dipublikasikan — Q4_K_M GGUF sebesar 6.18GB dan BF16 safetensors sebesar 15.88GB untuk Bolt; satu file BF16 safetensors 5.39GB untuk basis LFM, dengan konversi GGUF, ONNX, dan MLX terpisah di bagian lain keluarga ini.

Lisensi — OpenMDW-1.1 untuk kontribusi NVIDIA dengan komponen Gemma 4 di bawah Apache 2.0; LFM Open License 1.0, lisensi khusus dengan ketentuan komersial, untuk model Liquid.

• Bahasa — 34 dalam metadata E4B, dengan tujuh disebut sebagai bahasa pascapelatihan utama; 16 untuk basis LFM.

• Rilis — 23 Oktober 2026 untuk E4B; keluarga LFM2.5-2.6B diterbitkan pada 4 Agustus 2026.

Kesenjangan parameter itu nyata, tetapi tidak berujung pada kesenjangan unduhan yang orang-orang harapkan. Base 2,69B adalah unduhan BF16 sebesar 5,39GB; E4B "4GB" adalah unduhan empat-bit sebesar 6,18GB. Membandingkan jumlah parameter antara arsitektur hibrida padat dan arsitektur parameter efektif renggang memberi Anda lebih sedikit informasi daripada membandingkan byte di disk.

Apa yang sebenarnya dipublikasikan oleh setiap kartu

Di sinilah asimetri menjadi terukur.

NVIDIA menghadirkan 21 baris benchmark, empat model pembanding, dan kolom Q4_K_M terpisah. Skor tersebut dijalankan oleh vendor di bawah NeMo-Gym dan secara eksplisit ditandai berpotensi berbeda dari angka yang dilaporkan sendiri oleh vendor lain. Skor ini mencakup retensi persona, hierarki instruksi, penetapan waktu alat, grounding, pengambilan konteks panjang, dan penyelesaian tugas agentik.

Kartu Base milik Liquid sama sekali tidak menyertakan tabel benchmark. Itu bukan kelalaian; memang seperti itulah sebuah checkpoint dasar. Angka-angka yang beredar untuk LFM2.5-2.6B — IFBench 59.17, ToolSandbox 77.83, BFCLv4 56.88, LiveCodeBench v6 59.41, AIME25 51.87 — adalah milik checkpoint agen pasca-pelatihan, bukan Base, dan angka tersebut dilaporkan vendor. Artificial Analysis mencantumkan LFM2.5-2.6B pada Intelligence Index 8, ditandai sebagai estimasi dengan evaluasi independen yang akan datang; Artificial Analysis sama sekali tidak memiliki halaman untuk Bolt E4B.

Jadi kartu skor yang jujur adalah: satu model memiliki tabel vendor besar yang belum diaudit, sedangkan model lainnya tidak memiliki tabel dan memiliki estimasi independen yang dikaitkan dengan checkpoint berbeda di keluarga modelnya. Tidak ada kolom yang mendukung perbandingan langsung.

Memori dan kecepatan diukur di planet yang berbeda

Kedua vendor menerbitkan angka latensi, dan angka-angka itu tidak dapat dibandingkan. Bacalah sebagai klaim terpisah tentang pengaturan yang terpisah.

• Pasang RTX 5070 12GB — VRAM 3,5 hingga 4,3GB, 548 hingga 1.238ms ke token pertama, 106,2 hingga 133,4 token per detik, diukur oleh NVIDIA dengan llama.cpp dan CUDA pada batch 1.

• Pasang Jetson Orin Nano 8GB — VRAM 4,2 hingga 4,9GB, 5,8 hingga 6,3 detik ke token pertama, 13,0 hingga 15,5 token per detik. Tertanam, tetapi tidak secepat percakapan.

• LFM2.5-2.6B pada M5 Max — sekitar 220 token per detik, dekode CPU yang dilaporkan vendor.

• LFM2.5-2.6B pada chip kelas ponsel — sekitar 30 token per detik, menurut laporan vendor.

Angka M5 Max bukan perbandingan GPU, angka Orin Nano bukan perbandingan laptop, dan tidak ada vendor yang menerbitkan panjang prompt, ukuran batch, atau pengaturan kuantisasi dalam bentuk yang memungkinkan Anda menyandingkannya. Satu-satunya angka yang bisa dicek langsung ada di disk: 6.18GB untuk Q4_K_M milik Bolt dibandingkan 5.39GB untuk basis LFM pada BF16.

Lisensi: keduanya terbuka, tidak satu pun Apache

Model NVIDIA adalah OpenMDW-1.1 ditambah komponen Apache 2.0 untuk Gemma 4. OpenMDW bersifat permisif dan mengizinkan penggunaan komersial, tetapi tidak disetujui OSI, dan warisan Gemma berarti ketentuan Apache menyertai sebagian dari tumpukan tersebut. Kartu NVIDIA menyatakan model tersebut siap untuk penggunaan komersial atau non-komersial.

Liquid's LFM Open License 1.0 adalah lisensi khusus dengan ambang pendapatan tahunan US$10 juta untuk penggunaan komersial. Ini bukan Apache atau MIT, dan kartu Base menunjuk ke file LICENSE alih-alih merangkum ketentuannya. Untuk proyek riset, hal ini jarang menjadi masalah; bagi produk dengan tinjauan hukum, ini adalah hal pertama yang harus dibaca.

Perbedaan praktisnya bukanlah “terbuka versus tertutup.” Keduanya dapat diunduh dan keduanya mengizinkan penggunaan komersial sesuai ketentuan masing-masing. Perbedaannya terletak pada ketentuan mana yang harus disetujui oleh penasihat hukum Anda, dan apakah model yang Anda distribusikan membawa lisensi vendor kedua di dalamnya.

Rancangan undang-undang penyesuaian, yang merupakan keputusan sebenarnya

Jika Anda memilih basis LFM, unduhannya hanyalah bagian yang murah. Anda membeli 2,69B parameter kapabilitas pra-terlatih mentah lalu membayar untuk mengajarinya sebuah pekerjaan: pengumpulan data, pembersihan, fine-tuning terawasi, evaluasi, dan siklus iterasi yang menyusul. Tawaran Liquid adalah bahwa 34 triliun token dan konteks 128K membuat titik awal itu cukup kuat sehingga layak untuk dikerjakan.

Jika Anda memilih Bolt E4B, Anda membeli pasca-pelatihan NVIDIA sebagai titik awal. Build BF16 berukuran 15,88GB dan NVIDIA menerbitkan dua resep untuk mengubahnya: pelatihan parameter penuh pada 8× H100 80GB dengan FSDP2 dan laju pembelajaran 1e-5, atau LoRA pada 2× H100 80GB dengan dimensi 16, alpha 32, dan laju pembelajaran 2e-4. Kedua resep membekukan menara visi dan audio, yang menjadi pengingat bahwa basis Gemma 4 E4B bersifat multimodal meskipun rilis Bolt hanya teks.

Itu adalah dasar fine-tuning yang lebih berat daripada basis LFM 2.69B, dan pekerjaan pembentukan perilaku yang jauh lebih ringan. E4B sudah menangani persona, hierarki instruksi, dan penjadwalan alat; Anda mengadaptasi model yang sudah berfungsi, bukan membuatnya dari awal.

Jika Anda membangun produk, bukan model

Defaultnya seharusnya adalah checkpoint yang sudah selesai. Asisten suara, NPC, antarmuka kios, atau agen perangkat memerlukan perilaku sejak hari pertama, dan E4B adalah satu-satunya dari kedua model ini yang memilikinya. Kelemahannya terdokumentasi dan spesifik: Tau2-Bench 55,10 versus 75,06 milik Qwen3.5 4B, RULER 86,99 versus 95,15, LongBench v2 50,50 versus 59,93. Ini adalah model percakapan yang dapat memanggil alat, bukan agen yang dapat merencanakan.

LFM base adalah pembelian yang tepat hanya ketika model itu sendiri adalah produknya: asisten khusus domain dalam bahasa atau kosakata yang ditangani dengan buruk oleh model umum, fine-tune pada data eksklusif, atau baseline penelitian yang ingin Anda miliki. Dalam hal itu, tidak adanya perilaku chat adalah fitur, karena Anda tidak membayar untuk perilaku yang akan Anda timpa.

Ada kasus ketiga yang tidak dibahas oleh kedua kartu tersebut: Anda ingin membandingkannya pada tugas Anda sendiri. Lakukan itu dengan set evaluasi held-out dan pengaturan decoding yang sama, bukan dengan tabel dari vendor. Kartu E4B merekomendasikan temperature 1.0 dan top_p 0.95 pada kedua mode thinking; Liquid menerbitkan pengaturannya sendiri untuk checkpoint pasca-latihan. Mencocokkan pengaturan tersebut adalah syarat minimum untuk pengujian yang adil, dan bahkan dengan begitu Anda membandingkan model pasca-latihan dengan model dasar, yang sama sekali bukan pengujian yang adil.

Di mana model lokal berakhir dan bagian lain dari stack dimulai

Checkpoint mana pun yang Anda pilih, model itu akan berada di dalam aplikasi yang juga membutuhkan model yang tidak dapat dijalankannya. Model base 2,6B atau model percakapan 4B menangani lapisan refleks lokal; model itu tidak menangani dokumen 200K token, tugas coding yang sulit, atau permintaan yang membutuhkan pertimbangan model frontier. Merutekan permintaan tersebut melalui satu API — 200+ model, 0% markup atas harga daftar penyedia, failover otomatis di antara penyedia — menjaga model lokal sebagai jalur cepat tanpa memaksa kontrak kedua untuk model yang lambat.

Unduhan mana yang milikmu?

Pilih E4B jika Anda membutuhkan model kecil yang dapat berbicara, mengikuti instruksi, dan memanggil alat saat ini, serta dapat menerima unduhan 6.18GB dan kelemahan konteks panjang serta agentik yang telah didokumentasikan. Pilih LFM2.5-2.6B-Base jika Anda memulai proyek fine-tuning, menginginkan jendela 128K dan tokenizer 16 bahasa, serta memiliki data dan komputasi untuk mengajari model itu tugasnya.

Kesalahan yang harus dihindari adalah mengunduh Base, memberi prompt layaknya chatbot, lalu menyimpulkan bahwa 2.6B milik Liquid lebih buruk daripada 4B milik NVIDIA. Model itu tidak lebih buruk. Model itu lebih awal dalam pipeline. Perbandingan yang benar-benar dapat menjawab pertanyaan seputar keluarga model tersebut adalah Bolt E4B versus LFM2.5-2.6B yang telah menjalani pelatihan lanjutan, dan belum ada yang menerbitkan uji coba itu.