Perceptron Mk1.5 vs LFM2.5-2.6B-Base: Sewa Persepsinya, atau Miliki Checkpoint-nya dan Selesaikan Sendiri

Kedua model ini ditujukan untuk perangkat keras yang bisa Anda angkat dengan satu tangan. Perceptron Mk1.5 adalah model persepsi untuk agen berwujud yang menurut vendornya hadir di drone, robot berkaki empat, kacamata pintar, dan ponsel. LFM2.5-2.6B-Base adalah checkpoint berbobot terbuka 2,69B yang dibangun Liquid AI secara eksplisit untuk penerapan di perangkat — cukup kecil untuk berjalan di bawah 2,5GB memori. Ambisi fisik yang sama itulah satu-satunya kesamaan keduanya, dan itu jebakan bagi siapa pun yang membandingkannya di lembar spesifikasi. Perceptron Mk1.5 adalah produk jadi yang Anda sewa per token: masukan teks, gambar, video, dan audio, serta keluaran teks plus geometri yang dapat dibaca mesin, aktif sejak 25 September 2026. LFM2.5-2.6B-Base adalah fondasi pra-latih mentah tanpa penyetelan instruksi, tanpa templat chat, dan tanpa klaim benchmark — sebuah checkpoint yang dirilis agar orang lain menyelesaikannya. Salah satunya menjawab pertanyaan hari ini; yang lain adalah bahan mentah untuk model yang akan menjawabnya.

Perbandingan hanya berfungsi jika Anda menyebutkan tahapnya.

Menempatkan API yang sudah dilayani di samping checkpoint dasar bukanlah perbandingan langsung, dan berpura-pura sebaliknya akan menghasilkan tabel omong kosong di mana satu pihak "menang" di setiap baris karena sudah diselesaikan oleh vendornya sementara pihak lain belum dimulai. Pertanyaan yang berguna adalah pada tahap pekerjaan mana Anda berada.

Liquid AI merilis keluarga LFM2.5 sebagai sekumpulan checkpoint, dan varian base adalah yang pertama. Kartunya mencantumkan total 2,69 miliar parameter di 30 lapisan — 22 blok konvolusi pendek berpagar ganda dan 8 blok grouped-query attention — yang dilatih pada sekitar 34 triliun token, dengan kosakata 128.000 token, panjang konteks 131.072 token, dan dukungan untuk 16 bahasa termasuk Inggris, Tionghoa, Jepang, Korea, dan Arab. Model ini hanya untuk teks, merupakan model bahasa kausal dan tidak lebih, dan rekomendasi Liquid sendiri sangat lugas: checkpoint ini untuk tugas-tugas yang memerlukan fine-tuning berat, seperti asisten khusus bahasa atau domain tertentu, pelatihan pada data proprietary, atau bereksperimen dengan pendekatan pasca-pelatihan yang baru. Yang mengubahnya menjadi agen tool-calling yang membawa skor yang dipublikasikan keluarga ini adalah pipeline pasca-pelatihan empat tahap milik Liquid, yang tidak disertakan dalam varian base.

Perceptron Mk1.5 berada di ujung lain busur itu. Perceptron telah melakukan pasca-pelatihan, memutuskan format keluaran, dan menetapkan harga hasilnya — $0,15 per juta token masukan dan $1,50 per juta keluaran, dengan masukan yang di-cache seharga $0,0375. Spesifikasinya terperinci dengan cara yang tidak dimiliki checkpoint dasar: konteks 36.864 token, keluaran maksimum 8.192 token, empat modalitas masukan, sebuah reasoning_effort kontrol yang secara default bernilai tinggi, pemanggilan fungsi pada chat completions, dan respons yang dibatasi melalui JSON Schema dan regex.

Alasan untuk mempertimbangkan keduanya sekaligus adalah bahwa total biaya kepemilikan bergerak ke arah yang berlawanan. Mk1.5 mahal per token dan gratis untuk memulai. LFM2.5-2.6B-Base gratis pada margin dan mahal dalam satu-satunya mata uang yang penting untuk sebuah checkpoint dasar — waktu rekayasa Anda.

Dimensi demi dimensi, dengan peran yang tetap jelas

• Apa itu — Perceptron Mk1.5 adalah API persepsi yang dihosting dengan output spasial terstruktur. LFM2.5-2.6B-Base adalah LM kausal praterlatih 2.69B yang dapat diunduh.

• Input — Mk1.5 menerima teks, gambar, video, dan audio (WAV, MP3, FLAC). LFM2.5-2.6B-Base menerima teks, dan hanya teks.

• Keluaran — Mk1.5 mengembalikan teks ditambah titik, kotak, poligon, klip opsional, dan dengan stempel waktu <track> elemen, atau respons yang dibatasi JSON Schema. Model dasar mengembalikan probabilitas token untuk token berikutnya, dan tidak ada yang telah disetel untuk membuatnya berguna.

• Penggunaan mandiri — Mk1.5 berfungsi pada hari Anda mendapatkan kunci. LFM2.5-2.6B-Base tidak menjawab pertanyaan dalam pengertian produk apa pun; ia memerlukan penyetelan halus, dan biasanya template obrolan, sebelum menjadi model yang akan Anda rilis.

Konteks — 36.864 token untuk Mk1.5 versus 131.072 untuk model dasar. Checkpoint di perangkat menampung hampir empat kali lebih banyak teks daripada yang bisa ditampung model persepsi yang dijalankan untuk apa pun.

• Jejak — Mk1.5 berjalan di tempat Perceptron menjalankannya, dan pekerjaan latensi yang dipublikasikannya dilakukan pada satu H100. Basis ini dirancang untuk berjalan di laptop, ponsel, atau perangkat edge di bawah 2.5GB.

• Bukti — setiap angka kemampuan Mk1.5 adalah milik Perceptron sendiri, dan tidak ada indeks independen untuknya. Basis ini sama sekali tidak memiliki klaim benchmark: Liquid menerbitkan skor untuk LFM2.5-2.6B pasca-pelatihan, bukan untuk checkpoint ini.

• Lisensi — Mk1.5 bersifat tertutup, disewakan per token. LFM2.5-2.6B-Base dirilis di bawah LFM Open License v1.0 dengan bobot yang Anda unduh dan simpan.

Rute bobot, dihitung secara jujur

Jika daya tarik LFM2.5-2.6B-Base adalah bahwa bobotnya gratis, versi jujur dari kalimat itu adalah bahwa bobot adalah bagian termurah dari proyek. Fine-tune pada data eksklusif berarti dataset, satu proses pelatihan, harness evaluasi untuk memberi tahu Anda apakah fine-tune itu berhasil, dan jalur serving — Transformers, vLLM atau SGLang, atau salah satu build GGUF, ONNX, dan MLX yang diterbitkan Liquid untuk deployment CPU, lintas platform, dan Apple Silicon, masing-masing. Tidak ada yang eksotis dari semua itu, dan pada 2,69B model ini muat pada perangkat keras yang tidak pernah disentuh oleh fine-tune 70B. Namun, checkpoint dasar hanyalah titik awal, dan risiko jadwal sepenuhnya berada di sisi Anda dalam transaksi ini.

Yang Anda dapatkan sebagai imbalannya adalah kendali. Tokenizer 16 bahasa dan konteks 131K berarti fine-tune domain tidak perlu berebut ruang dengan pra-pelatihan. Jejak di bawah 2,5GB berarti target penerapannya adalah perangkat, bukan pusat data — itulah inti dari keluarga ini. Dan LFM Open License memungkinkan Anda menyimpan hasilnya — seorang spesialis yang tidak dapat disewa oleh pesaing mana pun dari API yang sama yang dapat Anda sewa.

Ada satu bukti pihak ketiga yang perlu diketahui sebelum Anda mempertaruhkan garis keturunannya, dan satu celah. LFM2.5-2.6B pasca-pelatihan milik Liquid memang memiliki pengukuran independen: Artificial Analysis mencantumkannya pada Intelligence Index 8, dengan peringkat ke-9 dari 49 model di kelasnya. Checkpoint dasarnya tidak memilikinya — tidak ada halaman untuknya, yang normal bagi fondasi terlatih awal dan layak dinyatakan secara gamblang daripada diperlakukan sebagai putusan. Apa yang diberitahukan oleh indeks model pasca-pelatihan adalah apa yang dihasilkan pipeline dari titik awal ini pada ujung kecil rentang indeks, bukan apa yang akan dihasilkan oleh fine-tune Anda.

Rute API, dan apa arti "on-device" untuk model yang dihosting

Kisah penerapan Perceptron Mk1.5 lebih rumit daripada yang disiratkan oleh daftar targetnya, dan perlu ketelitian. Pengumuman vendor menyebut drone, robot berkaki empat, kacamata pintar, dan ponsel sebagai target penerapan. Model itu sendiri disajikan dari api.perceptron.inc di balik kunci API, dan bukti latensi yang dipublikasikan Perceptron adalah nilai median dari tiga kali pengujian pada satu H100. Satu H100 bukanlah drone. Pembacaan yang realistis adalah bahwa Mk1.5 merupakan lapisan persepsi untuk robot yang memiliki tautan jaringan atau kotak komputasi pendamping, bukan model yang berjalan di dalam rangka udara — dan siapa pun yang merencanakan perangkat offline di sekitarnya harus menguji asumsi itu sebelum merancang perangkat kerasnya.

Yang diperoleh dari rute API, jika asumsi jaringan berlaku, adalah hal yang tidak dapat diberikan oleh checkpoint dasar kepada Anda dengan harga berapa pun: koordinat. Mk1.5 <track> keluarannya membawa observasi spasial dan stempel waktunya, sehingga klip kembali sebagai posisi objek dari waktu ke waktu alih-alih deskripsi adegan. Tambahkan asset_idx field, yang memungkinkan satu permintaan menangani beberapa gambar atau video secara terpisah, dan bentuk permintaannya cocok dengan loop kendali — frame referensi masuk, geometri keluar, tanpa tahap parsing antara model dan kode yang menggerakkan sesuatu.

Biayanya adalah yang sudah disebutkan: 36.864 token konteks, batas audio 16.384 token per item yang menurut dokumentasi Perceptron setara dengan sekitar 21,8 menit pada kira-kira 750 token per menit, reasoning_effort bawaan high yang menagih Anda untuk jalur penalaran termahal pada setiap panggilan yang tidak Anda konfigurasi, dan serangkaian klaim benchmark yang dihasilkan oleh perusahaan yang menjual model tersebut. Angka hand-tracking adalah yang perlu diuji terhadap rekaman Anda sendiri: 0,9433 pada hand_box egosentris versus 0,4467 untuk Gemini 3.1 Pro dalam uji Perceptron sendiri merupakan selisih yang besar, dan selisih besar dalam evaluasi vendor justru yang layak direproduksi.

Tidak satu pun dari keduanya ada di katalog kami, dan itu mengubah keputusan.

Baik Perceptron Mk1.5 maupun LFM2.5-2.6B-Base tidak dirutekan di OrcaRouter saat ini. Mk1.5 tidak memiliki rute sama sekali, jadi untuk menjangkaunya berarti harus menggunakan API milik vendor itu sendiri — pip install "perceptron>=0.4.0" dan PERCEPTRON_API_KEY — dan Liquid AI tidak memiliki model dengan ukuran apa pun di katalog kami, jadi checkpoint dasar tersebut merupakan unduhan dari Hugging Face milik Liquid, bukan sebuah panggilan.

Hal itu tidak sepenting kedengarannya, karena keduanya bukan endpoint yang dapat dipertukarkan dan tidak ada argumen harga yang akan membuat keduanya demikian. Yang disumbangkan oleh lapisan perutean di sini adalah bagian dari keputusan yang masih terbuka. Jika Anda membangun layanan persepsi di atas Mk1.5 dan spesialis teks di atas LFM2.5-2.6B-Base yang telah di-fine-tune, Anda menjalankan dua integrasi dan dua mode kegagalan; gateway yang kompatibel dengan OpenAI di depan keduanya mengubah insiden penyedia di salah satu sisi menjadi fallback alih-alih pekerjaan yang gagal, dan aturan perutean dapat mengirim trafik visi dan trafik teks ke model yang berbeda tanpa aplikasi mengetahui mana yang mana. Satu API yang mencakup lebih dari 200 model dengan harga daftar penyedia yang diteruskan dengan markup 0% adalah versi dari hal itu ketika perubahan harga vendor berlaku pada hari yang sama alih-alih pada perpanjangan berikutnya Anda — meskipun untuk kedua hal ini secara khusus, saat ini, gateway merupakan pertimbangan perencanaan alih-alih jalan pintas yang tersedia.

Apa yang harus Anda lakukan, dan apa yang harus Anda ukur

Jika tugas Anda adalah "temukan objek ini dalam bingkai ini dan kembalikan lokasinya," sewa Mk1.5 dan uji klaim hand-box pada video Anda sendiri sebelum Anda menetapkan jalur produksi untuk itu. Anggarkan asumsi jaringan, setel reasoning_effort dengan sengaja alih-alih menerima high, dan perlakukan jendela 36.864 token sebagai batasan keras sebagaimana adanya. Output terstruktur adalah produknya, dan jika kode hilir Anda dapat mengonsumsi koordinat tanpa tahap penguraian, itu adalah penghematan nyata di tempat yang sebagian besar pipeline visi diam-diam kehilangan akurasi.

Jika tugas Anda adalah "Saya perlu model 2.6B yang disetel pada data yang tidak dimiliki orang lain, dan dijalankan di suatu tempat tanpa GPU," unduh LFM2.5-2.6B-Base dan perkirakan biaya fine-tune secara jujur sebelum Anda mulai. Checkpoint-nya gratis, tetapi engineering-nya tidak, dan pelajaran dari keluarga ini sendiri — bahwa saudara yang telah melalui pelatihan lanjutan memperoleh skor 8 pada indeks independen — adalah pengingat bahwa celah antara model dasar dan model yang sudah selesai adalah tempat pekerjaan sebenarnya berada. Tidak ada dari keduanya yang merupakan jawaban yang salah. Keduanya adalah pembelian yang berbeda, dan satu-satunya kesalahan nyata adalah memperlakukan fondasi yang harus Anda selesaikan seolah-olah itu sudah menjadi produk.

Dua model, dua integrasi, dan dua mode kegagalan adalah posisi yang lebih buruk daripada yang terlihat. Di OrcaRouter Anda dapat menyiapkan failover otomatis sehingga insiden penyedia di salah satu sisi menurun menjadi fallback alih-alih pekerjaan yang gagal.