Solar Mini 4 vs LFM2.5 2.6B Base: Indeks Tiga Kali Lipat, dan Perbandingan Biaya yang Tidak Ada

Cara jujur untuk membandingkan Solar Mini 4 dan LFM2.5 2.6B Base adalah mengakui sejak awal bahwa keduanya tidak berada di pasar yang sama. Solar Mini 4 adalah sparse mixture-of-experts milik Upstage dengan 35 miliar parameter, dirilis 22 September 2026, mengaktifkan sekitar 3 miliar parameter per token, bersifat proprietari, dan ditagih $0.10 per juta token input dan $0.40 per juta token output. LFM2.5 2.6B Base adalah checkpoint pretrained milik Liquid AI dengan 2,69 miliar parameter, dipublikasikan ke Hugging Face pada awal Agustus 2026 di bawah LFM Open License v1.0, cukup kecil untuk berada di memori ponsel. Yang satu adalah endpoint. Yang lainnya adalah file bobot, dan jika Anda membaca ini karena Anda ingin menjalankan model alih-alih memanggilnya, perbandingannya sudah berakhir.

Yang membuat pasangan ini tetap layak menjadi artikel adalah satu dimensi ketika keduanya benar-benar tumpang tindih: keduanya telah diposisikan terhadap tolok ukur independen yang sama, dan bentuk perbandingan itu tidak seperti yang diprediksi oleh jumlah parameter. Artificial Analysis memberi Solar Mini 4 skor 24 pada Intelligence Index v4.3.2 dan menilai generasi LFM2.5 2.6B sebesar 8.4 — tetapi angka kedua itu adalah perkiraan, dan angka itu tidak mengukur checkpoint yang ada pada judul artikel ini. Kedua catatan itu penting, dan keduanya adalah hal pertama yang perlu dibereskan.

Lembar spesifikasi, berdampingan

• Parameter — Solar Mini 4 memiliki total 35B dengan 3B aktif; LFM2.5 2.6B Base bersifat padat pada 2,69B, tanpa ada yang disembunyikan. Tiga belas kali lipat bobot di sisi Upstage untuk anggaran komputasi per token yang kurang lebih sama.

• Arsitektur — Solar Mini 4 adalah sparse mixture-of-experts. LFM2.5 2.6B Base memiliki 30 lapisan, 22 di antaranya berupa blok short-convolution dengan gerbang ganda dan 8 grouped-query attention, desain hibrida yang dibuat Liquid untuk inferensi CPU dan edge.

• Pelatihan — Upstage tidak mempublikasikan anggaran token. Kartu Liquid mendokumentasikan 34 triliun token dan kosakata 128.000 token di 16 bahasa, termasuk Korea dan Jepang.

• Lisensi — Solar Mini 4 bersifat proprietary. LFM2.5 2.6B Base dirilis di bawah LFM Open License v1.0 — permisif untuk penggunaan komersial dengan syarat tertentu, dan dapat di-fine-tune.

• Konteks — Upstage mendokumentasikan 512K token, Artificial Analysis mencantumkan 1,05M untuk model yang sama, jadi anggap batas atasnya belum pasti. LFM2.5 2.6B Base berjalan pada 131.072.

• Modalitas — keduanya teks masuk, teks keluar. Tidak ada yang menerima gambar atau audio.

• Harga — Solar Mini 4 seharga $0.10 / $0.01 untuk cache / $0.40 per juta token, saat ini diskon 50% hingga 22 Oktober 2026. LFM2.5 2.6B Base tidak memiliki daftar tarif sama sekali; penyedia Artificial Analysis mencatat harga generasi LFM2.5 2.6B sebesar $0.00.

Apa yang diukur dan tidak diukur oleh "8.4, estimated"

Entri Artificial Analysis untuk generasi LFM2.5 2.6B — model pasca-pelatihan, bukan Base pra-pelatihan — membawa indeks 8,4 yang ditandai sebagai estimasi, dengan sebagian besar evaluasi komponennya ditandai dengan cara yang sama. Itu adalah posisi di papan peringkat, bukan spesifikasi untuk dijadikan acuan pembangunan, dan tidak boleh dikutip seolah-olah ada yang menjalankan checkpoint Base melalui rangkaian uji tersebut. Tidak ada yang melakukannya. Kartu model Liquid sendiri sama sekali tidak menerbitkan tabel benchmark untuk LFM2.5 2.6B Base: ini adalah checkpoint penyelesaian teks yang telah dilatih awal, dan kartu tersebut menyatakan secara gamblang bahwa model ini direkomendasikan hanya untuk fine-tuning berat.

Saudara yang diberi skor adalah artefak yang berbeda. Tabel benchmark Liquid untuk LFM2.5 2.6B pasca-pelatihan menunjukkan IFStruct pada 85,5 dan Multi-IF pada 80,1, AIME25 pada 51,9, LiveCodeBench v6 pada 59,4, BFCLv4 pada 56,9 dan τ³-Banking pada 5,7 — semuanya dijalankan vendor, semuanya pada build yang di-tune untuk instruksi, dan angka τ³ itulah yang terbaca seperti peringatan.

Profil Solar Mini 4 memiliki bentuk yang sama sekali berbeda. Model ini mencetak 83,3% pada AA-LCR v1.1 untuk penalaran konteks panjang, 47,6% pada SciCode, dan −10,8 pada AA-Omniscience dengan akurasi 18,4% serta tingkat non-halusinasi 64,2%. Model ini juga mencetak 1% pada Terminal-Bench 4.0 dan 22,3% pada AutomationBench-AA. Kedua keluarga model ini lemah dalam pekerjaan agentik; model Upstage lemah dalam pekerjaan agentik sekaligus mahal, dan itu posisi yang lebih buruk daripada lemah dalam pekerjaan agentik tetapi gratis.

Yang membuat Solar Mini 4 sepadan dengan harganya adalah skala penalarannya. Dengan 88.300 token keluaran per tugas indeks — 71.600 di antaranya adalah penalaran — ia menghabiskan komputasi dengan cara yang tidak dapat ditiru oleh model dense 2,6B hanya dengan diberi prompt yang lebih panjang. Model dengan 2,69B parameter dapat diminta untuk berpikir langkah demi langkah; ia tidak dapat diminta untuk memiliki 35B parameter. Itulah produk yang sebenarnya.

Tiga kali lipat indeksnya, dan tidak ada angka biaya yang sebanding

Artificial Analysis menetapkan Solar Mini 4 pada $0,36 per tugas indeks yang diselesaikan dibandingkan $0,006 untuk Granite 4.2 3B, dan generasi LFM2.5 2.6B dihargai nol, jadi tidak ada angka biaya-per-tugas yang akan membuat ini menjadi rasio yang adil. Kerangka “Solar Mini 4 jauh lebih mahal daripada LFM2.5 2.6B Base” karena itu benar dan sedikit menyimpang dari intinya. Pertanyaan yang relevan adalah apakah pekerjaan ekstraksi terstruktur dokumen panjang berbahasa Korea yang menjadi sasaran Solar Mini 4 dapat dilakukan oleh checkpoint praterlatih 2,69B sama sekali. Biasanya tidak bisa, dan kemudian perbandingannya menjadi Solar Mini 4 versus generalis terdepan alih-alih Solar Mini 4 versus model ponsel.

Kasus di mana LFM2.5 2.6B Base unggul bukanlah kasus di mana model itu lebih murah. Kasus itu adalah ketika tugasnya cukup sempit sehingga fine-tuning menutup celahnya. Ekstraksi field terstruktur dari format dokumen yang diketahui, klasifikasi terhadap taksonomi tetap, asisten on-device yang harus bekerja tanpa jaringan — itulah tugas-tugas di mana checkpoint 2,69B ditambah data pelatihan Anda sendiri mengalahkan generalis 35B ditambah daftar tarif, dan hanya membutuhkan satu instance GPU alih-alih meteran token. Liquid merilis base checkpoint dengan resep continued-pretraining, LoRA SFT, DPO, dan GRPO melalui Unsloth dan TRL justru untuk langkah itu.

Yang mana yang harus dihubungi

Gunakan Solar Mini 4 ketika inputnya panjang, outputnya harus dinalar, dan campuran bahasanya mencakup bahasa Korea atau Jepang — dan ketika tujuh menit dekode per tugas sulit masih dapat ditoleransi. Gunakan LFM2.5 2.6B Base ketika bobotnya perlu menjadi milik Anda, perangkat tidak memiliki jaringan, dan tugasnya cukup sempit untuk disetel halus. Penerapan yang menarik menggunakan keduanya, karena keduanya bukan alternatif: model lokal kecil melakukan perutean, penyamaran, dan ekstraksi, dan model yang dihosting hanya dipanggil untuk sebagian kecil permintaan yang benar-benar membutuhkan 35B parameter.

Model Liquid tidak ada di OrcaRouter, begitu juga model Upstage, jadi tidak satu pun dari rute itu yang bisa kami jual kepada Anda. Yang bisa kami lakukan adalah bagian yang mengubah perbandingan ini dari keputusan menjadi konfigurasi: lebih dari 200 model di balik satu kunci dengan markup 0% di atas harga daftar penyedia, dengan failover otomatis antar penyedia dan DSL perutean yang memungkinkan Anda menyusun beberapa model menjadi satu panggilan. Ketika jawaban yang tepat adalah "yang murah sebagian besar waktu dan yang bagus saat penting," itu adalah masalah perutean, dan itulah alasan DSL perutean ada.

Angka yang tidak akan dicantumkan oleh vendor mana pun di slide

Latensi. Solar Mini 4 menghabiskan 88.300 token keluaran per tugas Intelligence Index pada kecepatan terukur 204 token per detik, sehingga rata-rata mencapai 430 detik — sedikit lebih dari tujuh menit — pada setiap tugas sulit. Generasi LFM2.5 2.6B, pada host yang diuji Artificial Analysis, berjalan pada 45,7 token per detik dengan waktu tunggu 2,8 detik untuk potongan pertama, tetapi itu adalah host pusat data yang berkomunikasi dengan model yang biasanya berjalan di meja Anda. Pengukuran Liquid sendiri menempatkan arsitektur yang sama pada 220 token per detik di M5 Max, 113 di Ryzen AI Max+ 395, dan sekitar 30 token per detik di ponsel — yang merupakan loop agen yang dapat digunakan pada perangkat tanpa jaringan.

Jika beban kerja Anda interaktif, perbandingannya tidaklah dekat dan tidak ada skor benchmark yang akan mengubahnya. Jika beban kerja Anda batch dan yang menunggu adalah cron job, tujuh menit tidak masalah dan kedalaman penalarannya sepadan.

Dua catatan penyumberan sebagai penutup. Setiap angka Artificial Analysis di sini adalah pengukuran independen organisasi tersebut pada suite bersama; indeks LFM2.5 2.6B secara eksplisit merupakan estimasi dan mencakup model pascapelatihan, bukan checkpoint Base yang telah dilatih sebelumnya dan disebutkan di atas. Setiap angka Liquid AI adalah hasil uji vendor itu sendiri pada benchmark milik vendor itu sendiri, belum direproduksi — dan checkpoint Base itu sendiri sama sekali tidak memiliki skor yang dipublikasikan, yang merupakan fakta tentang model yang telah dilatih sebelumnya, bukan kritik terhadap model ini.