Tell 1 vs LFM2.5 2.6B Base: Model Suara yang Anda Sewa dan Checkpoint yang Anda Selesaikan Sendiri

Letakkan Tell 1 dan LFM2.5 2.6B Base berdampingan, dan perbedaan ukurannya tampak seperti inti ceritanya: yang satu adalah model penalaran internal Retell di dalam platform pusat kontak, yang lain adalah checkpoint khusus teks berparameter 2,69 miliar dari Liquid AI yang muat dalam file 5,4 GB. Namun bukan itu inti ceritanya. Inti ceritanya adalah bahwa LFM2.5 2.6B Base adalah model dasar — model ini belum pernah di-instruction-tune, dan jika Anda mengajukan pertanyaan, ia akan melanjutkan teks Anda alih-alih menjawabnya — sementara Tell 1 adalah komponen jadi dari produk yang pekerjaannya menjawab panggilan telepon. Salah satunya adalah bahan mentah. Yang lain adalah bagian yang berfungsi dan tidak boleh Anda bongkar. Semua yang di bawah ini membahas tentang mana dari kedua hal itu yang sebenarnya dibutuhkan masalah Anda, karena tidak ada yang bisa menggantikan yang lain dan perbandingan harga yang tampak jelas justru merupakan hal paling tidak berguna di halaman ini.

Waktunya juga penting, dan itulah alasan pasangan ini ada. Keduanya sama-sama baru: Liquid AI menerbitkan keluarga LFM2.5 pada Agustus 2026, dan Tell 1 dari Retell mulai terlihat publik pada November 2026 ketika muncul di puncak benchmark yang diterbitkan Retell. Tidak satu pun merupakan peluncuran yang Anda baca terlambat. Keduanya juga luar biasa minim dokumentasi publik, karena alasan yang saling berlawanan — Liquid merilis checkpoint tanpa instruksi karena instruksi tidak pernah menjadi intinya, dan Retell merilis model tanpa dokumentasi karena model itu bukan produk yang dapat dibeli secara terpisah.

Mulailah dengan apa yang tidak bisa dilakukan oleh checkpoint Liquid.

LFM2.5 2.6B Base adalah checkpoint pralatih dari keluarga hibrida LFM2.5 milik Liquid AI: 30 lapisan, 22 di antaranya blok konvolusi pendek dengan gerbang ganda dan 8 attention grouped-query, dilatih pada sekitar 34 triliun token dalam 16 bahasa, dengan jendela konteks 131.072 token dan kuantisasi Q4_K_M yang berada di sekitar 1,67 GB. Masukan teks, keluaran teks. Tidak ada visi, tidak ada audio, tidak ada templat pemanggilan alat yang dapat diandalkan, tidak ada penyetelan instruksi — dan kartu model Liquid sendiri menyatakan secara jelas bahwa model ini ditujukan untuk fine-tuning berat alih-alih untuk pemberian prompt.

Itu bukan cacat, dan menganggapnya sebagai cacat adalah kesalahan paling umum dalam tulisan tentang model dasar. Checkpoint dasar adalah titik awal yang tepat ketika Anda memiliki tugas dengan bentuk tertentu, kumpulan besar contoh milik Anda sendiri, dan tidak tertarik membayar vendor per token untuk menyelesaikannya. Model 2,69B yang di-fine-tune pada satu GPU konsumen lalu dijalankan dalam bentuk terkuantisasi di laptop atau ponsel adalah objek ekonomi yang berbeda dari API yang dihosting mana pun: biaya marginal per panggilan kira-kira setara dengan biaya listrik, dan biaya yang sebenarnya Anda bayar berpindah ke pelabelan data, proses pelatihan, dan evaluasi.

Yang tidak dapat dilakukannya adalah langsung dimasukkan ke dalam percakapan. Tidak ada system prompt yang mengubah base checkpoint menjadi agen pemanggil alat yang andal, dan sebanyak apa pun prompt engineering tidak dapat menggantikan langkah pasca-pelatihan. Jika rencana Anda adalah "unduh saja, bungkus dengan server yang kompatibel dengan OpenAI, lalu arahkan agen suara ke sana," rencana itu akan gagal pada pemanggilan fungsi pertama — dan kegagalan itu akan terlihat seperti masalah kualitas model padahal yang hilang adalah tahap pelatihan.

Lalu apa itu Tell 1, dan mengapa Anda tidak bisa memilikinya

Tell 1 adalah lapisan penalaran dari stack suara Retell, tercantum di halaman beranda perusahaan di bawah "Developed by Retell Labs" di samping agent harness yang merakit model, pengetahuan, dan alat. Produk ini tidak dijual sebagai model. Tidak ada model card, repositori, angka context window, jumlah parameter, lisensi, maupun harga per token yang dipublikasikan di mana pun di situs Retell. Satu-satunya bukti kuantitatif publik adalah satu baris dalam Retell vCX Benchmark, yaitu papan peringkat yang dikelola sendiri oleh Retell: 88,6% instruction following, 97,2% pada dimensi yang diberi label halusinasi, 95,4% tool calling, 96,6% percakapan sehari-hari, rata-rata 94,45%, pada latensi median 72,5 ms dan biaya model 3,5 sen per menit.

Apakah Tell 1 merupakan fine-tune dari sesuatu yang publik, model yang dilatih dari nol, atau model kecil yang disuling dari model yang lebih besar tidak diungkapkan. Median 72 ms menunjukkan model kecil yang cepat alih-alih generalis terdepan, karena angka itu berada dalam rentang ketika waktu pulang-pergi ke stack inferensi pihak ketiga mulai mendominasi — tetapi itu adalah penalaran dari angka latensi, dan angka latensi punya banyak penyebab. Yang bukan inferensi adalah pengemasannya: Anda mendapatkan Tell 1 dengan membeli waktu di platform Retell, seharga $0,07 hingga $0,31 per menit tergantung konfigurasi, dan modelnya tidak dapat dipisahkan dari teleponi, stack suara, dan harness di sekitarnya.

Inilah asimetri yang harus diperhitungkan oleh pembeli. LFM2.5 2.6B Base menjadi milik Anda dengan cara yang tidak pernah dimiliki model terhosting mana pun: Anda dapat membaca bobotnya, mengkuantisasinya, mengirimkannya dalam aplikasi, dan tetap menjalankannya jika vendor hilang. Tell 1 tersedia dengan cara yang tidak dimiliki model yang dapat diunduh mana pun: model ini sudah terhubung ke nomor telepon, lapisan giliran bicara, dan suara, dan pekerjaan membuatnya terdengar manusiawi dalam panggilan nyata telah dilakukan oleh orang lain.

Perbandingan yang benar-benar penting: ke mana anggaran latensi dialokasikan

Kedua model ini hidup atau mati ditentukan oleh stopwatch, itulah sebabnya keduanya sering disebut dalam satu tarikan napas meskipun tugasnya berbeda. Sebuah panggilan telepon memberi Anda anggaran sekitar 800 ms antara penelpon selesai bicara dan agen mulai bicara sebelum jeda itu terbaca sebagai saluran yang terputus. Anggaran itu harus membiayai pengenalan suara, giliran model, pemanggilan alat, dan sintesis suara, dalam urutan tersebut.

• Latensi model — median 72,5 ms untuk Tell 1 di dalam harness Retell, peringkat pertama dari 62 konfigurasi pada tolok ukur tersebut; tidak dipublikasikan untuk LFM2.5 2.6B Base, karena checkpoint base tidak memiliki produk yang dilayani untuk diukur dan throughput terkuantisasinya sepenuhnya bergantung pada perangkat keras Anda.

• Apa lagi yang termasuk dalam 800 ms — untuk Tell 1, teleponi dan suara termasuk dalam angka platform, dan Retell menyebut respons end-to-end tipikal sekitar 600 ms; untuk stack LFM2.5 yang di-host sendiri, ASR, TTS, dan lapisan serving semuanya perlu Anda tambahkan sendiri, dan masing-masing merupakan keputusan vendor.

• Laju pemrosesan — Saudara pasca-pelatihan Liquid dari checkpoint ini berjalan pada 220 token per detik di Apple M5 Max dan 113 di CPU AMD Ryzen, serta vendor mencatat bahwa 30 token per detik dapat dicapai pada ponsel; kecepatan model 2.69B merupakan fungsi dari mesin, bukan dari tingkat layanan.

Baris terakhir itulah perbedaan jenis yang sesungguhnya. Latensi Tell {{1}}1's{{/1}} adalah janji yang ditepati orang lain; latensi {{2}}LFM2.5's{{/2}} adalah properti perangkat keras yang Anda pilih. Jika target penerapan Anda adalah pusat panggilan dengan 200 saluran bersamaan, yang pertama itulah yang Anda beli. Jika targetnya adalah perangkat di gudang tanpa jaringan, yang kedua adalah satu-satunya yang ada.

Penyetelan halus adalah persimpangan jalan

Berikut keputusannya, disampaikan sejelas yang saya bisa. Pilih LFM2.5 2.6B Base jika Anda memiliki tugas yang dapat Anda jelaskan secara tepat, contoh-contohnya, dan alasan untuk tidak mengirim contoh-contoh itu ke pihak ketiga — langkah klasifikasi di dalam alur panggilan, peringkas khusus domain, router di perangkat yang memutuskan apa itu suatu permintaan. Model ini cukup kecil sehingga fine-tune selesai dalam satu sore, bukan satu kuartal; jendela konteksnya cukup besar untuk dokumen sungguhan; dan lisensinya mengizinkan penggunaan komersial di bawah pendapatan tahunan $10 juta, dengan perjanjian terpisah diperlukan pada atau di atas ambang tersebut. Ambang itu adalah fakta pengadaan dan harus masuk dalam keputusan, bukan dalam catatan kaki.

Pilih Tell 1 jika Anda membeli agen telepon, bukan model, dan khususnya jika hal yang tidak dapat Anda bangun adalah antarmuka percakapan: penanganan interupsi, frasa sehari-hari, dan suku kata pertama yang tiba cukup cepat sehingga penelepon tidak menyadari bahwa itu mesin. Tolok ukur Retell mengatakan bahwa itulah dua dimensi tempat Tell 1 unggul — peringkat 1 untuk bahasa sehari-hari, peringkat 1 untuk latensi — dan juga menyatakan dengan jelas bahwa Tell 1 tidak unggul dalam mengikuti instruksi, grounding, atau pemanggilan alat, dengan peringkat masing-masing kedua, kedua, dan kelima. Uji ketiganya terhadap panggilan Anda sendiri sebelum Anda membakukan pilihan, karena ketiganya lah yang menghasilkan jawaban salah, bukan sekadar jawaban yang lebih lambat.

Ada opsi ketiga, dan itulah yang akhirnya dipilih oleh sebagian besar tim dengan beban kerja nyata: pertahankan fine-tune kecil untuk bagian tugas yang sempit dan repetitif, lalu arahkan giliran yang sulit ke model hosted yang lebih besar. Itulah persis pembagian yang menjadi alasan lapisan routing dibuat, dan di situlah katalog kami sendiri cocok. Baik Tell 1 maupun LFM2.5 2.6B Base tidak dapat dirutekan melalui OrcaRouter — kami tidak menghosting keduanya — jadi versi praktis dari arsitektur itu menempatkan fine-tune Liquid di perangkat keras Anda sendiri dan mengirim jalur eskalasi ke model yang kami sediakan, dengan satu API key, pada harga daftar penyedia tanpa tambahan apa pun.

Apa yang bisa mengubah jawabannya

Untuk Tell 1, tiga publikasi akan memindahkannya dari "menguji di dalam platform" menjadi "mempertimbangkan standardisasi": kartu model yang mencantumkan arsitektur dan data pelatihan, harga per model agar biaya dapat dipisahkan dari paket per menit, dan evaluasi yang dijalankan oleh pihak selain Retell. Catatan saat ini adalah satu baris di papan peringkat milik vendor itu sendiri, dan vendor yang menempatkan dirinya di peringkat pertama pada harness miliknya sendiri adalah hipotesis, bukan hasil.

Untuk LFM2.5 2.6B Base, bagian yang hilang bukanlah dokumentasi — melainkan fine-tune Anda sendiri. Checkpoint-nya sudah lengkap dan lisensinya dapat dibaca, yang berarti satu-satunya hal yang belum diketahui adalah apakah model 2,69B yang dilatih dengan data Anda memenuhi standar untuk tugas Anda. Itu adalah pertanyaan yang dapat Anda jawab minggu ini dengan satu GPU, dan sebanyak apa pun membaca tidak akan menjawabnya untuk Anda. Itulah trade-off-nya dalam satu kalimat: Tell 1 menghemat kerja rekayasa Anda dan mengambil kendali; LFM2.5 2.6B Base memberi Anda kendali dan membuat Anda melakukan kerja rekayasa.