ZwZ2-9B vs LFM2.5 2.6B Base: Kesalahan Kategori yang Layak Dipahami

Menempatkan ZwZ2-9B di samping LFM2.5 2.6B Baseterlihat seperti perbandingan ukuran, padahal bukan. ZwZ2-9B adalah checkpoint visi-bahasa dengan 9,41 miliar parameter yang diunggah inclusionAI pada 16 Oktober 2026 tanpa kartu model; LFM2.5 2.6B Base adalah model pra-latih khusus teks dengan 2,697 miliar parameter yang diterbitkan Liquid AI pada 1 Agustus 2026, dengan kartu yang menyatakan dengan kata-katanya sendiri bahwa ia adalah checkpoint "yang digunakan untuk membuat semua varian LFM2.5-2.6B". Yang satu adalah hal yang Anda adopsi. Yang lain adalah hal yang Anda bangun di atasnya. Memilih di antara keduanya tidak seperti memilih antara dua mobil — melainkan seperti memilih antara mobil dan blok mesin, dan satu-satunya pertanyaan yang berguna adalah mana di antara keduanya yang sebenarnya Anda butuhkan.

Jadi tulisan ini melakukan dua hal. Tulisan ini memberi Anda angka sebenarnya untuk keduanya, karena Anda datang ke sini mencari perbandingan dan angka-angka itu layak dimiliki. Lalu tulisan ini menjelaskan perbedaan yang disembunyikan oleh perbandingan tersebut, karena salah memahami hal itu adalah cara tim berakhir telah menjalani fine-tune selama tiga minggu yang tidak mereka butuhkan, atau menjalankan model server 9,4B untuk pekerjaan yang seharusnya bisa ditangani model laptop 3B.

Apa sebenarnya masing-masing artefak ini

LFM2.5 2.6B Base sengaja dibiarkan belum selesai. Ini adalah checkpoint pra-pelatihan di akar keluarga LFM2.5-2.6B milik Liquid AI — 30 lapisan yang bergantian antara blok konvolusi pendek dengan gerbang ganda dan grouped-query attention, 34 triliun token pra-pelatihan, kosakata 128.000 token, dan batas 128.000 posisi. Ini hanya teks. Ini dirancang untuk penerapan di perangkat, frasa yang digunakan Liquid AI di kartu model, dan inti dari sufiks "Base" adalah bahwa varian percakapan pasca-pelatihan dan varian agentic adalah unduhan terpisah yang diturunkan darinya. Anda dimaksudkan untuk melakukan fine-tune terhadapnya atau melakukan distilasi ke dalamnya. Secara bawaan, ini bukan asisten.

ZwZ2-9B adalah jenis objek yang berlawanan. Ini adalah checkpoint yang sudah berbentuk final yang belum dideskripsikan. Konfigurasinya membawa menara visi 27 lapis, id token gambar dan video, prosesor video yang dibatasi hingga 768 frame, template chat dengan prompt sistem default yang sudah tertanam, dan 24 dari 32 lapisnya menjalankan atensi linear alih-alih cache key-value yang terus bertambah. Itu adalah target deployment, bukan substrat pelatihan. Yang hilang adalah semua hal yang akan ditanyakan pembeli: tidak ada kolom lisensi, tidak ada hasil evaluasi, tidak ada pernyataan tentang data apa yang digunakan untuk melatihnya, dan tidak ada entri di salah satu pun dari sepuluh koleksi publik milik inclusionAI.

• Parameter — ZwZ2-9B: 9,409,813,744. LFM2.5 2.6B Base: 2.697 billion.

• Tujuan — checkpoint multimodal yang disiapkan untuk deployment vs basis pra-terlatih untuk fine-tuning.

• Modalitas dalam — teks, gambar dan video vs hanya teks.

• Batas konteks — 262.144 posisi vs 128.000 (kartu Liquid AI membulatkan ini menjadi 131.072).

• Kosakata — 248,320 vs 128,000.

• Desain atensi — 24 lapisan linear plus 8 lapisan atensi penuh vs 22 lapisan konvolusi plus 8 lapisan atensi.

• Lisensi — tidak ada yang dideklarasikan vs LFM Open License v1.0, yang merupakan lisensi kustom, bukan Apache-2.0.

• Dokumentasi — tidak ada vs kartu model, laporan teknis, dan anggaran pelatihan yang dinyatakan.

Dua baris di sana lebih menarik daripada kelihatannya. Kedua model sama-sama menggunakan tepat 8 lapisan attention, dan keduanya mengisi sisanya dengan sesuatu yang lebih murah — ZwZ2-9B dengan attention linear rekuren, LFM2.5 2.6B Base dengan konvolusi pendek. Konvergensi itu bukan kebetulan; itulah yang dimaksud dengan "arsitektur efisien" selama dua tahun terakhir, yang dicapai dari arah dan skala yang berlawanan. Dan batas konteks bukanlah sebuah kontes: 262.144 versus 128.000 hampir tidak menunjukkan apa pun, karena model 2,7B dibuat untuk berjalan di laptop, di mana cache seperempat juta token bukanlah working set yang realistis.

Kata "Base" adalah keseluruhan keputusannya.

Jika Anda hanya mengambil satu hal dari pasangan ini, ambillah ini. Sebuah checkpoint dasar tidak memiliki kemampuan mengikuti instruksi, tidak memiliki format chat yang layak diandalkan, dan tidak memiliki penyetelan keamanan — dan itu adalah fitur jika Anda sedang membangun model domain, karena berarti Anda tidak perlu melawan alignment milik orang lain saat melatih model Anda sendiri. Itu adalah cacat jika Anda menginginkan asisten, karena Anda akan menghabiskan dua minggu pertama untuk menyadari kembali bahwa model yang telah dilatih sebelumnya melengkapi teks, bukan menjawab pertanyaan.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

Perhitungan penerapan, di situlah letak perbedaan sesungguhnya.

Model teks 2,697B dan model visi 9,41B bukanlah alternatif pada perangkat keras yang sama. Basis LFM2.5 dibuat untuk ponsel, laptop, dan komputer papan tunggal; kerangka Liquid AI adalah inferensi di perangkat, dan checkpoint 2,7B yang dikuantisasi ke empat bit berukuran beberapa gigabita. ZwZ2-9B mempertahankan menara visi 27 lapis bersama 32 lapisan bahasa dan sekitar 2 GB matriks embedding di setiap arah — kosakatanya saja adalah tabel berukuran 248.320 x 4.096 — jadi ia cocok untuk server, atau setidaknya untuk desktop dengan akselerator sungguhan.

Itulah sebabnya arsitektur yang jujur untuk sebagian besar tim bukanlah "pilih satu". Arsitektur itu dua tingkatan. Tempatkan model kecil yang terdokumentasi di mana latensi dan privasi penting serta tugasnya sempit, lalu arahkan kasus-kasus sulit ke model yang dihosting di mana biaya variabelnya hanya muncul ketika kasus sulit itu muncul. Membuat pemisahan itu dengan benar lebih bernilai daripada pilihan model tunggal mana pun di halaman ini, dan itu juga hal yang paling sulit diubah nanti, karena itulah yang menyentuh kode Anda.

Melakukannya di balik satu antarmuka adalah inti dari sebuah router. OrcaRouter mengekspos lebih dari 200 model dari satu endpoint yang kompatibel dengan OpenAI dan satu kunci API, dengan failover otomatis, sehingga tier murah dan tier mahal hanya berjarak satu string model, bukan dua integrasi — dan harga daftar penyedia diteruskan dengan markup 0%, jadi menjalankan tier mahal biayanya sama seperti di tempat lain. Kami tidak menghosting LFM2.5 2.6B Base dan kami tidak menghosting ZwZ2-9B, jadi tak satu pun dari keduanya merupakan keputusan yang bisa kami ambil untuk Anda — Liquid AI mendistribusikan bobotnya sendiri melalui saluran milik vendor itu, dan inclusionAI sama sekali tidak mempublikasikan endpoint. Yang bisa kami tempatkan di sisi hosting dari pemisahan itu hari ini adalah qwen/qwen3-vl-8b-instruct, model vision-language 8B dengan konteks 131K token seharga $0.18 per juta token input dan $0.70 per juta token output, yang merupakan pengganti terdokumentasi terdekat untuk tier multimodal kecil.

Pemberian lisensi adalah titik di mana keduanya paling berbeda secara tajam.

Tidak ada lisensi yang merupakan Apache-2.0, dan alasannya berbeda dalam hal yang penting. LFM2.5 2.6B Base dirilis di bawah LFM Open License v1.0, yaitu lisensi khusus — lisensi ini diterbitkan, dapat dibaca, dan merupakan lisensi yang sama yang digunakan oleh anggota keluarga lainnya, yang berarti tinjauan hukum yang Anda lakukan sekali mencakup setiap model LFM2.5 yang Anda sentuh. ZwZ2-9B tidak mendeklarasikan apa pun. Lisensi yang tidak ada bukanlah lisensi permisif; tanpa pemberian hak yang eksplisit, tafsir konservatifnya adalah tidak ada hak yang telah diberikan, dan itu merupakan posisi yang secara material lebih buruk daripada lisensi khusus yang dapat Anda baca dan evaluasi.

Untuk checkpoint dasar yang ingin Anda fine-tune dan mungkin distribusikan ulang, ini bukan catatan kaki. Ketentuan karya turunan justru merupakan klausul yang cenderung diperdebatkan oleh lisensi khusus, dan tidak adanya klausul sama sekali tidak menjadi penyelesaian yang menguntungkan Anda.

Cara memilih, dijelaskan secara gamblang

Pilih LFM2.5 2.6B Base jika Anda memiliki tugas teks dengan cakupan sempit, perangkat target, dan keinginan untuk menjalankan pelatihan Anda sendiri — dan terimalah bahwa Andalah yang menyediakan kemampuan mengikuti instruksi. Anggaran pelatihan yang terdokumentasi dan lisensi yang dinyatakan berarti Anda tahu dari titik awal mana Anda memulai.

Pilih ZwZ2-9B jika Anda memerlukan gambar atau video dalam input, Anda memiliki GPU untuk melayani model 9,4B, dan Anda bersedia menjadi organisasi pertama di dunia yang mengevaluasinya. Klausa terakhir itu bukan retoris. Sebelum berkomitmen, pertanyaan yang harus dijawab adalah apakah model ini menerima format gambar Anda, apakah ia mengembalikan bentuk keluaran yang Anda butuhkan dengan thinking dinonaktifkan, dan lisensi mana yang sebenarnya akan Anda gunakan. Dua dari tiga pertanyaan itu jawabannya ada di repositori. Yang ketiga tidak.

Tolok ukur menjadi usang dan harga bergerak; catatan kegagalan tidak: insiden AI dan kegagalan agen yang terdokumentasi di balik model di kelas ini dikumpulkan dalam Arsip Insiden AI OrcaRouter, yang di dalamnya setiap entri memuat sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.