Beam 1.0 vs LFM2.5 2.6B Base: un substrato incompiuto e un gigante finito

Un modello a cui non è stato insegnato a rispondere alle domande viene confrontato con un modello a cui è stato insegnato a pianificare. LFM2.5 2.6B Base è il checkpoint preaddestrato da 2,698 miliardi di parametri di Liquid AI, pubblicato il 4 agosto 2026 con la licenza LFM Open License v1.0 ed esplicitamente descritto come base per il fine-tuning — è solo testo, è composto da 30 livelli di convoluzione ibrida e grouped-query attention, e non è post-addestrato. Reflection Beam 1.0 è un modello sparse mixture-of-experts con 501,3 miliardi di parametri totali e 23,4 miliardi attivi, post-addestrato attraverso fasi supervisionate e di reinforcement e rilasciato come pesi scaricabili il 16 ottobre 2026 con licenza Apache 2.0, in seguito al suo annuncio del 5 ottobre 2026. Il divario di dimensioni è di 185 a uno. Il divario che decide davvero il confronto non è la dimensione — è che uno di questi è un substrato grezzo verso cui indirizzare un'esecuzione di addestramento, e l'altro è un prodotto che servi.

Entrambi sono su Hugging Face. Entrambi sono scaricabili oggi. Entrambi si aspettano che tu porti il tuo hardware. Questa è tutta la sovrapposizione, e leggerli l'uno contro l'altro è un modo utile per vedere quanto diversamente l'ecosistema open-weights etichetti due cose che archivia sotto lo stesso tag.

Le due pubblicazioni, descritte come le descrivono i loro editori

LFM2.5 2.6B Baseha il nome completo LFM2.5-2.6B-Base. La sua scheda elenca 2,698 miliardi di parametri totali, 30 livelli di cui 22 sono blocchi di convoluzione breve a doppio gate e otto sono attenzione con query raggruppate, un budget di addestramento di 34 trilioni di token, un vocabolario di 128.000 token e una lunghezza di contesto di 131.072 token. Copre 16 lingue. È uno di una coppia: Liquid AI pubblica anche LFM2.5-2.6B, addestrato successivamente per carichi di lavoro agentici, e questo è il checkpoint grezzo da cui discende ogni variante della famiglia. Le parole stesse della scheda per il modello base dicono che è il checkpoint pre-addestrato solo testo usato per creare tutte le altre varianti. Sull'Hub esistono già sedici derivati fine-tuned sotto di esso.

Beam 1.0 è la disposizione opposta. Reflection viene distribuito con 501,3 miliardi di parametri totali e 23,4 miliardi attivi per token su 52 livelli — tre densi e 49 mixture-of-experts, con 256 esperti instradati otto alla volta in questa configurazione. La finestra di contesto è di 1.000.000 di token. La modalità è solo testo, e la scheda lo dichiara senza mezzi termini. È disponibile in tre precisioni, BF16, FP8 e NVFP4, più un drafter per decodifica speculativa DFlash2 da 2B. Il suo template di chat utilizza un formato Harmony modificato con canali analysis e final e un'impostazione reasoning-effort con sei livelli denominati. I suoi quattro repository sono stati pubblicati lo stesso giorno, il 16 ottobre 2026, e Artificial Analysis ha registrato il rilascio sulla sua pagina del modello come 16 ottobre 2026.

Rileggi quei due paragrafi e la forma della cosa emerge. Liquid AI ha pubblicato un componente. Reflection ha pubblicato un sistema completo con un formato di trasmissione e una manopola dell'effort. Entrambi sono chiamati "open", e la parola svolge due funzioni diverse.

La licenza è il punto in cui i due sono meno simili.

Questo è il confronto che non puoi ricavare da un conteggio di parametri, ed è quello con la conseguenza più pratica.

Beam 1.0 è Apache 2.0. Si tratta di una licenza permissiva standard senza limiti al numero di utenti, senza soglia di utenti attivi mensili e senza un livello commerciale separato. Scaricalo, esegui il fine-tuning, ridistribuisci il derivato, vendi il risultato. La scheda riporta anche una Guida all'uso responsabile e un rapporto tecnico sulla sicurezza separato, che sono documenti di policy più che restrizioni di licenza: disciplinano l'uso accettabile, non i pesi.

LFM2.5 2.6B Base non lo è. L'Hub lo etichetta license:other e indica la licenza come LFM Open License v1.0. La differenza pratica non è che una sia permissiva e l'altra no — la licenza di Liquid AI è scritta per l'uso aperto — ma che le due licenze vanno lette in modo diverso, e solo una delle due può essere riassunta in una frase. Se il tuo piano prevede la ridistribuzione commerciale di un derivato, il lato Apache 2.0 di questa pagina non richiede alcuna analisi. Il lato LFM richiede che tu legga la licenza, perché una licenza personalizzata è per definizione un documento che qualcuno ha scritto di proposito.

Quell'asimmetria va nella direzione opposta sull'altro asse. Il checkpoint di Liquid AI è un modello di testo denso da 2,698 miliardi di parametri, il che significa che la questione della licenza è legata a qualcosa che puoi mettere su una singola GPU consumer o su un dispositivo edge. La concessione Apache 2.0 di Reflection è legata a un modello da 501 miliardi di parametri i cui pesi bfloat16 arrivano a circa un terabyte e la cui variante a quattro bit è ancora indicata a 255 miliardi. Una licenza permissiva su un modello che non puoi ospitare è un tipo diverso di libertà rispetto a una licenza personalizzata su un modello che puoi ospitare.

Cosa il modello base può e non può fare

Un articolo su un checkpoint di base deve dirlo chiaramente, perché è il modo più comune in cui le persone sprecano un pomeriggio. LFM2.5 2.6B Base non è stato sottoposto a instruction tuning. Continuerà il tuo testo. Non risponderà alla tua domanda, non seguirà il tuo formato, non chiamerà il tuo strumento e non si fermerà quando glielo chiedi. È un punto di partenza il cui comportamento è quello che gli insegni, e Liquid AI lo dice nella descrizione del modello invece di lasciare che venga scoperto.

Non è un difetto e non è una versione più piccola di Beam 1.0. Il run di pre-training da 34 trilioni di token e l'architettura ibrida a 30 livelli sono il prodotto; l'allineamento mancante è il punto, perché l'allineamento è specifico per il compito e il laboratorio che distribuisce un modello base sta deliberatamente lasciando quella decisione a chi possiede il compito. Sedici derivati sull'Hub: ecco come si presenta l'assetto nella pratica.

La conseguenza per la valutazione è che non c'è alcuna tabella di benchmark con cui confrontarsi. La scheda di Beam 1.0 ne riporta una completa — SWE-bench Verified 81,6% su BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, tutti dichiarati dal fornitore e nessuno riprodotto da terzi — perché è un modello post-addestrato costruito per carichi di lavoro specifici e questa è la prova che il suo acquirente richiede. LFM2.5 2.6B Base non ne ha nessuna, per scelta progettuale. Non c'è nulla da valutare: la qualità del checkpoint è ciò che il tuo fine-tuning ne fa, e il termine di paragone onesto è una sessione di addestramento, non una riga di una classifica.

Dove vanno i soldi

Nessuno dei due è nel catalogo di OrcaRouter. Ciò che instradiamo è il mondo servito intorno a loro: più di 200 modelli dietro un'unica chiave compatibile con OpenAI, prezzo di listino del provider passato al 0% di ricarico, con failover automatico tra provider, così una rotta che peggiora viene reindirizzata invece di fallire. Vale la pena menzionarlo qui per un motivo specifico, perché i due modelli in questa pagina si trovano agli estremi opposti della stessa questione di approvvigionamento.

LFM2.5 2.6B Base non costa nulla da scaricare e costa tutto da gestire, nel senso che il costo è una sessione di addestramento e un dispositivo. Beam 1.0 non costa nulla da scaricare e costa tutto da gestire, nel senso che il costo è servire un MoE da 501B e, al momento in cui scriviamo, Reflection non pubblica alcuna tariffa API. Artificial Analysis registra i campi relativi al prezzo sulla pagina di Beam come non disponibili e osserva che non esiste un'API disponibile pubblicamente. Dodici giorni dopo l'annuncio, il modello con la tabella di benchmark da 501 miliardi di parametri non ha ancora alcun numero che un team finanziario possa utilizzare.

Per un lettore la cui esigenza effettiva quest'anno è l'inferenza su un carico di lavoro per cui nessuno dei due modelli è progettato — un riassuntore, un classificatore, un'interfaccia di chat — la decisione non è tra questi due. È tra il fine-tuning di 2,698 miliardi di parametri da soli e l'affitto di qualcosa che è già allineato e con un prezzo definito, e la seconda opzione è quella che si può misurare prima di impegnarsi.

Quale stai davvero cercando

Scegli LFM2.5 2.6B Base se il tuo problema è più circoscritto di quello di un assistente generico. Il motivo per scegliere un piccolo checkpoint base è che hai un compito, hai dei dati e preferisci possedere l'artefatto anziché affittare una chiamata. Il contesto di 131.072 token è generoso per le dimensioni, la copertura di 16 lingue è reale, lo stack a convoluzione ibrida è scelto per il throughput su dispositivo e la licenza ti consente di distribuire ciò che costruisci. Quello che ti assumi è la pipeline di fine-tuning, l'infrastruttura di valutazione e le decisioni di allineamento — nessuna delle quali è fornita dal checkpoint.

Scegli Beam 1.0 se il tuo compito è uno di quelli che la sua scheda nomina: programmazione, uso di strumenti, ragionamento su scala di repository, esecuzione agentica a lungo orizzonte. La tabella di valutazione è mirata proprio a quel lavoro, il contesto da 1M di token è in linea, le build FP8 e NVFP4 rendono il discorso hardware più gestibile di quanto 501B suggerisca, e la licenza Apache 2.0 apre la strada a una derivata commerciale. Quello a cui ti stai iscrivendo è infrastruttura di serving, un budget di ragionamento sempre attivo che il template non ti lascerà disattivare, e una stima dei costi che devi costruire da solo perché il fornitore non ne ha pubblicata una.

I due modelli non sono in competizione, e il confronto vale la pena farlo proprio perché mostra quanto poco “open weights” ti dica da solo. Un editore ha consegnato un componente e un budget di addestramento; l'altro ha consegnato un sistema con un protocollo di comunicazione e una licenza che puoi incollare in una revisione legale. Capire quale dei due ti è stato offerto prima di scaricarlo è la maggior parte del lavoro.

Cosa cambierebbe il quadro

Un prezzo pubblicato per l'API di Beam 1.0, o un deployment FP8 ospitato con un listino prezzi, sposterebbe quel modello dalla colonna "costruire una stima" alla colonna "confrontare i numeri", ed è l'unica riga mancante nella sua documentazione. Un benchmark indipendente sui pesi di Beam — ora possibile, poiché sono pubblici — darebbe alla tabella dei fornitori un arbitro, cosa che LFM2.5 2.6B Base non può mai avere perché non c'è ancora nulla da valutare. Finché uno di questi non si concretizza, il riepilogo accurato è che un checkpoint base da 2,7 miliardi di parametri e un MoE post-addestrato da 501 miliardi di parametri sono entrambi gratuiti da scaricare, entrambi costosi da gestire in valute completamente diverse, e nessuno dei due è un sostituto dell'altro.

Anche confronti come questo sono il punto in cui emergono le modalità di guasto: gli incidenti AI documentati e i fallimenti degli agenti dietro i modelli di questa classe sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.