HiRO-ACEv2 vs LFM2.5 2.6B Base: Nessuno dei due è un prodotto, e non sono incompiuti allo stesso modo

Metti HiRO-ACEv2 e LFM2.5 2.6B Base fianco a fianco e la prima cosa che noti è che nessuno dei due è qualcosa che uno sviluppatore possa chiamare. HiRO-ACEv2 è l'emulatore climatico di seconda generazione di Ai2, caricato come repository Hugging Face da 10,9 GB il 12 ottobre 2026 senza alcun annuncio e con un preprint datato il giorno successivo; LFM2.5 2.6B Base è il checkpoint preaddestrato da 2,69 miliardi di parametri di Liquid AI, creato il 1° agosto 2026, descritto esplicitamente dal suo stesso fornitore come il checkpoint a cui ricorrere solo quando serve un adattamento sostanziale. Entrambi sono materiale grezzo. Entrambi sono scaricabili oggi. E i modi in cui ciascuno dei due non è un prodotto finito sono quasi opposti, che è l'unica ragione per cui vale la pena scrivere questo confronto invece di liquidarlo.

Il checkpoint Base è incompiuto perché non gli è ancora stato insegnato a seguire le istruzioni. HiRO-ACEv2 è incompiuto nel senso che non sarà mai un modello general-purpose: è un'applicazione arrivata già addestrata, già specializzata e già racchiusa in limiti dichiarati. Uno è un substrato in attesa di uno scopo. L'altro è uno scopo senza substrato per qualsiasi altra cosa.

Cosa contiene effettivamente ciascun repository

Il repository Base di Liquid AI è un modello. La scheda elenca 2,69 miliardi di parametri su 30 livelli — 22 blocchi di convoluzione breve a doppio gate e 8 livelli di grouped-query attention, una disposizione ibrida su cui è costruita la famiglia LFM2 — con una finestra di contesto di 131.072 token, un vocabolario di 128.000 voci, 34 trilioni di token di pre-addestramento e una copertura di 16 lingue tra cui inglese, arabo, cinese, francese, tedesco, italiano, giapponese, coreano, portoghese, spagnolo, vietnamita, thailandese, indonesiano, hindi, russo e polacco. È solo testuale e non è ottimizzato per le istruzioni. I formati di download spaziano dal checkpoint nativo di Transformers a GGUF per llama.cpp, ONNX per la distribuzione multipiattaforma e MLX per Apple silicon; la quantizzazione Q4_K_M si attesta intorno a 1,67 GB.

Il repository di Ai2 non è un modello in quel senso. Contiene due checkpoint — HiROv2.ckpt a circa 1,28 GiB e ACE2S-X-SHiELD.ckpt a circa 2,98 GiB — più dieci anni di dati di forcing NetCDF a circa 609 MB per file, due file di condizioni iniziali, tre configurazioni YAML e uno script shell. I circa 4,3 GiB di pesi effettivi sono una minoranza dei 10,9 GB totali; la maggior parte di ciò che scarichi è la finestra di dati di input che il framework è stato creato per consumare. Non c'è quantizzazione, nessun runtime alternativo, nessuna esportazione ONNX e nessuna variante più piccola. C'è un solo modo per eseguirlo, e il README lo descrive: installa il pacchetto fme di Ai2, modifica quattro percorsi nella configurazione, esegui lo script.

Due diversi tipi di problema di licenza

I tag di licenza sono il punto in cui il contrasto diventa pratico anziché filosofico, ed è qui che questa coppia si distingue davvero da un modello come le release Apache-2.0 che potresti aspettarti di trovare qui.

• HiRO-ACEv2 — Apache 2.0, con le Linee guida per l'uso responsabile di Ai2 che associano alla concessione intenti di ricerca e formativi, e dati di addestramento attribuiti a X-SHIELD, forniti da GFDL.

• LFM2.5 2.6B Base — la LFM Open License v1.0, non una licenza permissiva in stile OSI. I suoi termini si trovano nel file LICENSE del repository stesso, e le condizioni commerciali sono il motivo per leggere quel file anziché il tag prima di costruire un prodotto sul checkpoint.

• Che cosa significa ciò per il fork che stai per creare — con HiRO-ACEv2 la domanda è se il tuo utilizzo è di ricerca; con LFM2.5 2.6B Base la domanda è se il tuo utilizzo è commerciale, e su quale scala. Domande diverse, risposte diverse, e la parola "open" non risponde a nessuna delle due.

Le forme dell'output non hanno nulla in comune, ed è proprio questa la parte utile

Il checkpoint Base produce testo. Token per token, in modo autoregressivo, con la consueta superficie di campionamento — la scheda suggerisce temperatura 0,6 e top-p 0,95 per lo stile di generazione del gemello post-addestrato, e un checkpoint base ti chiede di deciderlo da solo. Tutto ciò che sta a valle è un compito linguistico: continuare un documento, classificare uno span, tradurre, emettere dati strutturati, oppure fungere da punto di partenza per un fine-tuning che gli insegna un dominio o una lingua che al momento non copre bene.

HiRO-ACEv2 produce campi fisici su griglia a una risoluzione di 3 km — tassi di precipitazione superficiale mediati su sei ore, venti istantanei a 10 metri verso est e verso nord, e pressione al livello del mare — ottenuti per downscaling da input a 100 km tramite un modello di diffusione, con lo stato grossolano stesso generato in modo autoregressivo da un emulatore separato di X-SHIELD. Nulla di quella pipeline è testo. La valutazione che conta è se la distribuzione dell'output corrisponde a una simulazione di riferimento fino alla sua coda più estrema, e l'articolo dietro il rilascio riguarda esattamente questo: gli autori riferiscono di seguire le distribuzioni di riferimento delle precipitazioni e dei venti vicini alla superficie fino al 99,9999° percentile, e di seguire in larga misura la distribuzione di riferimento dell'intensità dei cicloni tropicali, con un costo di inferenza dichiarato più di 300 volte inferiore a quello di un modello numerico globale convenzionale che risolve le tempeste.

Entrambe sono affermazioni di fornitori o autori, non riprodotte. La differenza sta in ciò che dovrebbe fare chi le riproduce. Verificare un'affermazione sul checkpoint Base richiede una suite di task e ore GPU equivalenti a un checkpoint. Verificare un'affermazione su HiRO-ACEv2 richiede un dataset di forcing di dieci anni, una simulazione di riferimento con cui confrontarsi e un'analisi distribuzionale nella coda estrema — ed è per questo che la seconda affermazione probabilmente resterà incontestata molto più a lungo.

Cosa costruiresti effettivamente su ciascuno

L'uso naturale del checkpoint Base è l'adattamento, e Liquid AI è insolitamente esplicita al riguardo: assistenti specifici per lingua o dominio, addestramento su dati proprietari o sperimentazione di nuovi metodi di post-addestramento. È un checkpoint il cui valore arriva dopo il vostro lavoro, non prima. Il gemello post-addestrato — LFM2.5 2.6B, creato tre giorni prima, il 28 luglio — è quello costruito per carichi di lavoro agentici, e i dati dei download dicono tutto su quale dei due la comunità volesse: a metà ottobre il modello post-addestrato aveva superato 114.000 download e 823 like, contro 6.282 download e 51 like per il Base. Il Base è uno strumento da specialista e il mercato lo ha valutato di conseguenza.

L'uso naturale di HiRO-ACEv2 è eseguire un ensemble. Il punto di forza del framework non è una singola previsione, ma molte: la motivazione del paper è generare grandi ensemble a costi sufficientemente contenuti da studiare il comportamento dei cicloni tropicali e gli eventi estremi a 3 km, su periodi di più decenni e in regioni globali arbitrarie. Non lo si sottopone a fine-tuning, e la model card non invita a farlo. Lo si esegue, e o ci si fida dei suoi limiti — nove anni di dati di addestramento, nessuna applicabilità al di fuori dell'intervallo da 66°S a 70°N, artefatti ai confini delle patch al di sopra della tile di addestramento 16×16 a un grado — oppure no.

Detto altrimenti: uno di questi modelli è un punto di partenza da modificare, e l'altro è uno strumento da usare. Considerarli "modelli aperti" intercambiabili perché entrambi sono scaricabili è l'errore che questa pagina esiste per scongiurare.

L'unica cosa che hanno in comune: nessuno dei due è fatturabile per token.

Dove i due convergono davvero è nella forma dei costi. Nessuno dei due ha un listino prezzi. LFM2.5 2.6B Base è gratuito da scaricare ed economico da eseguire proprio perché è piccolo — un paio di gigabyte in bf16 e ben sotto i due gigabyte quantizzato, che è l'intero punto del design di LFM2.5 e la ragione per cui esiste accanto a un fratello post-addestrato ottimizzato per il lavoro on-device. HiRO-ACEv2 è economico per una ragione diversa: è un emulatore ristretto, e la sua convenienza economica deriva dal sostituire una simulazione numerica enormemente costosa piuttosto che dal riuscire a stare su un telefono.

Quindi, se il tuo carico di lavoro è testo, il checkpoint Base è una questione di fine-tuning, e la versione quotidiana di quel carico di lavoro — quella in cui vuoi che un modello risponda piuttosto che un checkpoint da addestrare — assomiglia a una chiamata, non a un download. Questo è lo strato in cui si colloca OrcaRouter: una chiave API per oltre duecento modelli ospitati, con il prezzo di listino del provider passato senza ricarico e failover automatico tra provider quando uno si degrada. Nessuno dei due modelli in questo confronto è in quel catalogo, e nessuno dei due potrebbe esserlo nella sua forma attuale; LFM2.5 2.6B Base è un checkpoint piuttosto che un servizio, e HiRO-ACEv2 non ha alcuna interfaccia a forma di richiesta. Ciò che instradiamo è tutto ciò che li circonda — la summarizzazione, l'estrazione, il codice di harness e il ciclo dell'agente che trasforma un artefatto scaricato in una pipeline.

Picking, in pratica

Se hai dati in un dominio o in una lingua di cui il modello base non ha visto abbastanza, e hai la potenza di calcolo per il post-training, LFM2.5 2.6B Base è un punto di partenza più economico della maggior parte della sua concorrenza — leggi il file di licenza prima di leggere il benchmark che speravi, perché su questo checkpoint la licenza è il documento che decide se il tuo progetto è consentito. Se vuoi un piccolo modello agentico da eseguire su un dispositivo, vuoi il gemello post-addestrato anziché il Base, e i numeri di download suggeriscono che la comunità è arrivata a questa conclusione prima di te. Se vuoi un campo atmosferico a 3 km su tre decenni di clima simulato, nessuno dei due è rilevante e solo un file in questo articolo lo è.

La cosa utile da portare a casa è che "open weights" ha smesso di essere una categoria utile di per sé. Un checkpoint di base, un suo omologo post-addestrato e un emulatore di ricerca possono tutti avere un'etichetta che suona permissiva e con essa intendere tre cose del tutto diverse.

Confronti come questo sono anche il punto in cui emergono le modalità di fallimento: gli incidenti AI documentati e i fallimenti degli agenti relativi ai modelli di questa classe sono raccolti in l'Archivio degli Incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e l'indicatore di contestazione.