LBS-27B vs LFM2.5 24B A2B: La questione dei parametri attivi

Il numero più importante in LFM2.5 24B A2B non è 24. È 2,45 — i miliardi di parametri che il modello legge effettivamente per ogni token. È per questo che Liquid AI può dichiarare 184 token di output al secondo su un Apple M5 Max mentre il modello conserva 24 miliardi di parametri di conoscenza, e per cui l'azienda lo posiziona come agente on-device anziché come cavallo da tiro da data center. Lo stesso numero manca in LBS-27B, e la sua assenza è il motivo per cui questo confronto non può ancora essere risolto: senza un conteggio dei parametri attivi, non c'è modo di collocare il modello di inclusionAI sulla curva di efficienza definita da LFM2.5.

LFM2.5 24B A2B è scaricabile dal 13 ottobre 2026, con una model card, sedici righe di benchmark e una licenza che la maggior parte delle aziende dovrà leggere attentamente. LBS-27B è un repository creato il 26 ottobre 2026 che contiene un file standard denominato .gitattributes e un README di 28 byte che dichiara Apache-2.0. Nessun peso, nessuna configurazione, nessuna card, nessun annuncio. Quanto segue è quindi un confronto tra una strategia di efficienza completamente specificata e un nome che non ha ancora detto che tipo di modello sia.

Per cosa sta ottimizzando Liquid

LFM2.5 24B A2B è un decoder mixture-of-experts con 64 esperti e routing top-4, 40 layer, una dimensione nascosta di 2.048 e un vocabolario di 128.000 token. Il numero di parametri attivi è di 2,45 miliardi. Accetta 131.072 token di contesto, rispetto ai 32K della generazione precedente, ed è stato preaddestrato su 33 trilioni di token, circa il doppio dei 17 trilioni usati per LFM2.

Il cambiamento del vocabolario è un dettaglio che vale la pena notare. Passare da 65K a 128K token è costoso — significa riaddestrare gli strati di embedding e di output — e la ragione abituale per farlo è il testo non latino. La scheda elenca sedici lingue: inglese, arabo, cinese, francese, tedesco, italiano, giapponese, coreano, portoghese, spagnolo, vietnamita, thai, indonesiano, hindi, russo e polacco. Un vocabolario più ampio rende quelle lingue meno costose per parola e di solito migliori in coda.

È anche un modello esclusivamente di ragionamento. La pipeline di post-addestramento di Liquid esegue fine-tuning supervisionato, specializzazione del teacher, distillazione non agentica e agentica, quindi apprendimento per rinforzo agentico all'interno di harness come OpenClaw, Hermes Agent, Pi e OpenCode. Il modello produce una catena di pensiero prima di rispondere; sulla scheda non è documentata una modalità separata "veloce, senza pensiero".

Un profilo di benchmark volutamente a picchi

I numeri della stessa Liquid, che noi non abbiamo riprodotto, descrivono un modello eccellente nelle cose che fa un agente sul dispositivo e scarso nelle cose di cui ha bisogno un lavoratore della conoscenza. Questa conformazione non è un caso; è il design.

• Capacità di seguire le istruzioni — IFEval 96.75, IFBench 74.69, Multi-IF 84.38. Questo è il cluster più forte della scheda e quello che conta di più per un agente che deve rispettare uno schema di strumenti.

• Uso degli strumenti — ToolSandbox 80.71, PinchBench 83.18, BFCL v4 65.01, AutomationBench 27.69. Buoni, ma disomogenei tra gli harness.

• Navigazione agentica e uso del computer — LiveClaw 48.09, WebArena Verified 26.75, tau3-Bench Banking 8.04. Il risultato bancario è l'eccezione: un punteggio a una cifra su una suite di attività che altri modelli agentici gestiscono molto meglio. È un promemoria del fatto che "agentico" non è un'unica capacità.

• Ingegneria del software — SWE-Bench Verified 51,00 con OpenCode, SciCode 32,71. Nella media.

• Matematica — MATH-500 96.04. Notevole per le dimensioni.

• Conoscenza — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90. Il punteggio Omniscience negativo è qui il segnale onesto: su un benchmark che penalizza le risposte sbagliate date con sicurezza, il modello perde più di quanto guadagni. La stessa posizione di Liquid lo riconosce: il modello è pensato per essere abbinato al retrieval, non per essere considerato attendibile come un'enciclopedia.

Letti insieme, quei dati dicono che il modello è capace di seguire istruzioni e chiamare strumenti, ma ha una base di conoscenze limitata. Per un agente locale che legge i tuoi file e chiama le tue API, è il compromesso giusto. Per un assistente di ricerca, è quello sbagliato.

La pretesa di efficienza, con le sue riserve

Liquid riporta {{1}}184 token al secondo{{/1}} su un Apple M5 Max usando circa {{2}}15 GB di memoria{{/2}}, e {{3}}114 token al secondo{{/3}} su un Ryzen AI Max+ 395. Queste sono cifre del produttore su hardware specifico, non un benchmark generale, e varieranno con la quantizzazione e la dimensione del batch. La direzione è comunque significativa: un {{4}}modello 24B con 2.45B attivi{{/4}} può girare su un laptop in un modo in cui un 24B denso non può.

Il compromesso è la larghezza di banda della memoria. I modelli sparsi devono comunque tenere tutti i 24 miliardi di parametri in memoria — il risparmio riguarda il calcolo per token, non l'archiviazione. Ecco perché il dato di 15GB conta quanto il throughput: è all'incirca una quantizzazione a 4 bit dell'intero set di pesi e stabilisce il limite minimo dell'hardware.

Dove dovrebbe essere collocato LBS-27B

Tutto in questo confronto dipende da due campi che non esistono ancora nel repository LBS-27B: il numero di esperti e il numero di parametri attivi.

Se LBS-27B è sparso con qualcosa come 2B-4B attivi, si colloca direttamente nel territorio di LFM2.5 — una base di conoscenza di classe 27B con il calcolo di un modello piccolo — e il confronto diventa una gara diretta sulla qualità per parametro attivo. Se è denso, è un prodotto completamente diverso: un modello lato server con calcolo prevedibile e un footprint di memoria che esclude la maggior parte dei laptop. Se è sparso con un numero elevato di parametri attivi, si colloca tra i due e compete sulla qualità anziché sull'efficienza.

Non c’è modo di dedurre quale dal repository. Il nome dice 27B, il README dice Apache-2.0 e l’albero dei file non dice nient’altro. inclusionAI non ha pubblicato una card, un post sul blog o un paper che siamo riusciti a trovare.

Il confronto, nella misura in cui può essere fatto.

• Parametri totali — 24,0B per LFM2.5 24B A2B; un 27B non verificato per LBS-27B.

• Parametri attivi — 2,45B per LFM2.5; sconosciuti per LBS-27B, e questa è l'incognita decisiva.

• Architettura — 64 esperti con routing top-4 e 40 livelli per LFM2.5; sconosciuto per LBS-27B.

• Contesto — 131,072 token per LFM2.5; sconosciuto per LBS-27B.

• Modalità — solo testo per LFM2.5; sconosciuta per LBS-27B.

• Lingue — sedici elencate per LFM2.5; sconosciute per LBS-27B.

• Ragionamento — catena di pensiero per impostazione predefinita, senza alcuna modalità senza pensiero documentata, per LFM2.5; sconosciuto per LBS-27B.

• Licenza — la licenza LFM 1.0, con obbligo di licenza commerciale oltre i 10 milioni di dollari di fatturato annuo, per LFM2.5; Apache-2.0 dichiarata per LBS-27B.

• {{1}}Valutazioni pubblicate{{/1}} — sedici righe dichiarate dal fornitore per LFM2.5; nessuna per LBS-27B.

La licenza è una questione di approvvigionamento, non una nota a piè di pagina.

Questa è l'unica dimensione in cui il repository vuoto dà già a LBS-27B un vantaggio. La licenza LFM 1.0 non è open source nel senso OSI: le aziende con più di 10 milioni di dollari di fatturato annuo necessitano di una licenza commerciale separata prima di implementarla. Per uno sviluppatore individuale o una startup sotto la soglia, non è un problema. Per un'azienda di medie dimensioni, significa una revisione legale, una trattativa e una voce di costo.

LBS-27B dichiara Apache-2.0 nel suo README. Si tratta di una licenza permissiva con una concessione esplicita di brevetti e nessuna soglia di ricavi, e se sopravviverà fino al rilascio dei pesi elimina un intero passaggio procedurale. È l'unico vantaggio concreto che LBS-27B detiene attualmente in questo confronto, e vale la pena affermarlo chiaramente perché è reale: una dichiarazione di licenza fatta al momento della creazione del repository è una prova debole, ma non è nulla.

On-device rispetto ad API: due prodotti diversi

LFM2.5 24B A2B è progettato per funzionare dove si trovano i dati. La proposta punta su privacy e latenza: un modello su un laptop o una workstation che non invia mai richieste a terze parti, con un tool-calling abbastanza valido da guidare l'automazione locale. L'impronta di memoria a 4 bit e la finestra di contesto da 131K sono dimensionate per questo compito.

LBS-27B non ha ancora dichiarato a cosa serve. Se inclusionAI lancia un modello progettato per il serving lato server, l'argomentazione a favore dell'esecuzione sul dispositivo non si trasferisce e i due modelli sono complementari anziché sostituti. Se lancia un MoE con pochi parametri attivi e una proposta di deployment locale, il confronto è diretto e il vantaggio di due generazioni di Liquid negli strumenti on-device — supporto per llama.cpp, MLX, ONNX e vLLM, oltre a un harness per agenti documentato — diventa il fattore decisivo.

Il supporto per i framework è una parte sottovalutata di questo. Un modello che non è disponibile in llama.cpp o MLX dal primo giorno non è, in pratica, un modello on-device, indipendentemente dal suo numero di parametri attivi.

Testare un modello non comprovato senza scommetterci sopra

Né LBS‑27B né LFM2.5 24B A2B sono oggi su OrcaRouter, quindi non esiste un endpoint ospitato per nessuno dei due e non suggeriremo il contrario. Il motivo per cui menzioniamo qui la piattaforma è il problema di valutazione che ne deriva: se vuoi sapere se un nuovo modello small-active può sostituire quello che usi attualmente, devi eseguirli entrambi sul tuo traffico, non su una classifica.

Il DSL di routing di OrcaRouter ti consente di inviare una percentuale di richieste a un modello candidato mantenendo quello attuale come predefinito, e il failover automatico fa sì che un candidato che va in timeout o genera errori passi al modello noto invece di far fallire la richiesta. Nei casi difficili in cui un solo modello non basta, la fusione di modelli consente a un panel di modelli di rispondere insieme e restituisce un risultato combinato — utile quando il compito è ad alta intensità di conoscenza e il punto debole del modello economico è esattamente ciò che stai testando. Il catalogo di oltre 200 modelli e il ricarico dello 0% contano meno qui rispetto alla possibilità di confrontare sui tuoi stessi input senza una seconda integrazione.

Quello è un modo per generare le prove che mancano a questa pagina. Non sostituisce il fatto che il modello esista.

Tre lettori, tre risposte

Se stai sviluppando un agente on-device e hai bisogno di qualcosa che oggi giri su un laptop, LFM2.5 24B A2B è un candidato serio: forte capacità di seguire le istruzioni, buon tool-calling su diversi harness, contesto da 131K e un percorso documentato verso i runtime locali abituali. Controlla prima la soglia della licenza e non aspettarti che conosca i fatti senza retrieval.

Se stai scegliendo un 27B lato server e hai bisogno di una licenza permissiva, LBS-27B merita attenzione proprio perché Apache-2.0 è già dichiarata. Ma non c'è nulla da valutare, e una dichiarazione di licenza non è un modello.

Se siete un'azienda con un fatturato superiore ai 10 milioni di dollari e un processo di approvvigionamento rigoroso, la differenza di licenza potrebbe contare più di qualsiasi riga di benchmark in questo articolo. La licenza personalizzata di LFM2.5 rappresenta un costo reale; l'Apache-2.0 di LBS-27B è un vero vantaggio, a condizione che sopravviva fino al rilascio.

Il numero che cambierebbe tutte e tre le risposte è il conteggio dei parametri attivi. Finché non esiste, la posizione onesta è che un modello ha una storia di efficienza e l'altro ha un repository.