LFM2.5-24B-A2B vs LFM2.5-8B-A1B-DSpark: Uno di questi non è un modello che puoi eseguire

Metti LFM2.5-24B-A2B e LFM2.5-8B-A1B-DSpark in una tabella di confronto e la tabella è una bugia prima ancora che tu riempia una singola cella. LFM2.5-24B-A2B di Liquid AI, rilasciato il 13 ottobre 2026, è un modello linguistico: 24,0B parametri, 2,45B attivi per token, 131.072 token di contesto, e risponde ai prompt. LFM2.5-8B-A1B-DSpark, rilasciato il 20 agosto 2026, è un checkpoint draft da 327,7 milioni di parametri che non può rispondere a nulla da solo — esiste per indovinare i token successivi per un altro modello, LFM2.5-8B-A1B, e per farsi verificare da esso. Confondere i due è il modo più comune in cui questo rilascio viene letto male, e vale la pena chiarirlo nel primo paragrafo perché il resto di questa pagina dipende da questo: uno dei due ha un prezzo per milione di token e una scheda Hugging Face su cui puoi puntare un agente, e l'altro vive dentro lo stack di inferenza di qualcun altro.

Ciò che però rende davvero questo abbinamento meritevole di una pagina è che si tratta del confronto che Liquid AI ha allestito per sé stessa. La model card di LFM2.5-24B-A2B segnala come prossimamente disponibile una bozza DSpark di speculative decoding per il 24B. Quando arriverà, l'esatta domanda a cui questa pagina risponde sarà quella che le persone si porranno al riguardo: il trucco della bozza che ha reso il modello 8B fino a 3,18× più veloce su una GPU da data center dà davvero i suoi frutti su un modello 24B la cui intera ragion d'essere è un laptop? I numeri dell'8B contengono già la forma della risposta, e non è la forma che il titolo suggerisce.

Che cos'è davvero un checkpoint di bozza, in tre frasi

La decodifica speculativa mette un modello economico davanti a uno costoso: il drafter propone un blocco di token candidati, il modello reale verifica l'intero blocco in un singolo forward pass e mantiene tutto ciò con cui è d'accordo. Poiché il target controlla ogni token proposto, l'output in decodifica greedy è bit-identico a eseguire il target da solo — la frase di Liquid è "senza perdite per costruzione", ed è per questo che un draft è sicuro da innestare su uno stack di produzione. LFM2.5-8B-A1B-DSpark è un drafter deliberatamente piccolo: cinque layer solo attention, un blocco di nove token proposti per passo e una testa di Markov sul vocabolario da 128.000 token del target, addestrato per 15 epoche su dati di chat, codice e function calling con checkpoint scelti in base al tasso di accettazione anziché alla loss di validazione.

Quell'ultimo dettaglio non è una curiosità. Il resoconto di Liquid stesso fa notare che, per i draft più grandi, la loss di validazione "continua a migliorare dopo che l'accettazione sul benchmark a cui teniamo si è fermata" — ed è il tipo di frase che compare solo quando un team sta portando questo in serving invece di pubblicare un paper.

I due stack, una riga per dimensione

• Di cosa si tratta — LFM2.5-24B-A2B è un modello di ragionamento deployabile, testo in ingresso e testo in uscita. LFM2.5-8B-A1B-DSpark è un acceleratore di decodifica speculativa e nient'altro.

• Dimensione — 24,0B totali / 2,45B attivi per token, 64 esperti con routing top-4 su 40 livelli, rispetto a 327,7M di parametri draft in cinque livelli di sola attenzione.

• Contesto — 131.072 token per il 24B, raddoppiati rispetto alla generazione precedente; la bozza non ha un contesto proprio, poiché opera sul flusso del target.

• Ragionamento — il 24B emette sempre una catena di pensiero esplicita all'interno di un blocco <think>. La bozza non emette nulla che un utente possa mai vedere.

• Prezzo — $0,10 per milione di token di input ($0,05 in cache) e $1,00 per milione di output su Liquid's Console, con $2 di credito iniziale, per il 24B. Il draft non ha prezzo perché nessun provider di inferenza lo serve.

• Licenza — lfm1.0 per entrambi: libero di scaricare, fare fine-tuning e distribuire commercialmente finché un'azienda non supera i 10 milioni di dollari di fatturato annuo, momento in cui si applica una licenza commerciale.

• Formati pubblicati — GGUF da Q4_K_M a 14,5 GB fino a 48 GB BF16, un QAT QAD-Q4_0 a 13,6 GB, FP8, ONNX e MLX a 4/5/6/8 bit per il 24B; Safetensors e GGUF per il draft, con supporto SGLang e llama.cpp dal primo giorno.

La dimensione che decide tutto è l'ultima modificata dalla quinta: una di queste ha un prezzo per token, e l'altra è qualcosa che installi per rendere un modello self-hosted più economico per token. Non competono mai. Si sommano.

I numeri che contano, e quello che dovrebbe preoccuparti

Liquid ha misurato il draft DSpark con batch size 1 e temperatura 0 su cinque dataset — su una H100 da 80GB in BF16 con SGLang, e su un MacBook Pro M4 Max in FP16 GGUF con llama.cpp e kernel Metal sperimentali. Ogni speedup è rispetto allo stesso modello target eseguito da solo sullo stesso hardware. Tutto quanto è dichiarato dal fornitore e, a tre mesi di distanza, non è ancora stato riprodotto.

Su H100, contro LFM2.5-8B-A1B:

• MATH500 — 3,18× (428 → 1.362 token/s, accettazione 8,27) — il numero principale.

• MT-Bench — 3,02× (426 → 1.288 token/s, accettazione 8,52).

• MBPP — 2,64× (426 → 1.122) e HumanEval — 2,58× (426 → 1.100).

• GSM8K — 1,29× (385 → 496, accettazione 4,02) — il caso debole, e nota che è proprio quello in cui il target era già più veloce in partenza.

• Media — 2,54× (418 → 1.074 token/s).

Sul M4 Max, lo stesso draft rispetto allo stesso target è un prodotto diverso: MATH500 1,21× (93 → 112), GSM8K 1,44× (90 → 129), HumanEval 1,12× (91 → 101), MBPP 1,09× (89 → 97), MT-Bench 1,04× (87 → 90), media 1,18× (90 → 106).

Leggi quelle due liste insieme e la conclusione è inevitabile: il checkpoint bozza accelera l'hardware per cui il modello non è stato costruito e a malapena migliora quello per cui lo era. Non è un bug nell'implementazione di Liquid, è lì che risiede il collo di bottiglia — la decodifica speculativa dà i suoi frutti quando si ha capacità di calcolo inutilizzata e si è a corto di memoria, e un M4 Max che esegue un MoE quantizzato con 1,5B attivi è già vicino al suo tetto di larghezza di banda della memoria. Liquid stessa ha pubblicato la metà negativa del risultato, ed è per questo che la cifra di 3,18× è stata citata da sola molto più spesso della 1,18× che la maggior parte dei suoi lettori sperimenterebbe davvero.

Perché l'accoppiamento 24B è una questione davvero aperta

Della prossima bozza di LFM2.5-24B-A2B non è stato annunciato nulla, oltre alle parole «coming soon» sulla scheda del modello: quello che segue è quindi un ragionamento sulla forma del problema, non un resoconto.

Il valore della bozza è determinato dal tasso di accettazione, e il tasso di accettazione è determinato da quanto è prevedibile il target. Un modello di ragionamento che produce sempre una catena di pensiero esplicita — LFM2.5-24B-A2B è esattamente questo, e Liquid lo distribuisce con una temperatura raccomandata di 0,1 — emette lunghi tratti di testo localmente prevedibili. È il terreno ideale per un blocco da 9 token. Quindi il tetto di una bozza da 24B potrebbe essere alto, e la nota sul vocabolario della scheda aiuta: il 24B usa lo stesso vocabolario da 128.000 token sul quale è stata costruita la testa Markov del drafter da 8B, quindi la testa della bozza non deve essere ricostruita da uno spazio di token diverso.

Il contrappeso è l'hardware. Il risultato edge dichiarato del modello 24B è di 184 token al secondo su un Apple M5 Max, e un target più grande significa una passata di verifica più grande anche quando il blocco viene accettato per intero. Se il pattern dell'8B regge — grandi vantaggi dove hai capacità di calcolo in eccesso, piccoli vantaggi sul laptop — il draft 24B potrebbe rivelarsi uno strumento da datacenter agganciato a un modello edge, una forma strana per un prodotto. Chi cita "3.18×" in previsione di ciò sta citando un numero misurato su un modello diverso, su hardware diverso, con un draft diverso.

Costo, e l'argomento a favore di non fare affatto self-hosting

Una complicazione da segnalare con onestà: l'intera proposta di valore di DSpark è il throughput per token self-hosted, quindi il suo fondamento economico è il costo per token del tempo della tua GPU. Il modello 24B, al contrario, ha un prezzo pubblico — 0,10 $ per milione di token di input (0,05 $ se in cache) e 1,00 $ per milione di output — ovvero quello che paghi se preferisci non eseguire affatto un checkpoint quantizzato da 14,5 GB sul tuo laptop.

Per essere chiari su ciò che offriamo e non offriamo: non serviamo LFM2.5-24B-A2B o LFM2.5-8B-A1B-DSpark su OrcaRouter. Ciò che serviamo sono i modelli open-weight su cui questa decisione continua a imbattersi — qwen/qwen3.6-35b-a3b, il modello rispetto al quale Liquid mette a benchmark il suo 24B, a circa il cinquanta percento in più di parametri totali e attivi, più google/gemma-4-26b-a4b-it, obsidian/gemma-4-26B-A4B e google/gemma-4-31b-it nella stessa classe sparse-open. Se stai soppesando un download da 14 GB e uno stack di decodifica speculativa rispetto a chiamare un modello servito dietro una sola chiave a markup 0% sul prezzo di listino del provider, è un confronto che puoi eseguire questo pomeriggio dalla nostra parte e che dalla loro puoi solo stimare.

Cosa fare con loro due oggi

Se vuoi un modello da chiamare, la risposta è LFM2.5-24B-A2B e il checkpoint DSpark per te è irrilevante — accelera un modello 8B specifico, e non esiste nessuna piattaforma di terze parti che serva l'uno o l'altro. Se già ospiti in autonomia LFM2.5-8B-A1B su una GPU, la draft è un moltiplicatore di throughput gratuito che non cambia nulla nei tuoi output, e 2,54× come media è una reale riduzione dei costi di servizio. Se lo ospiti in autonomia su un Mac, la media è 1,18× e la lettura onesta è che la draft vale circa un decimo di quanto lasci intendere il titolo di lancio.

La cosa da tenere d'occhio non è la data di arrivo del draft 24B, che nessuno ha pubblicato. È in quale dei due regimi si colloca. Se Liquid pubblica una media superiore a 2× su Apple silicon, la decodifica speculativa ha superato una soglia e il livello edge diventa davvero più economico da eseguire. Se pubblica un numero di picco senza alcuna media su laptop, il risultato 8B sarà stato la risposta fin dall'inizio: questa tecnica conviene dove si ha calcolo inattivo, e una macchina che esegue un mixture of experts da 24B a batteria non ne ha affatto da sprecare.

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.