PAN 2 vs LFM2.5-2.6B-Base: Due tipi di checkpoint che sei chiamato a mettere a punto

La prima cosa che salta all’occhio in LFM2.5-2.6B-Base è la parola Base. Il checkpoint da 2,69 miliardi di parametri di Liquid AI non è un modello con cui conversare; è il substrato pre-addestrato da cui nascono le varianti LFM2.5-2.6B post-addestrate, pubblicato affinché altri possano crearne di propri. PAN 2 è lo stesso tipo di oggetto su una scala trenta volte maggiore: un diffusion transformer da 29 miliardi di parametri dell’Institute of Foundation Models di MBZUAI, pubblicato con licenza Apache-2.0 e con le configurazioni di addestramento nel repository, pensato per essere adattato anziché semplicemente utilizzato. Messi uno accanto all’altro sembrano assurdi: uno è un modello linguistico che puoi eseguire su un laptop, l’altro un video world model che richiede quattro B300. Ma entrambi sono artefatti di base con una licenza allegata, e per chiunque abbia come lavoro effettivo prendere un checkpoint e fargli fare qualcosa per cui non è stato addestrato, il confronto interessante non riguarda affatto le capacità. Riguarda ciò che ciascuno ti mette a disposizione per lavorare e quanto costa mantenere in esercizio l’oggetto mentre lo scopri.

Inizia dalla licenza, perché è l'unica differenza sostanziale

Il codice e i pesi di PAN 2 sono distribuiti con licenza Apache-2.0. I componenti di terze parti — Qwen3.5-9B come text encoder, Wan 2.2 come VAE, Diffusers — sono utilizzati secondo i rispettivi termini e non vengono ridistribuiti da MBZUAI; è possibile scaricarli dai loro autori. Si tratta di una soluzione pulita, noiosa e favorevole sotto il profilo legale aziendale, ed è il motivo principale per cui un'azienda con un processo di revisione può adottare PAN 2.

LFM2.5-2.6B-Base è distribuito con la licenza LFM1.0, che Hugging Face registra come altro con un collegamento al file LICENSE anziché un identificatore SPDX. Non è una critica — la licenza di Liquid consente l'uso commerciale fino a una soglia di ricavi, una forma comune e ragionevole per un rilascio open-weights — ma è una forma diversa da Apache-2.0, e la differenza non è un dettaglio che si scopre dopo il fine-tuning. Se il vostro team legale ha un elenco di licenze preapprovate, uno di questi due modelli è presente e l'altro richiede una discussione.

Quell’asimmetria va nella direzione opposta rispetto al numero di parametri, e vale la pena soffermarcisi. Il modello minuscolo è quello con i fili; quello enorme è quello che puoi distribuire senza chiedere a nessuno.

Cosa ti consegna davvero un checkpoint base

LFM2.5-2.6B-Base è un'architettura ibrida: trenta livelli, di cui ventidue sono blocchi a convoluzione breve con doppio gating e otto sono attention con query raggruppate. È proprio questo mix il punto centrale della linea LFM — i blocchi convoluzionali sono economici con sequenze lunghe e i blocchi di attention mantengono il recall — ed è per questo che il modello può supportare un contesto di 131.072 token con 2,69 miliardi di parametri. L'addestramento ha raggiunto 34 trilioni di token su un vocabolario di 128.000 token, con copertura per sedici lingue tra cui arabo, giapponese, coreano, thai e vietnamita.

Ciò che non ha è qualsiasi post-addestramento. Nessun instruction tuning, nessun chat template degno di questo nome, nessun allineamento alla sicurezza. Un modello base predice il token successivo e questo è tutto ciò che fa, il che lo rende la cosa sbagliata da valutare su un benchmark di instruction-following e la cosa giusta da valutare per quanto rapidamente un LoRA converge sul tuo dominio. Liquid pubblica separatamente la versione gemella post-addestrata, e l’esistenza di build GGUF e ONNX di quella versione gemella è la dichiarazione d’intenti più chiara: questa famiglia è pensata per essere eseguita su dispositivi di tua proprietà.

PAN 2 ti fornisce molta più impalcatura, e meno libertà in un modo specifico. Il repository include configurazioni di training sia per il pre-training sia per il fine-tuning supervisionato — config/pretrain_29B_720p.yaml e config/sft_29B_720p.yaml — e la documentazione ti dice di puntare i loro percorsi dati ai tuoi latent. Quindi il percorso di fine-tuning esiste. Ma i dati che si aspetta non sono testo. Sono latent video annotati in uno specifico formato di didascalia strutturata: eventi in ordine, azioni associate agli attori, movimento della camera, entro un budget di 1.536 token per il text encoder. Se vuoi fare fine-tuning di PAN 2 sul tuo dominio, il tuo primo progetto non è un'esecuzione di training. È una pipeline dati che trasforma le tue riprese in quel formato, e il repository ti fornisce un validatore ma non l'annotatore.

• Calcolo per il fine-tuning — LFM2.5-2.6B-Base: una singola GPU, LoRA su una workstation, ore non settimane. PAN 2: un transformer da 67,37 GB in BF16 prima dello stato dell'ottimizzatore, più un encoder congelato da 15,87 GB e un VAE, su latent video. Multi-nodo, e nessuno ha pubblicato una ricetta.

• Dati che devi fornire — LFM2.5-2.6B-Base: testo, in qualunque formato utilizzi il tuo task. PAN 2: video più didascalie strutturate sullo stato del mondo nello schema del repository.

• Cosa ottieni — LFM2.5-2.6B-Base: un generatore di testo e, dopo il post-addestramento, un assistente o una policy di agente. PAN 2: un video di massimo 20 secondi a 704×1248 e 24 fps, che mostra la conseguenza di un'azione.

• Licenza — LFM2.5-2.6B-Base: LFM1.0, altro, leggila. PAN 2: Apache-2.0 sui propri pesi.

Nell'unico benchmark in cui quasi si incontrano

C'è una sovrapposizione reale, ed è abbastanza piccola da essere interessante. La model card di MiniCPM5-2B di OpenBMB confronta LFM2.5-2.6B con il proprio modello 2B e con una serie di altri, e una delle righe riguarda il contesto lungo. Su AA-LCR, OpenBMB riporta 5,3 per LFM2.5-2.6B contro 59,0 per MiniCPM5-2B. Su NoLiMa, 0,7 contro 68,1. Su LongBench v2, 30,3 contro 43,7.

Quelli sono numeri riportati dai concorrenti su un harness di un concorrente, e la model card che li pubblica ha un evidente interesse nel confronto. Ma l’ampiezza del divario nelle due sonde long-context più difficili non è il tipo di cosa che una scelta di harness possa liquidare, ed è un utile correttivo al leggere “contesto da 131.072 token” come una rivendicazione di capacità. Una finestra di contesto è una capacità; il recall su lunghezza è un comportamento. Il checkpoint Base ha la prima e, stando alle evidenze di terze parti, non molto del secondo — ed è proprio per questo che un fine-tune è l’uso previsto, anziché un assistente per documenti lunghi pronto all’uso.

PAN 2 non ha un controllo incrociato equivalente. Nessuno al di fuori di MBZUAI ne ha misurato le prestazioni con benchmark, e i numeri della sua model card sono gli unici disponibili. Si tratta di una posizione probatoria più debole di quella di LFM2.5-2.6B-Base, anche se il modello costa cento volte di più da eseguire — un promemoria del fatto che la valutazione indipendente segue l'adozione, e l'adozione segue la capacità di riuscire anche solo a eseguire il modello.

Il costo di mantenere ogni checkpoint

LFM2.5-2.6B-Base ha circa 2,7 miliardi di parametri. In BF16 si tratta di pesi comodamente sotto i 6 GB, e le build GGUF della versione gemella post-addestrata lo portano ben al di sotto di quella soglia. Puoi tenerlo residente sulla stessa macchina del resto dello stack, eseguire il fine-tuning durante la notte e dimenticarti che ci sia.

PAN 2 è di 86,17 GB su sessanta file, e il numero che conta non è il totale ma la forma. Il transformer è di 67,37 GB e ogni worker di inferenza ne detiene una copia completa: lo script di inferenza del repository stesso esegue un worker per GPU, ciascuno dei quali prende ogni N-esimo prompt, perché in quel percorso non c'è sharding tensor-parallelo. La ricetta vLLM è l'opzione shardizzata, e il suo dato principale sono tredici secondi di video 704×1248 in circa 119 secondi su quattro B300 con parallelismo del classifier-free guidance su due rank e parallelismo di sequenza Ulysses su due. L'impostazione predefinita è otto H200. Un campionatore a cinquanta passi con guidance a ogni passo significa cento passaggi forward per clip, e questa è l'aritmetica dietro ogni scelta di configurazione nella ricetta.

Quindi il confronto onesto dei costi non è «6 GB contro 86 GB». È «zero costo marginale per inferenza contro un nodo multi-GPU per due minuti di output». Un modello 2,6B fine-tuned che risponde a una query non costa nulla di misurabile. Un PAN 2 fine-tuned che renderizza una clip di venti secondi costa un nodo GPU per tre minuti, e lo eseguirai centinaia di volte prima di sapere se il fine-tuning ha funzionato.

Dove un router entra in contatto con uno di questi

Nessuno dei due modelli è qualcosa che un livello di routing possa servire. LFM2.5-2.6B-Base è un checkpoint di base senza alcun endpoint ospitato per cui valga la pena instradare — è un file che scarichi. PAN 2 non ha alcun endpoint ospitato, né da MBZUAI né da chiunque altro. Se il tuo piano prevede uno dei due, il tuo piano prevede delle GPU.

Il motivo per cui menzionare comunque il routing è che quasi nessuno distribuisce un modello base in isolamento. Un LFM2.5 fine-tuned è un componente di un'applicazione che necessita anche di un motore di ragionamento generale, e una simulazione PAN 2 è una fase di una pipeline la cui prima fase è un modello linguistico che scrive didascalie strutturate. È proprio su quel livello circostante che vale la pena avere un'unica API per oltre 200 modelli: mantieni il checkpoint ottimizzato sul tuo hardware, instradi le chiamate standard tramite OrcaRouter al prezzo di listino del provider con 0% di markup pass-through, e ottieni failover automatico quando un provider ha un'ora difficile. Nello specifico di una pipeline PAN 2, la fase delle didascalie è la parte elastica — il report classifica Claude Opus 5.5, GPT-6 Astra, Kimi K3 e Qwen3.8-Flash in base al completamento dell'intero piano, e Qwen3.8-Flash è su OrcaRouter, così puoi testare quale planner completa davvero i tuoi piani senza dover fare il provisioning di quattro modelli.

Ciò che OrcaRouter non farà è ospitare nessuno dei due checkpoint. Dire il contrario sarebbe il tipo di affermazione che suona come una funzionalità e si comporta come un bug.

Cosa nasconde l’inquadramento del modello di base

Entrambe queste release sono, in senso stretto, incompiute. LFM2.5-2.6B-Base non ha l'instruction tuning per scelta progettuale; PAN 2 ha una sezione sulle limitazioni che afferma che circa due piani simulati su tre contengono almeno un passaggio che non viene eseguito. Nessuna delle due è un prodotto. La differenza sta in che cosa significa "incompiuta" in ciascun caso.

Per LFM2.5-2.6B-Base, "unfinished" è una fase di una pipeline che il fornitore ha già completato a valle — il modello post-addestrato esiste, le build quantizzate esistono, e il checkpoint base è pubblicato per chi vuole divergere. Il divario è intenzionale e documentato.

Per PAN 2, l'incompletezza è lo stato dell'intera release. I pesi sono disponibili, il supporto per il framework è arrivato il 10 novembre, e l'unica cosa che chiunque abbia detto pubblicamente al riguardo è un post di due paragrafi sull'account X del laboratorio stesso, quello stesso pomeriggio. Le sue limitazioni non sono una scelta progettuale passata agli utenti a valle; sono problemi aperti che il team sta dichiarando pubblicamente. Se fai fine-tuning di PAN 2, erediti quei problemi insieme ai pesi.

Questo è il vero confronto, e non si risolve in una raccomandazione tra i due modelli perché non sono sostituti. Si risolve in una domanda sul tuo progetto: stai adattando un componente di comprovata validità, oppure stai costruendo su un artefatto di ricerca le cui modalità di guasto sono ancora in fase di misurazione? LFM2.5-2.6B-Base è il primo. PAN 2 è il secondo, e la licenza Apache-2.0 è l'unica ragione per cui il secondo è persino un'opzione.