Perceptron Mk1.5 vs LFM2.5-2.6B-Base: Noleggiare la percezione, o possedere il checkpoint e finirlo da solo

Entrambi questi modelli sono pensati per hardware che potresti raccogliere con una mano. Perceptron Mk1.5 è un modello di percezione per agenti incarnati che, secondo il suo fornitore, arriva su droni, robot quadrupedi, occhiali intelligenti e telefoni. LFM2.5-2.6B-Base è un checkpoint open-weights da 2,69B che Liquid AI ha costruito esplicitamente per il deployment on-device — abbastanza piccolo da girare in meno di 2,5 GB di memoria. Quella comune ambizione fisica è l'unica cosa che hanno in comune, ed è una trappola per chiunque li confronti su una scheda tecnica. Perceptron Mk1.5 è un prodotto finito che noleggi per token: in ingresso testo, immagini, video e audio, e in uscita testo più geometria leggibile dalla macchina, attivo dal 25 settembre 2026. LFM2.5-2.6B-Base è una base grezza preaddestrata senza instruction tuning, senza template di chat e senza dichiarazioni di benchmark — un checkpoint rilasciato perché altri lo completino. Uno dei due risponde a una domanda oggi; l'altro è la materia prima per un modello che lo farà.

Il confronto funziona solo se indichi la fase

Mettere un'API servita accanto a un checkpoint di base non è un confronto testa a testa, e fingere il contrario produce una tabella senza senso in cui una parte "vince" ogni riga perché è stata completata dal suo fornitore e l'altra non è stata avviata. La domanda utile è a quale fase del lavoro ti trovi.

Liquid AI ha rilasciato la famiglia LFM2.5 come un insieme di checkpoint, e la base è il primo. La sua scheda elenca 2,69 miliardi di parametri totali distribuiti su 30 livelli — 22 blocchi di convoluzione breve a doppio gate e 8 blocchi di attenzione con query raggruppate — addestrati su circa 34 trilioni di token, con un vocabolario di 128.000 token, una lunghezza di contesto di 131.072 token e il supporto per 16 lingue tra cui inglese, cinese, giapponese, coreano e arabo. È solo testo, è un modello linguistico causale e nulla di più, e la raccomandazione di Liquid stessa è schietta: questo checkpoint è pensato per attività che richiedono un fine-tuning intensivo, come un assistente specifico per una lingua o per un dominio, l'addestramento su dati proprietari o la sperimentazione di nuovi approcci di post-addestramento. Ciò che lo trasforma nell'agente capace di chiamare strumenti che ottiene i punteggi pubblicati della famiglia è la pipeline di post-addestramento in quattro fasi di Liquid, che la base non include.

Perceptron Mk1.5 si trova all'altro estremo di quell'arco. Perceptron ha già completato il post-training, deciso il formato di output e determinato il prezzo del risultato — 0,15 $ per milione di token di input e 1,50 $ per milione di output, con input memorizzato nella cache a 0,0375 $. Le sue specifiche sono precise in un modo che quelle del checkpoint di base non sono: contesto di 36.864 token, output massimo di 8.192 token, quattro modalità di input, un reasoning_effort, controllo che per impostazione predefinita è alto, chiamata di funzioni su completamenti di chat, e risposte vincolate tramite JSON Schema e regex.

Il motivo per tenere entrambi sotto osservazione è che il costo totale di proprietà va in direzioni opposte. Mk1.5 è costoso per token e gratuito per iniziare. LFM2.5-2.6B-Base è gratuito al margine ed è costoso nell'unica valuta che conta per un checkpoint di base — il tuo tempo di ingegneria.

Dimensione per dimensione, con i ruoli tenuti ben distinti

• Cos'è — Perceptron Mk1.5 è un'API di percezione ospitata con output spaziale strutturato. LFM2.5-2.6B-Base è un LM causale pre-addestrato da 2,69B scaricabile.

• Input — Mk1.5 accetta testo, immagini, video e audio (WAV, MP3, FLAC). LFM2.5-2.6B-Base accetta testo, e solo testo.

• Output — Mk1.5 restituisce testo più punti, box, poligoni e clip opzionali, e elementi <track> timestampati, o risposte vincolate da JSON Schema. La base restituisce le probabilità dei token per il token successivo, e nulla è stato ottimizzato per renderlo utile.

• Uso autonomo — Mk1.5 funziona dal giorno in cui ottieni una chiave. LFM2.5-2.6B-Base non risponde alle domande in alcun senso di prodotto; necessita di un fine-tuning, e di solito di un template di chat, prima di essere un modello che rilasceresti.

• Contesto — 36.864 token per Mk1.5 rispetto a 131.072 per la base. Il checkpoint sul dispositivo contiene quasi quattro volte tanto testo quanto il modello di percezione servito contiene di qualsiasi cosa.

• Ingombro — Mk1.5 gira dove Perceptron lo esegue, e il suo lavoro pubblicato sulla latenza è su una singola H100. La base è progettata per girare su un laptop, un telefono o un edge box utilizzando meno di 2,5 GB.

• Prove — ogni valore di capacità dell'Mk1.5 è di Perceptron stesso, e non esiste un indice indipendente al riguardo. La base non ha alcuna dichiarazione di benchmark: Liquid pubblica i punteggi per l'LFM2.5-2.6B post-addestrato, non per questo checkpoint.

• Licenza — Mk1.5 è chiuso, a noleggio per token. LFM2.5-2.6B-Base è distribuito con la LFM Open License v1.0, con pesi che scarichi e conservi.

Il percorso dei pesi, con costi onesti

Se l'attrattiva di LFM2.5-2.6B-Base è che i pesi sono gratuiti, la versione onesta di quella frase è che i pesi sono la parte più economica del progetto. Un fine-tune su dati proprietari significa un dataset, un'esecuzione di addestramento, un sistema di valutazione per dirti se il fine-tune ha funzionato, e un percorso di serving — Transformers, vLLM o SGLang, oppure una delle build GGUF, ONNX e MLX che Liquid pubblica rispettivamente per il deployment su CPU, multipiattaforma e Apple Silicon. Niente di tutto ciò è esotico, e a 2,69B entra su hardware che un fine-tune da 70B non tocca mai. Ma un checkpoint base è un punto di partenza, e il rischio di tempistiche ricade interamente dalla tua parte della transazione.

Quello che ottieni in cambio è il controllo. Il tokenizer a 16 lingue e la finestra di contesto da 131K fanno sì che un fine-tuning di dominio non debba contendersi lo spazio con il pre-training. L'ingombro inferiore a 2,5 GB significa che il target di distribuzione è un dispositivo anziché un datacenter, che è poi il senso stesso di questa famiglia. E la LFM Open License ti permette di tenerti il risultato: uno specialista che nessun concorrente può noleggiare dalla stessa API da cui puoi farlo tu.

C'è un elemento di prova di terze parti che vale la pena conoscere prima di scommettere sul lignaggio, e una lacuna. LFM2.5-2.6B post-addestrato di Liquid ha effettivamente una misurazione indipendente: Artificial Analysis lo colloca a un Intelligence Index di 8, classificato 9º su 49 modelli della sua classe. Il checkpoint di base non ne ha — non esiste una pagina per esso, il che è normale per un modello di base pre-addestrato e vale la pena dichiararlo apertamente invece di trattarlo come un verdetto. Ciò che l'indice del modello post-addestrato ti dice è ciò che la pipeline produce da questo punto di partenza all'estremità inferiore della fascia dell'indice, non ciò che produrrà il tuo fine-tune.

La route API e cosa significa "on-device" per un modello in hosting

La storia di deployment di Perceptron Mk1.5 è più complicata di quanto suggerisca la sua lista di target, e vale la pena essere precisi. L'annuncio del fornitore elenca droni, quadrupedi, occhiali smart e smartphone come target di deployment. Il modello stesso viene servito da api.perceptron.inc dietro una chiave API, e i dati sulla latenza pubblicati da Perceptron sono una mediana di tre esecuzioni su una singola H100. Una singola H100 non è un drone. La lettura realistica è che Mk1.5 sia il livello di percezione per un robot dotato di un collegamento di rete o di un box di calcolo companion, non un modello che gira all'interno dell'airframe — e chiunque pianifichi un dispositivo offline attorno ad esso dovrebbe verificare questo presupposto prima di progettare l'hardware.

Ciò che la rotta API procura, se l'assunzione di rete regge, è la cosa che un checkpoint di base non può darti a nessun prezzo: le coordinate. L'output <track> di Mk1.5 porta con sé un'osservazione spaziale e la sua marca temporale, così una clip ritorna come posizioni di oggetti nel tempo anziché come descrizione di una scena. Aggiungi il asset_idx campo, che consente a una singola richiesta di indirizzare separatamente più immagini o video, e la forma della richiesta corrisponde a un ciclo di controllo — frame di riferimento in ingresso, geometria in uscita, nessuna fase di parsing tra il modello e il codice che muove qualcosa.

I costi sono quelli già elencati: 36.864 token di contesto, un tetto massimo audio di 16.384 token per elemento che la documentazione di Perceptron colloca a circa 21,8 minuti a circa 750 token al minuto, un reasoning_effort predefinito su high che ti addebita il percorso di ragionamento più costoso a ogni chiamata che non configuri, e una serie di dichiarazioni di benchmark prodotte dall'azienda che vende il modello. Il numero di hand-tracking è quello da testare sui tuoi filmati: 0,9433 su riprese egocentriche con hand_box contro 0,4467 per Gemini 3.1 Pro nella stessa esecuzione di Perceptron è un margine ampio, e i margini ampi nelle valutazioni dei fornitori sono esattamente quelli che vale la pena riprodurre.

Nessuno dei due è nel nostro catalogo, e questo cambia la decisione

Né Perceptron Mk1.5 né LFM2.5-2.6B-Base è instradato su OrcaRouter oggi. Mk1.5 non ha alcuna route, quindi per raggiungerlo occorre l'API del fornitore stesso — pip install "perceptron>=0.4.0" e PERCEPTRON_API_KEY — e Liquid AI non ha alcun modello di alcuna dimensione nel nostro catalogo, quindi il checkpoint base è un download da Hugging Face di Liquid anziché una chiamata.

Questo conta meno di quanto sembri, perché i due non sono endpoint intercambiabili e nessun argomento di prezzo li renderà tali. Ciò che un livello di routing apporta qui è la parte della decisione che è ancora aperta. Se costruisci un servizio di percezione su Mk1.5 e uno specialista del testo su un LFM2.5-2.6B-Base messo a punto, stai gestendo due integrazioni e due modalità di guasto; un gateway compatibile con OpenAI davanti a essi trasforma un incidente di un fornitore da una parte o dall'altra in un fallback anziché in un job fallito, e una regola di routing può inviare il traffico visivo e quello testuale a modelli diversi senza che l'applicazione sappia quale sia quale. Una sola API che copre oltre 200 modelli, con i prezzi di listino dei fornitori passati a un ricarico dello 0% è la versione di tutto ciò in cui una variazione di prezzo di un fornitore arriva lo stesso giorno invece che al tuo prossimo rinnovo — anche se, per questi due nello specifico, oggi, il gateway è una considerazione di pianificazione più che una scorciatoia disponibile.

Cosa dovresti fare, e cosa dovresti misurare

Se il tuo compito è "trova questo oggetto in questo frame e restituisci dove si trova", noleggia Mk1.5 e verifica l'affermazione sull'hand-box sul tuo video prima di impegnare un percorso di produzione su di esso. Fai i conti con l'assunzione di rete, imposta reasoning_effort in modo deliberato invece di accettare high, e considera la finestra di 36.864 token per il vincolo rigido che è. L'output strutturato è il prodotto, e se il tuo codice a valle può consumare una coordinata senza una fase di parsing, si tratta di un risparmio autentico in un punto in cui la maggior parte delle pipeline di visione perde silenziosamente accuratezza.

Se il tuo compito è "Mi serve un modello da 2,6B messo a punto su dati che nessun altro ha, in esecuzione da qualche parte senza GPU", scarica LFM2.5-2.6B-Base e valuta con onestà il costo del fine-tuning prima di iniziare. Il checkpoint è gratuito e l'ingegneria non lo è, e la lezione della famiglia stessa — che il modello gemello post-addestrato ottiene 8 sull'indice indipendente — ricorda che il divario tra una base e un modello finito è dove risiede il lavoro vero. Nessuna delle due è la risposta sbagliata. Sono acquisti diversi, e l'unico vero errore è trattare una base che devi completare come se fosse già un prodotto.

Due modelli, due integrazioni e due modalità di errore sono una posizione peggiore di quanto sembri. Su OrcaRouter puoi configurare il failover automaticoin modo che un incidente di un provider da una delle due parti si trasformi in un fallback anziché in un job fallito.