Solar Mini 4 vs LFM2.5 2.6B Base: tre volte l'indice, e un confronto dei costi che non esiste

Il modo onesto di confrontare Solar Mini 4 e LFM2.5 2.6B Base è ammettere fin da subito che non appartengono allo stesso mercato. Solar Mini 4 è il modello sparse mixture-of-experts da 35 miliardi di parametri di Upstage, rilasciato il 22 settembre 2026, che attiva circa 3 miliardi di parametri per token, proprietario, e viene fatturato a 0,10 $ per milione di token di input e 0,40 $ per milione di token di output. LFM2.5 2.6B Base è il checkpoint preaddestrato da 2,69 miliardi di parametri di Liquid AI, pubblicato su Hugging Face all'inizio di agosto 2026 con la LFM Open License v1.0, abbastanza piccolo da stare in memoria su un telefono. Uno è un endpoint. L'altro è un file di pesi, e se stai leggendo questo perché vuoi eseguire un modello invece di chiamarne uno, il confronto è già concluso.

Ciò che rende comunque l'abbinamento degno di un articolo è l'unica dimensione in cui si sovrappongono davvero: entrambi sono stati posizionati rispetto allo stesso metro indipendente, e la forma di quel confronto non è quella che i conteggi dei parametri lasciano prevedere. Artificial Analysis assegna a Solar Mini 4 un punteggio di 24 sull'Intelligence Index v4.3.2 e attribuisce alla generazione LFM2.5 2.6B un 8,4 — ma la seconda cifra è una stima, e non misura il checkpoint nel titolo di questo articolo. Entrambe le precisazioni contano, e sono la prima cosa da chiarire.

La scheda tecnica, fianco a fianco.

• Parametri — Solar Mini 4 ha 35B totali con 3B attivi; LFM2.5 2.6B Base è denso a 2,69B, senza trattenere nulla. Tredici volte i pesi sul lato Upstage per all'incirca lo stesso budget di calcolo per token.

• Architettura — Solar Mini 4 è un modello sparse mixture-of-experts. LFM2.5 2.6B Base ha 30 livelli, 22 dei quali sono blocchi a convoluzione breve con doppio gate e 8 sono di grouped-query attention, il design ibrido progettato da Liquid per l'inferenza su CPU ed edge.

• Addestramento — Upstage non pubblica un budget di token. La scheda di Liquid documenta 34 trilioni di token e un vocabolario di 128.000 token in 16 lingue, tra cui coreano e giapponese.

• LicenzaSolar Mini 4 è proprietario. LFM2.5 2.6B Base è distribuito con la LFM Open License v1.0 — permissiva per l'uso commerciale con condizioni, e supporta il fine-tuning.

• Contesto — Upstage documenta 512K token, Artificial Analysis ne indica 1,05M per lo stesso modello, quindi considera il tetto massimo come non definito. LFM2.5 2.6B Base arriva a 131.072.

• Modalità — entrambi ricevono testo e restituiscono testo. Nessuno dei due accetta immagini o audio.

• Prezzo — Solar Mini 4 a $0,10 / $0,01 in cache / $0,40 per milione di token, attualmente scontato del 50% fino al 22 ottobre 2026. LFM2.5 2.6 Base non ha alcun listino prezzi; l'host Artificial Analysis registra i prezzi della generazione LFM2.5 2.6B a $0,00.

Cosa misura e cosa non misura «8.4, stimato»

La voce di Artificial Analysis per la generazione LFM2.5 2.6B — il modello post-addestrato, non la Base pre-addestrata — riporta un indice di 8.4 contrassegnato come stima, con la maggior parte delle sue valutazioni componenti marcate allo stesso modo. Quella è una posizione in una classifica, non una specifica su cui costruire, e non va mai citata come se qualcuno avesse fatto passare il checkpoint Base attraverso la suite. Nessuno l'ha fatto. La model card di Liquid stessa non pubblica alcuna tabella di benchmark per LFM2.5 2.6B Base: è un checkpoint pre-addestrato per il completamento di testo, e la card afferma chiaramente che è raccomandato solo per un fine-tuning intensivo.

Il modello gemello valutato è un artefatto diverso. La tabella di benchmark di Liquid per LFM2.5 2.6B post-addestrato mostra IFStruct a 85,5 e Multi-IF a 80,1, AIME25 a 51,9, LiveCodeBench v6 a 59,4, BFCLv4 a 56,9 e τ³-Banking a 5,7 — tutti eseguiti dal fornitore, tutti sulla build instruction-tuned, e il valore di τ³ è quello che suona come un avvertimento.

Il profilo di Solar Mini 4 è di una forma completamente diversa. Ottiene l'83,3% su AA-LCR v1.1 per il ragionamento su contesti lunghi, il 47,6% su SciCode e −10,8 su AA-Omniscience con il 18,4% di accuratezza e un tasso di non allucinazione del 64,2%. Ottiene inoltre l'1% su Terminal-Bench 4.0 e il 22,3% su AutomationBench-AA. Entrambe le famiglie sono scarse nel lavoro agentico; il modello di Upstage è scarso nel lavoro agentico pur essendo costoso, il che è una condizione peggiore rispetto all'essere scarsi nel lavoro agentico pur essendo gratuiti.

Ciò per cui Solar Mini 4 giustifica il suo prezzo è la scala del ragionamento. Con 88.300 token di output per attività di indicizzazione — 71.600 dei quali di ragionamento — impiega una quantità di calcolo che un modello denso da 2,6 miliardi non può imitare ricevendo un prompt più lungo. A un modello con 2,69 miliardi di parametri si può dire di pensare passo dopo passo; non gli si può dire di avere 35 miliardi di parametri. Questo è il prodotto reale.

Tre volte l'indice, e nessun dato di costo comparabile

Artificial Analysis colloca Solar Mini 4 a 0,36 $ per attività dell'indice completata, contro 0,006 $ per Granite 4.2 3B, e la generazione LFM2.5 2.6B è prezzata a zero, quindi non esiste alcun valore di costo per attività che renderebbe questo un rapporto equo. L'inquadramento "Solar Mini 4 costa enormemente di più di LFM2.5 2.6B Base" è quindi vero ma irrilevante. La domanda rilevante è se il lavoro di estrazione strutturata su documenti lunghi in lingua coreana per cui è costruito Solar Mini 4 possa essere svolto anche solo da un checkpoint preaddestrato da 2,69B. Di solito, quindi, il confronto diventa Solar Mini 4 contro un generalista di frontiera anziché Solar Mini 4 contro un modello per telefoni.

Il caso in cui LFM2.5 2.6B Base vince non è il caso in cui è più economico. È il caso in cui il compito è abbastanza ristretto che il fine-tuning colma il divario. Estrazione strutturata di campi da un formato di documento noto, classificazione rispetto a una tassonomia fissa, un assistente on-device che deve funzionare senza rete: questi sono compiti in cui un checkpoint da 2,69B più i tuoi dati di addestramento batte un generalista da 35B più un listino prezzi, e costa un'istanza GPU invece di un contatore di token. Liquid distribuisce il checkpoint base con ricette di continued-pretraining, LoRA SFT, DPO e GRPO tramite Unsloth e TRL proprio per quella dinamica.

Quale chiamare

Ricorri a Solar Mini 4 quando l'input è lungo, l'output deve essere sottoposto a ragionamento e il mix linguistico include coreano o giapponese — e quando sette minuti di decodifica per attività difficile sono tollerabili. Ricorri a LFM2.5 2.6B Base quando i pesi devono essere tuoi, il dispositivo non ha rete e l'attività è abbastanza ristretta da poter essere messa a punto. Le implementazioni interessanti usano entrambi, perché non sono alternative: un piccolo modello locale si occupa di routing, redazione ed estrazione, e un modello ospitato viene chiamato solo per la frazione di richieste che necessitavano effettivamente di 35B parametri.

Il modello di Liquid non è su OrcaRouter, e nemmeno quello di Upstage, quindi nessuna delle due route è qualcosa che possiamo venderti. Quello che possiamo fare è la parte che trasforma questo confronto da una decisione in una configurazione: oltre 200 modelli dietro un'unica chiave con 0% di ricarico rispetto al listino del provider, con failover automatico tra provider e un DSL di routing che ti consente di comporre più modelli in un'unica chiamata. Quando la risposta giusta è "quello economico per la maggior parte del tempo e quello buono quando conta", si tratta di un problema di routing, ed è il motivo per cui esiste il DSL di routing.

Il numero che nessuno dei due fornitori metterà su una slide

Latenza. Solar Mini 4 consuma 88.300 token di output per attività dell'Intelligence Index a una velocità misurata di 204 token al secondo, quindi ha impiegato in media 430 secondi — poco più di sette minuti — per ogni attività difficile. La generazione LFM2.5 2.6B, sull'host su cui Artificial Analysis ha eseguito il test, funzionava a 45,7 token al secondo con un'attesa di 2,8 secondi per il primo chunk, ma quello è un host di datacenter che parla con un modello che di norma girerebbe sulla tua scrivania. Le misurazioni di Liquid collocano la stessa architettura a 220 token al secondo su un M5 Max, 113 su un Ryzen AI Max+ 395 e circa 30 token al secondo su un telefono — il che è un ciclo di agente utilizzabile su un dispositivo senza rete.

Se il tuo carico di lavoro è interattivo, non c'è partita e nessun punteggio di benchmark potrà cambiarlo. Se il tuo carico di lavoro è batch e ciò che attende è un cron job, sette minuti vanno benissimo e la profondità di ragionamento vale il prezzo.

Due note sulle fonti per concludere. Ogni dato di Artificial Analysis qui riportato è una misurazione indipendente di quell'organizzazione su una suite condivisa; l'indice LFM2.5 2.6B è esplicitamente una stima e riguarda il modello post-addestrato anziché il checkpoint Base pre-addestrato menzionato sopra. Ogni dato di Liquid AI è un'esecuzione del fornitore sui propri benchmark, non replicata — e il checkpoint Base stesso non ha alcun punteggio pubblicato, il che è un fatto relativo ai modelli pre-addestrati più che una critica a questo.