SubQ Snap 1.1 vs LFM2.5 2.6B Base: acquistare la decisione o costruirla da un checkpoint

La parola più importante in un confronto tra SubQ Snap 1.1 e LFM2.5 2.6B Base è l'ultima. Base significa preaddestrato. Significa che Liquid AI ha pubblicato il checkpoint dopo circa 34 trilioni di token di addestramento e prima di qualsiasi fine-tuning supervisionato, distillazione o apprendimento per rinforzo che trasformi un modello linguistico in qualcosa che segue un'istruzione. Non risponderà a una domanda. Non sceglierà un'etichetta. Chiedigli di instradare un ticket di supporto e continuerà il tuo prompt nello stile del testo su cui è stato addestrato, il che non è un bug — è proprio a questo che serve un checkpoint base.

SubQ Snap 1.1, invece, è un prodotto finito: il modello decisionale di Subquadratic, rilasciato il 22 ottobre 2026, che accetta fino a 384K token di testo e immagini più un insieme fisso di risposte e restituisce una scelta calibrata. Metterli a confronto diretto come se fossero alternative è un errore di categoria, ed è un errore utile, perché l'errore è esattamente la decisione che un team si trova ad affrontare quando vuole una classificazione che giri su hardware che controlla. La domanda non è "quale modello sia migliore". È "si compra la decisione o la si costruisce da un punto di partenza?"

Cosa ha effettivamente rilasciato Liquid AI

LFM2.5-2.6B Base è arrivato il 4 agosto 2026 con il suo modello gemello post-addestrato, LFM2.5-2.6B, come parte di una famiglia che va da 230 milioni di parametri fino a un mixture-of-experts da 24B. L'architettura è il design LFM2 di Liquid: trenta strati, ventidue dei quali blocchi a convoluzione breve con doppio gate e otto strati di attenzione grouped-query, un vocabolario di 128.000 token e una finestra di contesto di 128K aggiunta in una fase di estensione durante il mid-training. Con 2,69 miliardi di parametri occupa circa 2,5 gigabyte, funziona a circa 220 token al secondo su un Apple M5 Max, circa 113 su un Ryzen AI Max+ e circa 30 su un telefono.

Il sibling instruct è dove si trovano i numeri interessanti, e vale la pena leggerli come misura di quanto valga il post-training. Liquid riporta AIME25 a 51,87, LiveCodeBench v6 a 59,41, IFBench a 59,17, Multi-IF a 80,07, BFCLv4 a 56,88 e ToolSandbox a 77,83 — tutti riportati dal vendor, tutti sul modello post-trained. Il checkpoint base non ha punteggi comparabili di instruction-following perché non è in grado di seguire istruzioni. Quel divario, tra un checkpoint e un modello a cui puoi porre una domanda, è costituito da quattro fasi di post-training: due round di supervised fine-tuning, specializzazione per dominio dei teacher, distillazione on-policy multi-dominio e reinforcement learning agentico all’interno di harness reali.

Liquid dice anche chiaramente per cosa non è pensato il modello: il coding agentico e i compiti ad alta intensità di conoscenza. È una dichiarazione di posizionamento più onesta di quelle che pubblicano la maggior parte dei laboratori, e vale la pena prenderla alla lettera.

Le specifiche, affiancate

• Che cos'è — LFM2.5 2.6B Base è un checkpoint pre-addestrato senza instruction tuning; SubQ Snap 1.1 è un modello decisionale ospitato con un'API a risposta fissa.

• Contesto — 128K token per LFM2.5 2.6B Base; 384K token per Snap 1.1.

• Input — solo testo per LFM2.5 2.6B Base; testo e immagini per Snap 1.1.

• Output — generazione di token in forma libera, o qualunque testa tu addestri sopra, per LFM2.5 2.6B Base; una scelta o un punteggio con una probabilità per Snap 1.1.

• Prezzo — solo self-hosted, nessun addebito per token, per LFM2.5 2.6B Base; 0,04 $ per 1 milione di token di input, output gratuito, per Snap 1.1.

• Licenza — LFM Open License v1.0, uso commerciale consentito con una soglia di ricavi, per il modello Liquid; nessun peso disponibile per Snap.

• Ingombro — circa 2,5 GB ed eseguibile su un telefono per LFM2.5 2.6B Base; una chiamata di rete per Snap 1.1.

Il divario tra un checkpoint e un classificatore

Per trasformare LFM2.5 2.6B Base in qualcosa che faccia ciò che fa Snap 1.1, servono cinque cose, e solo una di esse è il modello.

Ti servono dati etichettati — qualche migliaio di esempi per classe è un punto di partenza ragionevole per un compito di instradamento ristretto, e molti di più se le classi sono sbilanciate o il confine è sottile. Ti serve un ciclo di addestramento: una testa di classificazione o un adattatore LoRA, sopra un checkpoint di base che non ha mai visto un'istruzione, il che significa che il fine-tuning sta svolgendo contemporaneamente sia l'adattamento al compito sia il lavoro di seguire le istruzioni. Ti serve la calibrazione, perché un punteggio softmax non è una probabilità calibrata e una soglia di instradamento impostata su un punteggio non calibrato è una soglia impostata a tentativi. Ti serve un sistema di valutazione che mantieni tu, dato che il modello deriverà man mano che il tuo traffico cambia. E ti serve un'infrastruttura di serving — llama.cpp, MLX, vLLM o ONNX, tutti supportano l'architettura.

Niente di tutto ciò è esotico. È tutto lavoro di settimane da parte di qualcuno che sa cosa sta facendo, e si ripresenta ogni volta che il compito cambia. Il confronto onesto non è $0.04 per milione di token contro gratis. È $0.04 per milione di token contro da quattro a otto settimane di ingegneria, più il costo continuativo di possedere un modello.

La licenza non è Apache

Liquid distribuisce LFM2.5 con la LFM Open License v1.0. L'uso commerciale è consentito, ma le organizzazioni con un fatturato annuo superiore a 10 milioni di dollari necessitano di una licenza commerciale separata. Si tratta di una proposta sostanzialmente diversa dalla Apache 2.0 di Granite o dalla Apache 2.0 di Gemma, ed è il tipo di clausola che viene scoperta tardi, dall'ufficio legale, dopo che il prototipo funziona. Se sei una startup sotto la soglia, oggi non ti costa nulla e potrebbe costarti qualcosa in seguito. Se sei sopra, valuta il costo della licenza prima di quello della GPU.

Dove il checkpoint di base vince nettamente

Il deployment air-gapped è il caso più forte, e non di poco. Un modello da 2,5 gigabyte che gira su un telefono, un laptop o un container senza alcun percorso di rete è l'unica opzione per un'applicazione sul campo, un ambiente classificato o un dispositivo spedito ai clienti. Snap 1.1 non può rientrare in nessuno di questi contesti. È un'API, e non ne esiste una versione che giri localmente.

L’economia dei volumi è il secondo caso, ma richiede volumi reali per contare. A due milioni di decisioni al mese con 20.000 token di contesto ciascuna — 40 miliardi di token di input — Snap 1.1 costa 1.600 dollari al mese, ovvero poco meno di 20.000 dollari all’anno. Un singolo modello fine-tuned da 2,6B che serve quel traffico su hardware che già possedete non ha alcun costo marginale. Il punto di pareggio si colloca più o meno dove la bolletta API annuale supera il costo di ingegneria del fine-tune più l’hardware, il che per la maggior parte dei team è tra uno o due anni, non tra un mese.

Il controllo completo è il terzo. Un modello che hai addestrato sulle tue etichette fa ciò per cui lo hai addestrato, e nient'altro. Snap 1.1 è un modello decisionale generale con un'accuratezza del 20% sull'Artificial Analysis Decision Index v1.0 — il suo punteggio di indice pari a 65 deriva principalmente dall'astensione su ciò a cui non sa rispondere, con un tasso di non-allucinazione dichiarato dell'86%. Un modello 2.6B fine-tuned sul tuo dominio supererà spesso quell'accuratezza sulla tua attività, e non si asterrà mai a meno che tu non lo addestri a farlo.

Dove Snap 1.1 vince nettamente

Il tempo alla prima decisione si misura in minuti, non in sprint. Non ci sono dati di addestramento da raccogliere, né testa da addestrare, né curva di calibrazione da tracciare. Invii un documento e un elenco di opzioni e ricevi indietro una probabilità, e la probabilità è il prodotto.

Il contesto lungo è la seconda differenza, ed è architetturale anziché accidentale. Snap gestisce 384K token in un singolo forward pass con un costo computazionale costante per token. LFM2.5 2.6B Base ha una finestra di 128K e, in quanto modello da 2,6 miliardi di parametri, il suo intervallo di recupero effettivo sarà decisamente più breve di quello nominale — il modello gemello di Liquid riporta un punteggio AA-Omniscience di −29,50, che è una misura di quanto sa un modello piccolo, non di quanto bene legga, ma contribuisce a fissare le aspettative.

Il terzo è che l’output di Snap è già ciò di cui hai bisogno. Nessun parser, nessuno schema, nessuna logica di retry per risposte malformate.

Quale, allora?

Acquista Snap 1.1 se la decisione è una chiamata di routing o classificazione su documenti lunghi, se i dati possono uscire dalla tua rete e se vuoi questa funzionalità entro questo trimestre. Il percorso fai-da-te è reale, ma non è più economico nel primo anno per la maggior parte dei team, e il checkpoint base è il punto di partenza più difficile possibile per questo percorso: normalmente si inizierebbe dal modello LFM2.5-2.6B post-addestrato e si farebbe fine-tuning da lì, non da Base.

Scegli il checkpoint Base se hai bisogno che il modello risieda in un luogo dove la rete non arriva, oppure se intendi possedere i pesi in modo permanente e hai la capacità ingegneristica per renderlo vantaggioso. In quel caso, prevedi un budget sia per la questione della licenza sia per il run di addestramento.

Nessuno dei due è nel catalogo di OrcaRouter, e nessuno dei due lo sarà: LFM2.5 2.6B Base è un checkpoint locale, e Snap 1.1 è servito solo tramite l'API di Subquadratic su console.subq.ai. Ciò che OrcaRouter fa in una pipeline costruita attorno a uno dei due è il livello che trasforma una decisione in un'azione — oltre 200 modelli generativi dietro un'unica chiave, prezzo di listino del provider passato con 0% di ricarico e failover automatico così che una chiamata di routing che finisce su un modello momentaneamente non disponibile non diventi una richiesta persa. Il livello decisionale e il livello di scrittura hanno modalità di errore diverse; vale la pena non metterli sulla stessa dipendenza.

La cosa che vale la pena osservare non è la riga di benchmark dell'uno o dell'altro modello. È se un checkpoint da 2,6 miliardi di parametri, messo a punto su qualche migliaio di esempi di dominio, possa eguagliare un modello decisionale realizzato ad hoc sull'unico compito che un team ha davvero. Nella classificazione ristretta e ben etichettata la risposta storicamente è stata sì, ed è il motivo per cui la questione comprare-o-costruire qui è davvero aperta anziché retorica.