ZwZ2-9B vs LFM2.5 2.6B Base: un errore di categoria che vale la pena comprendere

Mettere ZwZ2-9B accanto a LFM2.5 2.6B Base sembra un confronto di dimensioni, e non lo è. ZwZ2-9B è un checkpoint vision-linguaggio da 9,41 miliardi di parametri che inclusionAI ha pubblicato il 16 ottobre 2026 senza scheda del modello; LFM2.5 2.6B Base è un modello pre-addestrato solo testo da 2,697 miliardi di parametri che Liquid AI ha pubblicato il 1° agosto 2026, con una scheda che dice, con parole sue, di essere il checkpoint "usato per creare tutte le varianti LFM2.5-2.6B". Uno è una cosa che si adotta. L'altro è una cosa su cui si costruisce. Scegliere tra i due non è come scegliere tra due automobili — è come scegliere tra un'automobile e un blocco motore, e l'unica domanda utile è quale dei due ti servisse davvero.

Quindi questo pezzo fa due cose. Ti dà i numeri reali su entrambi, perché sei venuto qui cercando un confronto e vale la pena avere i numeri. E poi spiega la distinzione che il confronto nasconde, perché sbagliarla è il motivo per cui i team si ritrovano ad aver fatto tre settimane di fine-tuning di cui non avevano bisogno, o a eseguire un modello server da 9,4B per un compito che un modello per laptop da 3B avrebbe gestito.

Che cosa è in realtà ognuno di questi artefatti

LFM2.5 2.6B Base è volutamente incompleto. È il checkpoint pre-addestrato alla radice della famiglia LFM2.5-2.6B di Liquid AI — 30 strati che si alternano tra blocchi di convoluzione breve a doppio gate e grouped-query attention, 34 trilioni di token di pre-addestramento, un vocabolario di 128.000 token e un tetto di 128.000 posizioni. È solo testo. È progettato per l'esecuzione direttamente sul dispositivo, che è la frase che Liquid AI usa nella scheda, e il senso stesso del suffisso "Base" è che la variante conversazionale post-addestrata e la variante agentica sono download separati derivati da esso. È pensato per essere oggetto di fine-tuning o di distillazione al suo interno. Così com'è, non è un assistente.

ZwZ2-9B è il tipo opposto di oggetto. È un checkpoint dalla forma finita che non è stato descritto. La sua configurazione contiene una torre di visione a 27 strati, ID dei token per immagini e video, un processore video limitato a 768 fotogrammi, un template di chat con un prompt di sistema predefinito incorporato e 24 dei suoi 32 strati che usano attenzione lineare invece di una cache key-value in crescita. Questo è un target di deployment, non un substrato di addestramento. Ciò che manca è tutto ciò che un acquirente chiederebbe: nessun campo licenza, nessun risultato di valutazione, nessuna dichiarazione su ciò su cui è stato addestrato e nessuna voce in nessuna delle dieci collezioni pubbliche di inclusionAI.

• Parametri — ZwZ2-9B: 9.409.813.744. LFM2.5 2.6B Base: 2,697 miliardi.

• Scopo — un checkpoint multimodale pensato per il deployment rispetto a una base pre-addestrata per il fine-tuning.

• Modalità in — testo, immagine e video vs solo testo.

• Limite di contesto — 262.144 posizioni rispetto a 128.000 (la scheda di Liquid AI arrotonda a 131.072).

• Vocabolario — 248.320 vs 128.000.

• Design dell'attenzione — 24 livelli lineari più 8 livelli di attenzione completa rispetto a 22 livelli di convoluzione più 8 livelli di attenzione.

• Licenza — nessuna dichiarata rispetto alla LFM Open License v1.0, che è una licenza personalizzata anziché Apache-2.0.

• Documentazione — nessuna rispetto a una model card, un rapporto tecnico e un budget di addestramento dichiarato.

Due righe, lì, sono più interessanti di quanto non sembrino. Entrambi i modelli si attestano esattamente su 8 livelli di attenzione, ed entrambi riempiono il resto con qualcosa di più economico: ZwZ2-9B con l'attenzione lineare ricorrente, LFM2.5 2.6B Base con convoluzioni brevi. Questa convergenza non è una coincidenza; è ciò che "architettura efficiente" ha significato negli ultimi due anni, raggiunto da direzioni opposte e a scale opposte. E i tetti di contesto non sono una gara: 262.144 contro 128.000 non dice quasi nulla, perché il modello da 2,7B è stato costruito per stare su un laptop, dove una cache da un quarto di milione di token non è un working set realistico.

La parola "Base" è tutta la decisione

Se devi trarre una sola cosa da questo binomio, trai questa. Un checkpoint base non ha alcuna capacità di seguire le istruzioni, nessuna formattazione della chat su cui valga la pena contare e nessuna messa a punto per la sicurezza — e questo è un vantaggio se stai costruendo un modello di dominio, perché significa che non stai combattendo contro l'allineamento di qualcun altro quando addestri il tuo. È un difetto se volevi un assistente, perché passerai le prime due settimane a riscoprire che i modelli pre-addestrati completano il testo invece di rispondere alle domande.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

La matematica del deployment, che è dove risiede la vera differenza

Un modello di testo da 2,697 miliardi di parametri e un modello di visione da 9,41 miliardi non sono alternative sullo stesso hardware. La base LFM2.5 è pensata per telefoni, laptop e macchine single-board; l'inquadramento di Liquid AI è l'inferenza on-device, e un checkpoint da 2,7 miliardi quantizzato a quattro bit occupa qualche gigabyte. ZwZ2-9B mantiene una torre di visione a 27 livelli accanto a 32 livelli linguistici e a una matrice di embedding di circa 2 GB in ciascuna direzione — il solo vocabolario è una tabella 248.320×4.096 — quindi appartiene a un server, o quantomeno a un desktop con un vero acceleratore.

Ecco perché l'architettura onesta per la maggior parte dei team non è "sceglierne uno". Sono due livelli. Metti il modello piccolo e documentato dove latenza e privacy contano e il compito è ristretto, e indirizza i casi difficili verso un modello ospitato, dove il costo variabile compare solo quando compare il caso difficile. Fare bene questa suddivisione è più prezioso di qualsiasi scelta di singolo modello in questa pagina, ed è anche la cosa più difficile da cambiare in seguito, perché è quella che tocca il tuo codice.

Farlo dietro a un'unica interfaccia è il punto di un router. OrcaRouter espone oltre 200 modelli da un unico endpoint compatibile con OpenAI e una sola chiave API, con failover automatico, così il tier economico e quello costoso distano una stringa di modello anziché due integrazioni — e i prezzi di listino dei provider passano con markup 0%, quindi usare il tier costoso ha lo stesso costo che avrebbe ovunque altro. Non ospitiamo LFM2.5 2.6B Base e non ospitiamo ZwZ2-9B, quindi nessuno dei due è una chiamata che possiamo fare per te — Liquid AI distribuisce i propri pesi tramite i canali del fornitore stesso, e inclusionAI non ha pubblicato alcun endpoint. Quello che oggi possiamo mettere sul lato ospitato di quella divisione è qwen/qwen3-vl-8b-instruct, un modello visione-linguaggio da 8B con un contesto di 131K token a $0,18 per milione di token di input e $0,70 per milione di token di output, che è il sostituto documentato più vicino per il tier multimodale piccolo.

Il licensing è l'ambito in cui questi due divergono più nettamente.

Nessuna delle due licenze è Apache-2.0, e le ragioni sono diverse in un modo che conta. LFM2.5 2.6B Base viene distribuito con la LFM Open License v1.0, che è una licenza personalizzata — è pubblicata, è leggibile ed è la stessa licenza che usa il resto della famiglia, il che significa che una revisione legale fatta una volta sola copre ogni modello LFM2.5 che tocchi. ZwZ2-9B non dichiara nulla. Una licenza mancante non è una licenza permissiva; in assenza di una concessione esplicita, l'interpretazione conservativa è che nessun diritto sia stato concesso, e questa è una posizione materialmente peggiore rispetto a una licenza personalizzata che puoi leggere e valutare.

Per un checkpoint di base che intendi mettere a punto ed eventualmente ridistribuire, questa non è una nota a piè di pagina. Le condizioni sulle opere derivate costituiscono esattamente la clausola sulla quale le licenze personalizzate tendono ad avere opinioni, e l'assenza di qualsiasi clausola non si risolve a tuo favore.

Come scegliere, detto chiaramente

Scegli LFM2.5 2.6B Base se hai un compito testuale ristretto, un dispositivo di destinazione e la voglia di condurre il tuo addestramento — e accetta di essere tu a fornire la capacità di seguire le istruzioni. Il suo budget di addestramento documentato e la licenza dichiarata significano che sai da cosa stai partendo.

Scegli ZwZ2-9B se hai bisogno di immagini o video in input, disponi delle GPU necessarie per servire un modello da 9,4B e sei disposto a essere la prima organizzazione al mondo a valutarlo. Quest'ultima clausola non è retorica. Prima di impegnarti, le domande a cui rispondere sono se accetta i tuoi formati di immagine, se restituisce la forma di output che ti serve con il thinking disabilitato e sotto quale licenza opereresti effettivamente. Due di queste tre hanno una risposta nel repository. La terza no.

I benchmark invecchiano e i prezzi si muovono; il registro dei fallimenti no: gli incidenti documentati di IA e i fallimenti degli agenti dietro i modelli di questa classe sono raccolti presso l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di controversia.