Beam 1.0 vs LFM2.5 2.6B Base：未完成の基盤と完成された巨人

質問に答えることを教えられていないモデルが、計画を立てることを教えられたモデルと比較されている。LFM2.5 2.6B Baseは Liquid AI の 26 億 9,800 万パラメータの事前学習済みチェックポイントで、2026 年 8 月 4 日に LFM Open License v1.0 の下で公開され、ファインチューニングのベースとして明示的に説明されている——テキスト専用であり、ハイブリッド畳み込みとグループ化クエリ注意からなる 30 層で構成され、事後学習は行われていない。Reflection Beam 1.0は、総パラメータ 5,013 億、アクティブ 234 億のスパースな Mixture-of-Experts モデルで、教師あり学習と強化学習の段階を経て事後学習され、2026 年 10 月 5 日の発表に続き、2026 年 10 月 16 日に Apache 2.0 の下でダウンロード可能な重みとして公開された。その規模の差は 185 対 1 である。この比較を実際に決定づける差は規模ではない——このうち一方は学習実行の対象となる生の基盤であり、もう一方は提供する製品だという点である。

どちらもHugging Face上にあり、どちらも今日ダウンロードでき、どちらも自分のハードウェアを持ち込むことが前提だ。重なっているのはそれだけであり、両者を読み比べれば、open-weightsエコシステムが同じタグの下に分類している2つのものをいかに異なってラベル付けしているかを知るのに役立つ。

それぞれの発行元が説明するとおりに説明された2つのリリース

LFM2.5 2.6B Baseのより正式な名称はLFM2.5-2.6B-Baseです。そのカードには、総パラメータ数26億9800万、30層のうち22層が二重ゲート付きショート畳み込みブロックで8層がグループ化クエリ・アテンション、学習予算34兆トークン、128,000トークンの語彙、131,072トークンのコンテキスト長と記載されています。16言語に対応しています。これはペアの片方です。Liquid AIはエージェント型ワークロード向けに事後学習されたLFM2.5-2.6Bも公開しており、これはファミリー内のすべてのバリアントがそこから派生する生のチェックポイントです。カードにおけるベースモデルについての説明そのものは、他のすべてのバリアントを作成するために使用された事前学習済みのテキスト専用チェックポイントである、というものです。Hub上では、その下に16のファインチューニング済み派生モデルがすでに存在しています。

Beam 1.0は逆の構成だ。Reflectionは合計501.3Bのパラメータを搭載し、52層にわたりトークンあたり23.4Bがアクティブ——3層がdense、49層がmixture-of-expertsで、この構成では256個のエキスパートのうち8個が一度にルーティングされる。コンテキストウィンドウは1,000,000トークン。モダリティはテキストのみで、カードはそう明言しており、曖昧にしていない。BF16、FP8、NVFP4の3つの精度で提供され、さらに2BのDFlash2投機的デコーディング・ドラフターが付属する。そのチャットテンプレートは、analysisチャネルとfinalチャネルを持つ修正Harmony形式、および6つの名前付きレベルを備えた推論エフォート設定を実行する。その4つのリポジトリは同日、2026年10月16日に公開され、Artificial Analysisはモデルページでリリースを2026年10月16日として記録した。

あの2つの段落をもう一度読むと、物事の輪郭が見えてくる。Liquid AIはコンポーネントを公開した。Reflectionはワイヤフォーマットとエフォートダイヤルを備えた完成済みシステムを公開した。どちらも「オープン」と呼ばれているが、その言葉は2つの異なる役割を果たしている。

ライセンスこそが、その二つが最も似ていない点である

これはパラメータ数からは得られない比較であり、最も実用的な意味を持つ比較です。

Beam 1.0のライセンスはApache 2.0です。これは、ユーザー数の上限も、月間アクティブユーザーのしきい値も、別途の商用プランもない、標準的な寛容型ライセンスです。ダウンロードし、ファインチューニングし、派生版を再配布し、その成果物を販売できます。このカードには「Responsible Use Guide」と、別途の安全性技術レポートも含まれています。これらはライセンス制限ではなくポリシー文書であり、規定するのは許容される利用であって、重みではありません。

LFM2.5 2.6B Base はそうではない。Hub ではこれに license:other というタグが付けられ、ライセンス名は LFM Open License v1.0 とされている。実務上の違いは、一方が寛容で他方がそうではないという点にあるのではない——Liquid AI のライセンスはオープンな利用のために書かれている——そうではなく、この2つのライセンスは異なる読み方をしなければならず、そのうち片方しか一文では要約できないという点にある。派生物を商業的に再配布する予定があるなら、このページの Apache 2.0 の側については何も分析する必要はない。LFM の側についてはライセンスを読む必要がある。カスタムライセンスとは、定義上、誰かが意図をもって書いた文書なのだから。

その非対称性は、もう一方の軸では逆方向に働く。Liquid AIのチェックポイントは26億9800万パラメータの密なテキストモデルであり、つまりライセンスの問題は、単一のコンシューマー向けGPUやエッジデバイスに載せられるものに付随している。ReflectionのApache 2.0許諾は、5010億パラメータのモデルに付随しており、そのbfloat16重みは約1テラバイトに達し、4ビット版でも依然として255Bと記載されている。ホストできないモデルに対する寛容なライセンスは、ホストできるモデルに対するカスタムライセンスとは別種の自由である。

ベースモデルにできることとできないこと

ベースチェックポイントについての記事は、これを率直に書かねばならない。なぜなら、それが人々が午後を無駄にする最も一般的な方法だからだ。LFM2.5 2.6B Base は指示チューニングされていない。あなたのテキストを続けるだけだ。あなたの質問に答えたり、あなたの形式に従ったり、あなたのツールを呼び出したり、あなたが止めてほしいときに止まったりはしない。これは出発点であり、その振る舞いはあなたが訓練で与えたもの次第だ。そして Liquid AI は、それをユーザーが自力で発見することに任せるのではなく、モデル説明でそう述べている。

それは欠陥ではなく、Beam 1.0 の小型版でもない。34兆トークンの事前学習実行と30層のハイブリッドアーキテクチャこそが製品であり、アラインメントが欠けていることが要点だ。なぜならアラインメントはタスク固有であり、ベースモデルを出荷するラボは、その判断をタスクを所有する者に意図的に委ねているからだ。Hub 上の16の派生モデルが、この取り決めが実際にどう見えるかを示している。

評価にとっての帰結は、比較すべきベンチマーク表が存在しないことだ。Beam 1.0 のカードには完全なベンチマーク表が載っている — SWE-bench Verified 81.6%（BF16）、Terminal Bench v2.1 80.1、GPQA Diamond 90.6、AIME 2026 97.7、LiveCodeBench 88.3、MCP Atlas 80.8、IFBench 79.6。すべてベンダー報告であり、第三者によって再現されたものは一つもない — なぜなら、それは名前付きワークロード向けに構築されたポストトレーニング済みモデルであり、それが購入者の求める証拠だからである。LFM2.5 2.6B Base には、設計上、それが一切ない。採点すべきものは何もない。チェックポイントの品質は、あなたのファインチューンがそこから何を引き出すかで決まり、正直な比較基準は、リーダーボードの1行ではなく、トレーニング実行にある。

お金の使い道

これらはいずれもOrcaRouterのカタログにはありません。当社がルーティングするのは、その周辺にある提供世界です：1つのOpenAI互換キーの背後にある200以上のモデル、プロバイダー定価を0%のマークアップでそのまま適用、プロバイダー間の自動フェイルオーバーを備え、劣化したルートは失敗するのではなく再ルーティングされます。これは、ここで名指しする価値があります。というのも、このページの2つのモデルは、同じ調達上の問いの両極に位置しているからです。

LFM2.5 2.6B Baseは、ダウンロードは無料だが、運用にはすべてを要する。つまり、コストはトレーニングの実行とデバイスだ。Beam 1.0も、ダウンロードは無料だが、運用にはすべてを要する。つまり、コストは501B MoEの提供であり、執筆時点でReflectionはAPI料金を公表していない。Artificial Analysisは、Beamのページの価格フィールドを利用不可として記録し、一般に公開されているAPIは存在しないと注記している。発表から12日後、5010億パラメータのベンチマーク表を伴うモデルには、財務チームが使える数字が依然として一つも載っていない。

実際の要件が今週、どちらのモデルも想定して作られていないワークロード——要約ツール、分類器、チャットUI——で推論を行うことにある読者にとって、判断はこの2つの間ではない。自分で26億9800万パラメータをファインチューニングすることと、すでにアラインメント済みで価格設定も済んだものを借りることの間であり、後者の選択肢こそ、契約する前に測定できるものである。

どれを実際に探しているのですか

選ぼうLFM2.5 2.6B Base——あなたの問題が汎用アシスタントより狭いものであるなら。小規模なベースチェックポイントを選ぶ理由は、課題があり、データがあり、呼び出しを借りるよりも成果物を自分で所有したいからだ。131,072トークンのコンテキストはこのサイズにしては十分に広く、16言語のカバレッジは本物で、ハイブリッド畳み込みスタックはオンデバイスのスループットのために選ばれており、ライセンスはあなたが作ったものを配布することを認めている。その代わりにあなたが引き受けることになるのは、ファインチューニングのパイプライン、評価ハーネス、そしてアラインメントの判断だ——チェックポイントが提供してくれないものすべてを。

を選ぼうBeam 1.0。あなたのタスクが、そのカードが挙げているものの一つ、つまりコーディング、ツール使用、リポジトリ規模の推論、長期的なエージェント実行に当てはまるなら。評価表はまさにその作業を一直線に狙っており、100万トークンのコンテキストはそれに合致し、FP8およびNVFP4ビルドのおかげでハードウェアの話は501Bが示唆するよりも扱いやすくなり、Apache 2.0ライセンスは商用派生を可能にする。あなたが引き受けることになるのは、サービング基盤、テンプレートではオフにできない常時オンの推論予算、そしてベンダーが公表していないため自分で作らなければならないコスト見積もりだ。

その2つのモデルは競合しているわけではなく、この比較はまさに、『オープンウェイト』という言葉だけではほとんど何もわからないということを示してくれるからこそ、行う価値がある。一方の公開元はコンポーネントと学習予算を手渡した。もう一方は、ワイヤプロトコルと、法務レビューにそのまま貼り付けられるライセンスを備えたシステムを手渡した。ダウンロードする前に、自分がどちらを提示されているのかを読み解くことこそが、作業の大半だ。

何が状況を変えるでしょうか

Beam 1.0 APIの公開価格、あるいはレートカード付きのホスト型FP8デプロイがあれば、そのモデルは「見積もりを作る」列から「数字を比較する」列へと移り、それはそのドキュメント上で唯一欠けている行だ。Beamの重みに関する独立したベンチマーク——今や公開されているので可能だ——は、ベンダー表に審判を与えることになる。それはLFM2.5 2.6B Baseが決して持ち得ないものだ。なぜなら、まだ評価すべき対象がないからだ。それらのどちらかが実現するまでは、正確な要約はこうなる。27億パラメータのベースチェックポイントと、5010億パラメータの事後学習済みMoEは、どちらも無料でダウンロードでき、どちらもまったく異なる通貨で運用するには高コストであり、どちらも他方の代替にはならない。

このような比較は、失敗モードが表面化する場でもあります。このクラスのモデルの背後にある、記録されたAIインシデントやエージェントの障害は、OrcaRouter AI Incident Archiveにまとめられており、各エントリには独自の情報源、重大度、信頼度グレード、異議フラグが付いています。