「Clef-Flash vs LFM2.5 2.6B Base」という記事のヒーロータイトルカード。サブタイトルは「どちらも『小さい』と呼ばれる2つのモデル、機械としては別物」。OrcaRouterのロゴが右下隅に合成されている。
Guides & Insights

Clef-Flash 対 LFM2.5 2.6B Base:「小さい」と呼ばれる2つのモデル、3桁の隔たり

著者

Elias Hawthorne

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

ほとんどの人が実際にダウンロードするclef-flashのビルドは11 GBです。LiquidAI/LFM2.5-2.6B-Baseは2.5 GB未満のメモリで動作します。どちらのモデルも、作ったラボによって小型・高速・効率的と説明されており、そのどちらの説明も正確です。そしてまさにそれこそが、この比較が有用である理由です。なぜなら、その2つの言葉はまったく異なる役割を担っているからです。Cloudflare/clef-flashは、入力された質問に較正された確率で答える9Bのマルチモーダル意思決定モデルであり、トークンを一切書き出しません。専用カード上で中央値38.8 msのレイテンシを達成するにはH200クラスのGPUが必要で、Cloudflareがこれを売り込む際の狙いは自社ネットワーク内でのエッジ推論です。LFM2.5 2.6B Baseは、誰かがファインチューニングできるようにLiquid AIが2026年8月1日に公開した事前学習済みテキストチェックポイントで、想定される配備先はラップトップです。

どちらも、チャットウィンドウに入れるような言語モデルではない。どちらも安価だ。両者から選ぶことは、実質的には品質についての選択ではない——それは、ハードウェアの予算をどうするか、そしてあなたが作っているものが、自分の答えがどんな形になるかをすでに知っているかどうかについての選択なのだ。

数字で見るフットプリントの議論

まず、機械が実際に必要としているものから始めよう。なぜなら、これは両者が最も隔たっている軸だからだ。

• パラメータ — Clef-Flash は、視覚エンコーダーと 243.5 MB の統合スキーマヘッドを備えた、凍結された Qwen3.5-9B バックボーンです。LFM2.5 2.6B Base は 26.9 億パラメータで、テキストのみです。

• ディスクとメモリ — コミュニティのclef-flashビルドは11 GB、Hugging Faceのリポジトリ全体は4つのバックボーンシャードとヘッドを合わせて約18.8 GBです。LFM2.5 2.6B Baseは推論時のメモリ使用量が2.5 GB未満と公表されており、量子化されたGGUF、ONNX、MLXビルドも併せて公開されています。

• レイテンシ — Clef-Flash: 中央値 38.8 ms、p95 122.4 ms(Cloudflare が単一の H200 上で測定)。LFM2.5 2.6B は、このベースチェックポイントをポストトレーニングした兄弟モデルで、Apple M5 Max 上では毎秒 220 トークン、AMD Ryzen CPU 上では 113 トークン/秒で動作します。

• コンテキスト — CloudflareのWorkers AIドキュメントによると、Clef-Flashは65,536トークン、LFM2.5 2.6B Baseは131,072トークンです。

• ライセンス — clef-flash は Apache-2.0、LFM2.5 は LFM 1.0 ライセンス。これはオープンウェイトだが OSI 承認のオープンソースライセンスではなく、実験するのではなく製品を出荷するのであれば、この違いは重要になる。

それら2つのレイテンシの行は同じ単位を測っているわけではなく、差し引くべきではない。しかし、一緒に読めば明白なことを率直に述べている。Clef-Flash は、ベンダリングされたランタイムがたまたまエッジネットワーク上にも載っているデータセンター向けコンポーネントであり、LFM2.5 2.6B はあなたのデスク上のマシン向けのコンポーネントだ。

なぜベースチェックポイントは異なる種類のオブジェクトなのか

名前の中の「Base」という言葉は重要で、Liquid AI自身のモデルカードはそれについて異例なほど率直だ。LFM2.5-2.6B-Baseは事前学習済みのテキスト専用チェックポイントであり、22の二重ゲート付き短畳み込みブロックと8のグループ化クエリ注意ブロックとして配置された30層を持ち、16言語で128,000トークンの語彙にわたり、34兆トークンで訓練されている。それは「大規模なファインチューニングを必要とするタスクにのみ推奨される」——言語固有の作業、ドメイン固有のアシスタント、独自データでの訓練。そのモデルカードにはそう明記されている。

Clef-Flashはその反対だ。それは完成している。トレーニングは終わり、スキーマヘッドはボルトで固定され、APIコントラクトは公開され、モデルはベンダー自身のエッジネットワーク上で表示価格でホストされている。あなたはそれをチューニングしない。呼び出すか、ダウンロードしてローカルで呼び出すのだ。このファミリーにはファインチューニング製品が付属している——Cloudflareはモデルとともにそれを打ち出した——が、clef-flashを使うのにそれは必要なく、そしてそこが要点なのだ。

正直に言えば、これは2つの異なるパイプラインの2つの段階です。一方は素材であり、もう一方は部品です。あなたのタスクが「40,000件のラベル付きサポートチケットがあり、自社のマシン上で動作する高速なドメイン特化型分類器が欲しい」というものであるなら、LFM2.5 2.6B Base は妥当な出発点であり、clef-flash はそうではありません。なぜなら、clef-flash の決定ヘッドを、それが持たない言語能力へとファインチューニングすることはできないからです — そもそも言語出力パスをまったく持っていません。あなたのタスクが「リクエストを50ミリ秒未満で6つのバケットのいずれかに振り分け、しきい値を設定できる確率を付けたい」というものであるなら、clef-flash はその問いにそのまま答えますが、LFM2.5 2.6B Base はどのような形でもそれに答えません。

A two-column comparison scoreboard titled 'Clef-Flash vs LFM2.5 2.6B Base — the scoreboard'. The left column, 'Clef-Flash', has rows reading 'Parameters: 9B with vision encoder', 'Context: 65,536 tokens', 'Output: calibrated probabilities', 'Footprint: 18.8 GB, H200-class', 'Latency: 38.8 ms median' and 'Licence: Apache 2.0'. The right column, 'LFM2.5 2.6B Base', has rows reading 'Parameters: 2.69B text only', 'Context: 131,072 tokens', 'Output: generated text', 'Footprint: under 2.5 GB, laptop', 'Latency: 220 tok/s on M5 Max' and 'Licence: LFM 1.0'. The footer reads 'Clef-Flash figures vendor-reported; LFM2.5-2.6B-Base figures per Liquid AI.' The OrcaRouter logo is composited in the bottom-right corner.

真に共有されている部分

実質的な重なりが1つあり、そこがまさに比較が自明でなくなる地点なので、それについては正確に述べておく価値がある。

ポストトレーニング済みの汎用モデル——LFM2.5 2.6B や任意の小型 instruct モデル——は、構造化された分類を返すようにプロンプトできる。JSON スキーマを与え、ラベルと信頼度を求め、出力を解析する。人々はこれを絶えず行っている。問題は、そうしたときに何が得られるかだ。

得られるのは、抽出できるラベルをたまたま含むトークン列と、モデルが自分自身について書いた数値だ。その信頼度はサンプリングされたトークンであって、候補回答に対するソフトマックスではなく、較正された確率が意味するものを意味しない。Clef-Flashのカードは、自身のAPIにおける類似の数値について明示的に慎重だ——信頼度は「確率がどれだけ集中しているかを示す。答えが正しい確率ではない」——そしてそうできるのは、根底にある量が、あなたが提供した選択肢上の実際の分布だからだ。プロンプトされた汎用モデルには、そうした分布を露出するものがない。あるのは0.85と書かれた文だけだ。

その区別が11 GBとH200に見合うかどうかは、その数値を何に使うか次第だ。ラベルがダッシュボードに表示されるだけなら、プロンプトで動かす2.6Bモデルで十分であり、あらゆる面で安上がりだ。ラベルが不可逆的なアクション——返金の実行、アカウントの凍結、セキュリティインシデントのエスカレーション——の可否を決めるのであれば、較正されたスコアと、もっともらしく見える文字列の違いは、監査人に説明できる閾値と、そうできない閾値の違いになる。

A screenshot of the Hugging Face model card for LiquidAI/LFM2.5-2.6B-Base, a text-generation checkpoint of 3B parameters under the LFM 1.0 licence, tagged lfm2, liquid, fm2.5, edge and conversational, described as a hybrid model family designed for on-device deployment with quantizations derived from it and a note that no inference provider is deployed for it. A downloads-last-month figure reads 16,541.

それぞれをどこで入手できるか

どちらのモデルも OrcaRouter 上にはありません。当社のカタログでは clef-flash を取り扱っておらず、LFM2.5 2.6B Base やその他の Liquid AI チェックポイントも取り扱っていません。どちらも、当社のモデル API にアクセスして 404 を得ることで確認できます。この記事には、当社による可用性の主張は一切含まれていません。

Clef-FlashはCloudflareのWorkers AIで入力トークン100万個あたり0.09ドルで利用できるほか、自分で実行するApache-2.0の重みとしても利用できます。LFM2.5 2.6B BaseはHugging Faceにあり、llama.cpp、ONNX Runtime、MLX向けの量子化ビルド、およびこのファミリーに関するLiquid AI自身のプレイグラウンドとドキュメントが用意されています。今日時点で当社のカタログに掲載されている判断モデルを求めるなら、そこにあるのはTypeSafeのJev 1.13です — 同じリクエスト形式、65,536トークンのコンテキスト、入力トークン100万個あたり0.042ドル — そしてclef-flashはそのドロップインとして作られたため、どちらを試すのも書き換えではなく設定変更になります。どちらも同じエンドポイントクラスを呼び出すので、すでにプロバイダーの定価をマークアップなしでそのまま渡し、1つのキー経由でルーティングしているなら、比較は計画しなければならない移行ではなく、今日の午後にも実行できる実験です。

A screenshot of the OrcaRouter model page for TypeSafe's Jev 1.13 (typesafe/jev-1.13), showing a 65K token context, text input, structured JSON output, a p50 TTFT of 148 ms, a $0.04 per million input token price, 174.0M tokens of throughput, and the POST /v1/systemone request shape.

あなたのスタックに属するのはどれですか

判断ツリーは短い。答えが事前に書き出せる有限のリストで、意味のある確率が必要で、ハードウェアがあるか、呼び出しごとに支払う意欲があるなら——clef-flash が完成されたコンポーネントであり、LFM2.5 2.6B Base は候補ではない。答えがオープンエンドであるか、本当に必要なものが、自分のデータで形を整えられ、ラップトップで実行できる小規模言語モデルであるなら、LFM2.5 2.6B Base が出発点であり、clef-flash はまったく役に立たない。

人がこれを間違えるのは、中間のケースだ。小さな汎用モデルにプロンプトを与えて、境界付き分類器を作るという手だ。それが最も楽な道であり、デモでは機能するからだ。デモでは機能する。しかし、数値を数値として扱う必要が出た瞬間に機能しなくなる。そしてその頃には、スキーマもプロンプトもパースコードも、すべてが構造を支える要素になっている。

clef-flash 側の注意点を一つ、率直に述べておきます。これはベンダー自身の最も弱い数値だからです。スコープ外処理を伴う CLINC150 では、正解が時に「これはあなたのどのカテゴリにも当てはまらない」となることがありますが、clef-flash は macro-F1 で 66.8 を記録し、より大きな 27B の兄弟モデルでは 97.4 です。有界なスキーマは、入力がそれに収まらないまでは強みですが、モデルはそれでも分類してしまいます。どちらのルートを取るにせよ、残余クラスを意図的に設計し、そこに何が入るかを監査してください。