MiniCPM5-2B vs LFM2.5 2.6B Base：完成済みモデルか、自作のための素材か

この1か月で最も興味深い小型モデルのリリースのうち2つは、同じ重量クラスに属しながら、そのライフサイクルのまったく異なる場面にいる。MiniCPM5-2Bは完成された製品である。ModelBestとOpenBMBが7月19日の世界人工知能会議で発表した2.5Bのデンスモデルであり、そのオープンウェイトは、完全なポストトレーニングパイプラインを伴って9月6日と7日にHugging Face上で静かに公開された。Apache-2.0ライセンスで、すぐに利用可能だ。一方、LFM2.5 2.6B BaseはLiquid AIが事前学習したテキスト専用チェックポイントである。同社が「重い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」と説明する生の素材であり、インストラクションチューニングもチャットテンプレートもなく、公開済みのベンチマークもゼロだ。なぜなら、ベースモデルは評価の対象ではなく、そこからファインチューニングして作られたモデルが評価されるからだ。この2つを比較することは、実のところ、あなたが構築のどの層を求めているのかという問いに尽きる。今夜すぐ動くモデルか、それとも自分で作るための材料か。

2枚のカードはどちらも、それぞれ異なる言い回しで「直接使用向けではない」と記しており、ベンダーはそれを最初の行に置いている。MiniCPM5-2Bのカードは、総パラメータ2,516,756,480（非埋め込み1,981,982,720）、42層、グループ化クエリ注意機構、出荷時設定で131,072トークンのコンテキストウィンドウを備えた高密度なLlamaアーキテクチャのトランスフォーマーであり、さらに、エージェント的行動とツール使用に真っ向から狙いを定めたポストトレーニングの内容——深層思考SFT、特化型RL、オンポリシー蒸留——を説明している。LiquidのLFM2.5 2.6B Baseのカードは、22個のデュアルゲート型ショート畳み込みブロックの上に8層のグループ化クエリ注意機構を積み重ねた26.9億パラメータのハイブリッドであり、約34兆トークン、16言語、コンテキスト長128Kで事前学習されたと説明したところで、そこで止まる。ベースとは、継続学習やファインチューニングによって別の何かへと作り変えられるために存在するのだ。前者は目的地であり、後者はスタートラインである。

Liquidが実際に出荷したもの

LFM2.5 2.6B Baseは、LiquidのLFM2.5-2.6Bファミリー向けの事前学習済み基盤モデルとして、8月上旬にHugging Faceに公開されました。モデルカードにはファミリー構成の表が示されており、ベースモデルと、Liquidがツール呼び出しを伴うエージェント向けワークロード用にチューニングしたポストトレーニング済みのLFM2.5-2.6Bが記載されています。また、ベースモデルはすべての派生モデルを作成するために使用されたテキスト専用チェックポイントであることが明確に説明されています。これがこのモデルの役割のすべてです。2.69Bのハイブリッドアーキテクチャと34兆トークンの多言語基盤をベースに、独自ドメイン向けに継続事前学習またはSFTを行います。その後にリリースするものはすべて、このモデルのライセンス条件を引き継ぎます。カードにベンチマーク結果が記載されていないのは、現時点で評価すべきものが何もないためです。このモデルには命令チューニングが施されていないため、初期状態では質問に答えるのではなく、テキストを継続生成します。重みは約2.5GBで、Transformers、vLLM、SGLang、MLX、llama.cppでサポートされています。そのため、スマートフォンやエッジクラスのファインチューニングプロジェクトの基盤として有力な選択肢となっています。

この対決における実際的な注意点：Liquid から使える小型モデルが欲しいなら、MiniCPM5-2B の妥当な比較相手は Base 版ではなく、ポストトレーニング済みの LFM2.5-2.6B です。Base 版は、自分でポストトレーニングを行う予定があるときに選ぶバージョンです。— これはまさに、MiniCPM5-2B 自身のベンチマーク表が、この未加工のチェックポイントではなく、同ファミリーの指示チューニング済み兄弟モデルと比較している理由でもあります。

OpenBMBがリリースしたもの、そしてなぜそれが異なるのか

MiniCPM5-2Bは、工場の設計図を同梱した完成品として登場する。Liquidがベースモデルとトレーニングの労力を渡すのに対し、OpenBMBはすべてをオープンにしたまま手渡す。すなわち、最終のRL+OPDポストトレーニング済みチェックポイント、GGUF、MLX、GPTQ、ベース、SFT、ドラフトの併設モデル群——そして比較の構図を変えるのがこの部分だ——トレーニングコーパスそのものが、UltraDataファミリーとしてApache-2.0ライセンスで公開されている。モデルカードは、ベンダーが選定した2B〜4Bのオープンモデル比較セットにおける内部平均53.9を報告しており、AIME 2025/2026では86.5、SWE-bench Verifiedではベンダー実行による46.4を記録しているが、これらの数字はまだいずれも独立に再現検証されていない。これはトレーニングされるためのモデルではなく、実行されるためのモデルだ。ローンチ時の売り文句は、9つのチップファミリーとARMへのデイゼロ適応、XMLスタイルの呼び出しによるネイティブなツール呼び出し、そして対話的な利用のための高速/熟考のハイブリッド応答モードだった。

スコアボード、正直に表示された

• 入手できるもの — MiniCPM5-2B: 完成済みでサービス提供可能なチャットモデルとオープンなトレーニングデータ。LFM2.5 2.6B Base: ファインチューニングして完成モデルへと仕上げる事前学習済みベースモデル。

• パラメータ — MiniCPM5-2B: 合計2.52B / 非埋め込み1.98B、DenseのLlamaスタイル。LFM2.5 2.6B Base: 2.69Bのハイブリッド（アテンション8ブロック＋ショート畳み込み22ブロック）。

コンテキスト — MiniCPM5-2B: {{1}}出荷時設定で131,072トークン。{{/1}}LFM2.5 2.6B Base: {{2}}ネイティブ128K。{{/2}}

• 言語 — MiniCPM5-2B: 英語と中国語中心のカードとデータ。LFM2.5 2.6B Base: 16言語で事前学習済み。

• ベンチマーク — MiniCPM5-2B: ベンダーのフルスイート一式（内部平均53.9、再現されず）。LFM2.5 2.6B Base: 設計上、ベース自体について公開されたものはない。

• ライセンス — MiniCPM5-2B: ウェイトおよび公開データはApache-2.0。LFM2.5 2.6B Base: LFM Open License v1.0が適用され、年間収益が1,000万米ドル未満であれば無料。この上限は派生製品にも引き継がれます。

上記のスコアボードは、6行にわたって同じ話を示している。両モデルは小型で128Kクラス、Apache関連だが、一方の列は稼働中のサービスで終わり、もう一方の列は誰がトレーニングを行うかという決定で終わる。

ライセンスこそが特徴です。

ビルダーにとって、ライセンスのギャップは、そのリストの中でも最も地味でありながら最も決定的な項目です。OpenBMBはMiniCPM5-2Bとその公開データをApache-2.0ライセンスで公開しました。つまり、それをサーブし、ファインチューニングし、収益の上限なしに、帰属表示以外の継承義務なしに、その上で商用製品を構築できます。LiquidのLFM Open License v1.0は、確かにオープンウェイトですが、収益に条件が付いています。年商1,000万ドル未満の組織には幅広い商用許諾が与えられますが、その水準以上の組織には与えられません。そして、その上限はファインチューニングしたものにも引き継がれるため、LFM2.5 2.6B Base上に構築した製品も、会社が成長しても同じ上限を背負うことになります。これはLiquidのライセンスを不当にするものではありません。むしろ、上限を超えてスケールしようとするスタートアップが初日から計画に織り込まなければならない条件にするものであり、「完成したモデル」という捉え方が重要になる最大の理由です。成長させたいものを構築しているなら、Apache-2.0とオープンデータは、上限付きライセンスとは異なる種類の原材料なのです。

具体化された「作るか買うか」の分岐

「作るか買うか」という枠組みで捉えれば、この選択はもはや混乱しません。MiniCPM5-2Bは「買う」道です。エージェント型・長文脈の作業向けに小さなモデルをポストトレーニングするという難しい作業はすでに完了しており、ライセンスもクリーンで、残る作業はサービングと評価だけです。その代償は、他人のポストトレーニング上の判断を取り入れることであり、その代表的な数値は1週間前のもので、研究所の外では誰も検証していません。LFM2.5 2.6B Baseは「作る」道です。Liquidのアーキテクチャと事前学習を購入し、ポストトレーニングは自分で行います。これは、Liquidがすでに販売している命令チューニング済みの姉妹モデルLFM2.5-2.6Bではなくベースモデルを選ぶ、唯一の誠実な理由です。その道が意味を持つのは、既製モデルがカバーしないドメイン、言語、行動プロファイルを持っている場合です。それは間違いなく作業が増え、公開済みベンチマークがゼロの状態から始まり、収益上限をそのまま引き継ぎます。その見返りは、他の誰も持っていないモデルです。さらに、OpenBMBがMiniCPM5-2B自身のデータを公開したことで、そこに到達する第二の方法が得られました。裸のベースモデルから始める代わりに、実績のあるApache-2.0レシピを継続トレーニングするという方法です。

両者にとってのルーティングの現実

現在、どちらのチェックポイントもホステッドカタログには掲載されていません。したがって、レイヤーをめぐる論点は、デリバリーというよりは、それらを取り巻く世界についてです。MiniCPM5-2B をセルフホストで運用するか、LFM2.5 2.6B Base をファインチューニングして独自のモデルに仕上げたなら、すでに利用しているホステッドモデルとこれらのいずれかを試すための後戻り可能な方法は、自動フェイルオーバー付きの単一の API を使うことです。新規または派生のスタックが停止しても本番環境を落とすことはなく、プロバイダーのリスト価格は 0% のマークアップでそのまま適用されるため、A/B 比較は安価に行えます。しかし、内製か購入かという判断そのものについては、正直なところ、小型オープンモデルではいつもそうであるのと同じ計画が当てはまります。すなわち、重要になるベンチマークは、どちらかのカードに印刷されたものではなく、自分のハードウェアと自分のデータで実行するものです。

実際にどのレイヤーをお探しですか？

「MiniCPM5-2B」を選ぶのは、今晩にもデプロイでき、オープンデータでファインチューニングもできる、完成済みのApache-2.0オンデバイスモデルが欲しいときだ。ただし、その印象的なモデルカードは未検証であり、本番環境での信頼を得るには、自分自身で再現してみる必要がある点も受け入れることになる。「LFM2.5 2.6B Base」を選ぶのは、自前のモデルをポストトレーニングするつもりがあり、Liquidのハイブリッドアーキテクチャと16言語対応の基盤を初期ウェイトとして使いたいときだ。ただし、ファインチューニングの費用負担、公開済みベンチマークがゼロであること、そして自社が出荷する製品に必ず付随する1,000万ドルの収益上限を受け入れることになる。この2つは同じ仕事を争う競合ではない。同じハードウェアの上で行う異なる2つの仕事であり、唯一の間違った選択は、もう一方を買っているつもりで、その一方を買ってしまうことだ。