Nemotron 3.5 Bolt E4B 4GB 対 LFM2.5 2.6B Base：完成したキャラクターと白紙の状態

これらのモデルのうち、一方はダウンロードしたその瞬間から会話ができます。もう一方は、トレーニングするまで会話ができません。これがNVIDIA-Nemotron-3.5-Bolt-E4B-4GBとLiquid AI LFM2.5-2.6B-Baseの比較のすべてであり、そこから派生するスペックシート上のあらゆる違いは二次的なものです。

NVIDIAのモデルは事後学習済みの会話型小規模言語モデルであり、チャットテンプレート、推論の切り替え、ツール呼び出しの挙動、ペルソナ調整、そして21行のベンチマーク表を備えています。一方、Liquidのモデルは事前学習済みのベースチェックポイントで、大規模なファインチューニング向けに明示的に公開されており、チャット挙動もモデルカード上のベンチマークスコアもありません。両者を同じ「小規模オープンモデル」という枠に入れるのはカテゴリー錯誤であり、人々が誤ったアーティファクトをダウンロードして、そのモデルは良くないと結論づける原因になります。

詳細の前に、まず短い答えを。

• 今月、実用的な音声、ペルソナ、デバイスアシスタントが必要なら、次を採用してください：NVIDIA-Nemotron-3.5-Bolt-E4B-4GB。これは完成された振る舞いであり、原材料ではありません。

• ドメインデータとトレーニング予算があり、モデルを自社所有にする必要があるなら、LFM2.5-2.6B-Baseがおすすめです。ファインチューニングにかかるコストが抑えられ、128Kのコンテキストウィンドウを備えています。

• Liquid が作る最高の小型会話モデルを求めるなら、どちらか一方だけでは不十分です。ポストトレーニング済みの LFM2.5-2.6B を選び、そのうえで Base とエージェントチェックポイントのどちらを出発点にするかを決めてください。

• 直接対決のベンチマークを望んでも、それは存在しません。Baseカードはスコアを一切公開しておらず、第三者が両者を直接比較するベンチマークを実施したこともありません。共通のベンチマークから勝者を掲載する記事は、そのベンチマーク自体をでっち上げています。

なぜ不一致こそが物語なのか

Liquid AIはLFM2.5-2.6Bファミリーを3つの要素としてリリースした。事前学習済みのBase、事後学習済みのエージェントチェックポイント、そして投機的デコーディング用のドラフターだ。Baseはこのパイプラインの最初の段階であり、製品ではない。そのカードには「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」と記されており、言語やドメインに特化したアシスタント、自社データによる学習、その類の作業が想定されている。ベースチェックポイントは次のトークンを非常によく予測するが、質問に答えたり、指示に従ったり、スキーマに沿ってツール呼び出しを出力したりするよう教えられたことは一度もない。

NVIDIAのE4Bは、そのパイプラインの反対端に位置する。出発点はすでに指示調整済みのGemma-4-E4B-itで、NVIDIAは検証可能な報酬と人間のフィードバックからの強化学習を用いてもう一度ポストトレーニングした。カードには報酬領域、推論/非推論バッチ比、冗長さを制御するために適用された長さペナルティが記載されている。他に何が事実であっても、このモデルはある職務に向けて形作られている。

つまり、公平な問いは「どちらがより賢いか」ではなく、「パイプラインのどの段階を買う必要があるのか」です。

仕様、次元ごとに

• パラメータ — {{1}}NVIDIA-Nemotron-3.5-Bolt-E4B-4GB{{/1}}は、Gemma-4-E4Bアーキテクチャにおいて総パラメータ数8B、実効パラメータ数4Bです。{{2}}LFM2.5-2.6B-Base{{/2}}は、22個の二重ゲート付き短畳み込みブロックと8個のグループ化クエリ注意ブロックからなる30層のハイブリッドスタックで、2.69Bの密パラメータを持ちます。

• コンテキストウィンドウ — Boltは入力64Kトークン、出力64Kトークン、LFMベースは131,072トークン。

• モダリティ — どちらもテキスト入力・テキスト出力です。どちらも画像や音声は受け付けません。

• 語彙 — LFM2.5-2.6B-Base は 128,000 トークン、NVIDIA は Gemma のトークナイザーを継承する E4B の語彙サイズを公開していない。

• 事前学習 — LFMベースは34兆トークンで、コンテキストを128Kに拡張する中間学習フェーズを含む。NVIDIAはE4Bの事前学習トークン数を公表していない。同社はこのモデルを事前学習しておらず、Gemmaを事後学習したためである。

• ポストトレーニング — Bolt向けに、明示的な推論モードと会話モードを備えた、RLVRおよび人間のフィードバックに関する広範な取り組み。LFMベースには、設計上、一切実施していない。

• 公開されている精度 — Bolt 向けは 6.18GB の Q4_K_M GGUF と 15.88GB の BF16 safetensors。LFM ベース向けは単一の 5.39GB BF16 safetensors ファイルで、ファミリー内の他のモデルでは個別に GGUF、ONNX、MLX 変換も提供されています。

・ライセンス — NVIDIAの貢献分はOpenMDW-1.1、Gemma 4コンポーネントはApache 2.0。LiquidのモデルはLFM Open License 1.0（商業条件を含むカスタムライセンス）。

• 言語 — E4Bメタデータでは34言語で、うち7言語がポストトレーニングの主要言語として挙げられています。LFMベースでは16言語です。

• リリース — E4B は 2026年10月23日、LFM2.5-2.6B ファミリーは 2026年8月4日に公開されました。

パラメータ数の差は確かに存在するが、人々が期待するようなダウンロードサイズの差にはつながらない。2.69BのBaseは5.39GBのBF16ダウンロードで、「4GB」のE4Bは6.18GBの4ビットダウンロードだ。密なハイブリッドと疎な実効パラメータアーキテクチャをまたいでパラメータ数を比べても、ディスク上のバイト数を比べるほどには多くを語らない。

各カードが実際に公開している内容

ここが、非対称性が測定可能になる地点です。

NVIDIAは、21行のベンチマーク、4つの比較モデル、および別個のQ4_K_M列を提供している。スコアはNeMo-Gymの下でベンダーが実行したものであり、他のベンダーが自己申告する数値とは異なる可能性があると明示的に注記されている。これらは、ペルソナ維持、指示階層、ツールのタイミング、グラウンディング、長文脈検索、エージェント的タスク完了をカバーしている。

LiquidのBaseカードには、ベンチマーク表が一切掲載されていません。これは省略ではなく、ベースチェックポイントとはそういうものです。LFM2.5-2.6Bについて流布している数値——IFBench 59.17、ToolSandbox 77.83、BFCLv4 56.88、LiveCodeBench v6 59.41、AIME25 51.87——は、Baseではなく事後学習済みのエージェントチェックポイントに属するもので、ベンダー報告値です。Artificial AnalysisはLFM2.5-2.6BをIntelligence Index 8として掲載し、独立評価が今後行われる見込みの推定値としてフラグを付けています。Bolt E4Bについてはページ自体がありません。

正直なスコアカードで言えば、一方のモデルには大規模で未監査のベンダー表があり、もう一方には表がなく、そのファミリー内の別のチェックポイントに紐づく独立した推定値がある。どちらの列も直接比較を支えるものではない。

メモリと速度は別々の惑星で測られている。

両ベンダーはレイテンシの数値を公開していますが、それらは比較できません。それぞれ別の構成に関する別個の主張として読んでください。

• RTX 5070 12GBを増設 — VRAM 3.5～4.3GB、最初のトークンまで548～1,238ms、毎秒106.2～133.4トークン（NVIDIAがllama.cppとCUDAを使い、バッチ1で測定）。

• Jetson Orin Nano 8GBを搭載すると — VRAM 4.2～4.9GB、最初のトークンまで5.8～6.3秒、毎秒13.0～15.5トークン。組み込み向けだが、会話に使えるほどの速さではない。

• M5 Max上でLFM2.5-2.6B — ベンダー報告によるCPUデコードで毎秒約220トークン。

• スマートフォンクラスのチップ上で動作するLFM2.5-2.6B — ベンダー報告によれば毎秒約30トークン。

M5 Maxの数値はGPU比較ではなく、Orin Nanoの数値はラップトップ比較でもなく、どちらのベンダーも、プロンプト長、バッチサイズ、量子化設定を、それらを並べて比較できる形では公開していません。直接確認できる唯一の数値はディスク上にあります。BoltのQ4_K_Mが6.18GB、BF16のLFMベースが5.39GBです。

ライセンス：両方ともオープンで、どちらもApacheではありません

NVIDIAのモデルは、OpenMDW-1.1に加えてGemma 4向けのApache 2.0コンポーネントで構成されています。OpenMDWは寛容型で商用利用を認めていますが、OSI承認ではありません。また、Gemmaからの継承により、Apacheの条件はスタックの一部に付随します。NVIDIAのモデルカードには、このモデルが商用利用にも非商用利用にも対応していると記載されています。

LiquidのLFM Open License 1.0は、商用利用に年間売上1,000万米ドルのしきい値を設けた独自ライセンスです。ApacheやMITではなく、Baseカードは条件を要約せずLICENSEファイルを指し示しています。研究プロジェクトではほとんど問題になりませんが、法務レビューを伴う製品では最初に読むべきものです。

実務上の違いは「オープンかクローズドか」ではない。どちらもダウンロード可能で、どちらもその利用条件の範囲内で商用利用を認めている。違いは、法務部門がどの条件をクリアしなければならないか、そして出荷するモデルの中に別のベンダーのライセンスが含まれているかどうかだ。

ファインチューニング法案、それこそが本当の決断だ

LFMベースを選ぶ場合、ダウンロードは安く済む部分にすぎません。あなたは2.69Bパラメータの生の事前学習済み能力を購入し、その後、それに仕事を教えるために費用を払うことになります。データ収集、クレンジング、教師ありファインチューニング、評価、そしてそれに続く反復ループです。Liquidの売り込みは、34兆トークンと128Kコンテキストによって、その出発点が作業に値するほど強くなるところにあります。

{{1}}Bolt E4Bを選ぶということは、NVIDIAのポストトレーニングを出発点として購入するということです。{{/1}}{{2}}BF16ビルドは15.88GBで、NVIDIAはそれを変更するための2つのレシピを公開しています。8×H100 80GBでのFSDP2を用いた全パラメータ学習（学習率1e-5）か、2×H100 80GBでのLoRA（次元16、アルファ32、学習率2e-4）です。{{/2}}{{3}}どちらのレシピもビジョンタワーとオーディオタワーを凍結しており、これはBoltリリースがテキスト専用であっても、Gemma 4 E4Bベースがマルチモーダルであることを思い出させてくれます。{{/3}}

それは2.69B LFMベースよりも重いファインチューニングの下限であり、振る舞い構築の作業ははるかに軽い。E4Bはすでにペルソナ、指示階層、ツールのタイミングをこなしている。あなたは動作するモデルを適応させているのであって、一から作っているのではない。

モデルではなく製品を作っているなら

デフォルトは完成済みのチェックポイントであるべきだ。音声アシスタント、NPC、キオスクインターフェース、デバイスエージェントには初日から振る舞いが必要であり、この2つのうち何らかの振る舞いを備えているのはE4Bだけだ。その弱点は文書化されており、具体的だ。Tau2-Benchは55.10でQwen3.5 4Bの75.06に対して、RULERは86.99で95.15に対して、LongBench v2は50.50で59.93に対してである。それはツールを呼び出せる会話モデルであり、計画を立てられるエージェントではない。

LFMベースは、モデル自体が製品である場合にのみ適切な購入対象です。つまり、汎用モデルがうまく扱えない言語や語彙に対応するドメイン特化型アシスタント、独自データに対するファインチューニング、または自分で所有する予定の研究用ベースラインです。その場合、チャットの振る舞いがないことは利点です。なぜなら、上書きすることになる振る舞いに対して料金を払っていないからです。

どちらのカードも扱っていない第三のケースがあります。それは、自分のタスクで両者を比較したい場合です。ベンダーの表ではなく、ホールドアウト評価セットと同じデコーディング設定で行ってください。E4Bのカードは、両方のthinkingモードでtemperature 1.0とtop_p 0.95を推奨しています。Liquidはpost-trainedチェックポイント用の独自設定を公開しています。それらを一致させることが公平なテストの最低条件ですが、それでもpost-trainedモデルとbaseモデルを比較しているため、まったく公平なテストではありません。

ローカルモデルの終点と、スタックの残りが始まる地点

どのチェックポイントを選んでも、それは実行できないモデルも必要とするアプリケーションの中に組み込まれます。2.6B のベースモデルや 4B の対話モデルはローカルの反射レイヤーを担いますが、20万トークンの文書、難しいコーディング作業、フロンティアモデルの判断を要するリクエストは扱えません。そうしたリクエストを単一の API 経由でルーティングすること — 200 以上のモデル、プロバイダー定価に対する 0% のマークアップ、自動フェイルオーバーをプロバイダー間で — により、遅い方のために別契約を強いられることなく、ローカルモデルを高速パスとして保てます。

どのダウンロードがあなたのものですか？

会話ができ、指示に従い、今日すぐにツールを呼び出せる小型モデルが必要で、6.18GBのダウンロードと、文書化されている長文脈およびエージェント機能の弱点を受け入れられるなら、E4Bを選んでください。ファインチューニングプロジェクトを始める予定があり、128Kウィンドウと16言語トークナイザーを求め、モデルにその役割を教え込むためのデータと計算資源があるなら、LFM2.5-2.6B-Baseを選んでください。

避けるべき間違いは、Baseをダウンロードし、チャットボットのようにプロンプトして、Liquidの2.6BはNVIDIAの4Bより劣ると結論づけることだ。それは劣っているのではない。パイプライン上でより早い段階にあるのだ。ファミリーに関する問いを実際に決着させられる比較は、Bolt E4B対ポストトレーニング済みのLFM2.5-2.6Bであり、その比較はまだ誰も公開していない。