NVIDIA Nemotron Labs Dory 1.0 4B vs LFM2.5 2.6B Base：一方は完成しており、もう一方は意図的にそうではない

NVIDIA Nemotron Labs Dory 1.0 4B と LFM2.5-2.6B-Base は、どちらも小規模で、どちらもテキスト専用で、どちらも GGUF としてダウンロードでき、どちらも自分で実行するものであり、ポストトレーニングパイプラインの両端に位置しています。Dory は完全に仕上げられた状態で登場します。NVIDIA がキュレーションしたセットでの教師ありファインチューニング、続いて GRPO によるマルチ環境強化学習で、推論はサービングパスで恒久的に有効になっています。LFM2.5-2.6B-Base は意図的に未完成の状態で登場し、自身のカードでは、事前学習済みチェックポイントとして「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」と説明されています。Liquid AI はそのモデルの完成版を LFM2.5-2.6B として別途提供しており、エージェント型ワークロード向けにポストトレーニングされています。したがって、正直なところ「どの 4B クラスのモデルが優れているか」という枠組みではありません。というのも、ベースチェックポイントと完成済みの推論モデルは、あなたのスタック内で同じ枠を争っているわけではないからです。有益な問いは、パイプラインのどちらの半分のために購入しているのか、です。

各成果物が実際には何なのか

NVIDIA Nemotron Labs Dory 1.0 4Bは、NVIDIAがHugging Faceに公開した4Bのdenseモデルで、BF16、MXFP8、NVFP4、そしてQ5_K_M GGUFエクスポートという4つの量子化で提供され、ライセンスはOpenMDW 1.1です。モデルカードにはビルドが「GA (10/16/2026)」と記され、ループ型の潜在再帰アーキテクチャ──8層の入力ブロック、可変回数だけ適用される20層の再帰ブロック、8層の出力ブロックを持ち、スライディングウィンドウとフルアテンションを交互に組み合わせたハイブリッド構成──だと説明されています。コンテキストは256Kトークンまで伸び、言語は英語のみ、そしてリリース全体はNVIDIAからの告知が一切ないまま公開されました。カードは、vLLMのサービング経路では推論が常にオンだと記しており、これは仕組みについての記述であると同時に意図についての表明でもあります。つまりこれは、あなたの文書を補完してくれる素のテキスト予測器ではなく、答える前に考えるよう設定されたモデルなのです。

LFM2.5-2.6B-BaseLiquid AIの2.69Bパラメータの事前学習済みチェックポイントで、同社独自のLFMライセンス（lfm1.0と表記）の下で公開され、2026年8月中旬に更新された。2.6Bシリーズの他のモデルはすべてこれから派生した、生のチェックポイントである。アーキテクチャは22個のダブルゲート付きショートコンボリューションブロックと8層のグループ化クエリアテンション層のハイブリッドで、約34兆トークンで学習され、中間学習時にコンテキストを128Kまで拡張。語彙数は128,000トークン、16言語に対応する。モデルカードは想定利用者を明示している。ドメイン特化型アシスタント、特定言語向けの作業、独自データでの学習などだ。インストラクションチューニングが含まれていないため、チャットテンプレートの挙動はそもそも存在しない。

どちらもテキスト入力・テキスト出力だ。両者の共通点は、おおよそそこまでである。

仕様の対比を並べて表示

• パラメータ — Dory 1.0 4B は 4B のデンススタックです。LFM2.5-2.6B-Base は 2.69B です。その差は名前から想像されるほど大きくなく、どちらも適切な量子化であれば単一のコンシューマー向けアクセラレータに余裕をもって収まります。

• ポストトレーニング — Dory には SFT に加え、数学、コード、科学、指示追従、ツール使用、構造化出力にわたるマルチ環境 RL がある。LFM2.5-2.6B-Base には設計上、それが一切ない。すぐに指示に従うモデルが必要なら、このうち一方は誤った選択であり、それはパラメータが少ない方ではない。

• コンテキスト — Dory は 256K トークンに達し、N​VIDIA の出荷済み起動コマンドの下で vLLM において 262,144 ポジションが検証されています。LFM2.5-2.6B-Base は 131,072 トークンをサポートし、ミッドトレーニング拡張によって到達しました。Dory のウィンドウはおよそ 2 倍です。それを埋める余裕があるかどうかは、以下で述べる KV キャッシュの挙動に依存します。

• 言語 — Doryは英語のみに対応しており、事前学習データは43のプログラミング言語をカバーしています。LFM2.5-2.6B-Baseは、英語、アラビア語、中国語、フランス語、ドイツ語、イタリア語、日本語、韓国語、ポルトガル語、スペイン語、ベトナム語、タイ語、インドネシア語、ヒンディー語、ロシア語、ポーランド語を含む16の自然言語をカバーしています。英語以外については、この次元が独自に判断します。

• アーキテクチャ — Liquid側は短畳み込み＋アテンションのハイブリッド。N​VIDIA側は、インターリーブされたスライディングウィンドウアテンションを伴う、ループ型の潜在リカレント正規化G​PT。どちらも素のトランスフォーマースタックからの逸脱であり、しかも逸脱する方向が異なる。

• 計算動作 — Dory の深さは実行時パラメータです。ループ回数 1、2、または 4 は、2 回目のチェックポイントなしで、精度と引き換えに計算量を調整します。NVIDIA はデフォルトとして 2 を推奨しています。LFM2.5-2.6B-Base は固定深度です。そのコスト調整手段は量子化であり、より広いファミリーでは投機的ドラフターです。

• ライセンス — Dory には OpenMDW 1.1、Liquid チェックポイントには LFM ライセンス。どちらも商用利用を許可している。Liquid ライセンスは標準的なオープンソースの文面ではなく同社独自のものであるため、想定せずに一度読んでおく価値がある。

• 提供済みフォーマット — Dory: BF16、MXFP8、NVFP4、GGUF。LFM2.5-2.6B-Base: Hub上のBF16重みで、GGUF、ONNX、MLXビルドはファミリー内の別の場所で利用可能。ここではLiquidエコシステムの方が広範だ。Doryのリポジトリは公開からまだ数時間しか経っていない。

ファインチューニングこそが、両者を分ける軸です

LFM2.5-2.6B-Base を検討している理由が、それを使って学習させるつもりだから——ドメインアシスタント、独自コーパス、そのベースモデルがすでに話せる言語——だというのであれば、Dory 1.0 4B は品質とは何の関係もない理由で不適切な代替品だ。完全にポストトレーニングされた推論モデルを狭いタスク向けにファインチューニングするのは、ベースチェックポイントをファインチューニングするより通常は難しい。RL段階が植え付けた振る舞いと戦うことになるからで、まっさらな予測器を形作るのではない。Liquidのモデルカードがドメイン固有・言語固有の作業に自社のベースチェックポイントを勧めているのはまさにこの理由であり、16言語にわたる34兆の事前学習トークンは、英語専用モデルが提供するよりも広い出発点だ。

しかし、Doryカードはファインチューニングについて沈黙しており、その沈黙自体が示唆的だ。カードは学習パイプラインを文書化し、フォーマットを公開し、2つのエンジン向けのサービング手順を示している。一方で、アダプタ、LoRAサポート、ファインチューニングのレシピについては何も述べていない。これは、学習されるためではなく、サービングされるために公開されたチェックポイントのプロファイルだ。証拠の不在を証拠と読むのは誤りだろうが、この非対称性には名前を付けておく価値がある。一方のカードはファインチューナーに、もう一方はデプロイヤーに自らを売り込んでいる。

数字について、もう一点だけ正直に補足します。Liquidは、ポストトレーニング済みのLFM2.5-2.6Bについて、Gemma 4 E2BとE4B、Qwen3.5-4Bと9Bに対する完全な評価表を公開していますが、その表はベースチェックポイントにはそのまま当てはめられません。ベースモデルを指示追従ベンチマークで評価して測られるものは、同じベンチマークでポストトレーニング済みモデルを評価して測られるものとは別物です。NVIDIAはDoryについて、Qwen3.5-4B、Qwen3.5-9B、Gemma 4 26B A4B、Qwen3.6-35B-A3Bと比較したベンチマーク表を公開していますが、これは同社独自のハーネスで測定されたもので、独立した再現はありません。DoryとどちらのLFMチェックポイントとの間にも共通ハーネスでの結果はなく、公開された直接対決も一切存在しません。

それらを実機で実行する

エッジの話は、実際のところ両者が最もはっきりと袂を分かつ領域であり、ここではLiquidが明らかに勝っている。LFM2.5ファミリーはオンデバイス展開を想定して作られており、2.6Bのinstruct版はApple M5 Maxで毎秒220トークン、Ryzen AI Max+ 395で毎秒113トークン、メモリ2.5GB未満でベンチマークされ、スマートフォン相当では毎秒約30トークンという数値が謳われている。このファミリーにはONNXとMLXのビルドがあり、さらに328Mの投機的ドラフターDSparkもある。同社によれば、出力を同一に保ちながらデコードをおよそ2.6倍高速化するという。あなたのターゲットがノートPC、ミニPC、あるいはスマートフォンなら、LFM2.5-2.6B-Baseはその線の正しい側にあり、Doryは明らかにそのために設計されたものではない。

Dory のサービングパスはより狭く、より新しい。vLLM サポートはオープンなプルリクエストでレビュー中で、それがマージされるまでは、カードの指示に従ってそのブランチからプリコンパイル済みカーネルフラグ付きで vLLM をインストールし、その後、ループ回数と KV キャッシュモードを設定するオーバーライドを使ってサービングします。llama.cpp サポートは 2 つ目のオープンなプルリクエストにあり、固定されたコミットと、Apple Silicon 上のネイティブ ARM64 macOS を対象としたビルド手順が含まれています。N​VIDIA が公開している速度数値は、スループットではなく DGX Spark 上での量子化による高速化です。入力/出力長の構成に応じて、BF16 に対する MXFP8 で 1.69× と 1.84×、NVFP4 で 2.17× と 2.44×です。

真の対抗策は、メモリ設計だ。標準的なループではループごとに別々のKVキャッシュを保持するため、パスを追加するたびにメモリが増大する。これが、リカレントアーキテクチャの提供を厄介にする通常の理由だ。Doryは、リカレントアテンション層ごとに単一のキャッシュを保持し、各パスでそれを上書きするラストループKVキャッシュモードをサポートしており、ループ数に関係なくフットプリントをほぼ1ループ分のサイズに保つ。NVIDIAによれば、精度はループごとのモードに近いままで、出力長もほぼ変わらないという。この主張は、Doryの資料の中で検証する価値が最も高いものだ。なぜなら、もしそれが成り立つなら、256Kウィンドウは複数ループでも手頃なコストで使え、成り立たないなら、エラスティック深度機能は聞こえるほど有用ではないからだ。

ルーターがここですることとしないこと

どちらのモデルもOrcaRouterのカタログにはありません。NVIDIA Nemotron Labs Dory 1.0 4Bは重みのみで、私たちが確認できる限りどこにもホストされたエンドポイントはありません。また、LFM2.5-2.6B-Baseはファインチューニング用チェックポイントであり、どのプラットフォームもそのまま提供するのは賢明ではないでしょう — APIの背後に置かれるべきなのは、事後学習済みの兄弟モデルのほうです。私たちのカタログにもホスト型のLFM2.5モデルはありません。したがって、正確な説明は地味なものになります。この比較では、すべてがあなたのハードウェア上で動作します。

まさにそのとき、ルーティング層はオプションの配管であることをやめ、テストツールとして機能し始める。ベースチェックポイントでファインチューニング実験を回し、ループ化された4Bでサービング実験を回すということは、ローカルスタックが2つ、量子化が2セット、サービングフラグが2セット必要になり、どちらもアプリケーションの実際のベースラインであるホスト型モデルと比較するクリーンな方法がない、ということだ。OrcaRouterはその後半のために存在する：1つのAPIキーで、ベンチマーク対象となるホスト型モデルに到達できる プロバイダーの定価で、マークアップ0%なので、対照群は独自のSDKや独自の契約を必要としない。ルーティングDSLを使えば、セルフホスト型エンドポイントとホスト型エンドポイントを単一の呼び出しの背後に置け、自動フェイルオーバーが、ローカルGPUプールがビジー状態のときでも長時間の評価実行を維持する。これは、Liquidのベースチェックポイントをファインチューニングする方が、NVIDIAの完成済みモデルをサービングするよりも優れているかどうかは教えてくれない。それを知るためのセットアップコストを取り除く。

それらの中から選ぶこと

答えではなく出発点を買うなら、LFM2.5-2.6B-Baseを選ぼう。訓練データがあり、Doryが話さない言語が必要で、Apple SiliconやNPUで動かしたい、あるいは投機的デコーディングの道と、このファミリーに付属するONNXとMLXビルドが欲しいなら。それはより小さく、より速く、より多言語対応で、よりエコシステム接続性の高い成果物であり、未完成であることを正直に認めている。

デプロイ済みの挙動を買おうとしているなら、NVIDIA Nemotron Labs Dory 1.0 4B を選べ。ツール呼び出しと構造化出力のトレーニングをすでに内蔵した完成品の推論モデルが欲しく、英語のみで使い、コンテキストは長くなり、従来の密なモデルでは得られないコンピュートダイヤルと引き換えに、今日ブランチから vLLM や llama.cpp をビルドすることを厭わない、という場合だ。NVIDIA の外でそれを動かす最初の一人になること、そのカードに載る数字はすべてベンダー公称値であること、そして最終ループの KV キャッシュの主張——設計全体を実用的たらしめている唯一の機能——が未検証であることを、受け入れよ。

実際に有益な比較は、Dory 1.0 4B 対 ポストトレーニング済み LFM2.5-2.6B であり、誰もそれを公開していない。Liquid の 2.6B instruct モデルと NVIDIA の elastic-depth 4B が、あなたのワークロード上で数ポイント以内に収まるなら、決め手となるのはアーキテクチャではなく、2.69B 対 4B のメモリ差と成熟度のギャップになる。それが実施する価値のある実験であり、先週より実行コストは安い。

そうした話は決して仮定ではない。このようなリリースの背景にある、記録に残されたAIの障害やエージェントのインシデントはOrcaRouter AIインシデントアーカイブに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付されています。