Tell 1 vs LFM2.5 2.6B Base：借りる音声モデルと、自分で仕上げるチェックポイント

並べてくださいTell 1とLFM2.5 2.6B Base。隣り合せると、サイズの違いはまるで物語のようです。一方はコンタクトセンター基盤内にある Retell の自社推論モデル、もう一方は 5.4 GB のファイルに収まる Liquid AI の 26.9 億パラメータのテキスト専用チェックポイントです。しかし、それは物語ではありません。物語は、LFM2.5 2.6B Baseがベースモデルだということです — 指示チューニングを一度も受けておらず、質問をすると答える代わりにあなたの文章を続けるでしょう — 一方、Tell 1 は電話応対を生業とする製品の完成済みコンポーネントです。一方は原材料です。もう一方は、分解を許されていない実動部品です。以下の内容はすべて、あなたの問題が実際に必要としているのがこの二つのどちらなのかについてです。なぜなら、どちらも互いの代わりにはなれず、一見自明に思える価格比較はこのページで最も役に立たないものだからです。

タイミングも重要であり、そもそもこの組み合わせが存在する理由でもある。どちらも最近の出来事だ。Liquid AIは2026年8月にLFM2.5ファミリーを公開し、RetellのTell 1は、Retellが公開しているベンチマークの首位に現れた2026年11月に公の目に触れることになった。どちらも、今さらになって読むようなローンチではない。また両方とも、正反対の理由で公開ドキュメントが異常に少ない。Liquidは指示のないチェックポイントを提供したが、指示はそもそも目的ではなかったからだ。そしてRetellはドキュメントのないモデルを提供したが、そのモデルは単体で購入できる製品ではないからだ。

Liquidチェックポイントにできないことから始めてください

LFM2.5 2.6B Baseは、Liquid AIのLFM2.5ハイブリッドファミリーの事前学習済みチェックポイントです。30層のうち22層がデュアルゲート付きショートコンボリューション・ブロック、8層がグループ化クエリ・アテンションで、16言語にわたる約34兆トークンで学習されています。コンテキストウィンドウは131,072トークン、Q4_K_M量子化では約1.67 GBになります。テキスト入力、テキスト出力です。視覚も音声もなく、信頼できるツール呼び出しテンプレートも命令チューニングもありません。さらにLiquid自身のモデルカードには、プロンプティング向けではなく本格的なファインチューニングを想定したものだと明記されています。

それは欠陥ではない。それを欠陥として扱うのは、ベースモデルに関する解説で最もよくある誤りだ。ベースチェックポイントは、形の定まったタスクがあり、自前の事例が大量にあり、その解決のためにベンダーへトークン単位で支払う気がない場合の正しい出発点である。1台のコンシューマー向けGPUでファインチューニングし、その後ラップトップやスマートフォン上で量子化して動かす2.69Bモデルは、あらゆるホスト型APIとは異なる経済的対象である。呼び出しあたりの限界費用はほぼ電気代になり、実際に支払うコストはデータのラベリング、学習実行、評価へと移る。

できないのは、会話にそのまま投入することです。ベースチェックポイントを信頼できるツール呼び出しエージェントに変えるシステムプロンプトは存在せず、どれだけプロンプトエンジニアリングを重ねてもポストトレーニングの工程を代替できません。あなたの計画が「ダウンロードして、OpenAI互換サーバーでラップし、音声エージェントからそこに向ける」というものであるなら、その計画は最初の関数呼び出しで失敗します。しかもその失敗は、トレーニング段階の欠落であるにもかかわらず、モデル品質の問題のように見えてしまいます。

では、Tell 1とは何なのか、そしてなぜそれを手に入れられないのか

Tell 1は、Retellの音声スタックの推論レイヤーであり、会社のホームページでは「Developed by Retell Labs」の下に、モデル・知識・ツールを組み立てるエージェントハーネスと並んで記載されています。モデルとして販売されているわけではありません。Retellのサイトのどこにも、モデルカード、リポジトリ、コンテキストウィンドウの数値、パラメータ数、ライセンス、トークンあたりの価格は公開されていません。唯一の定量的な公開証拠は、Retell自身が運営するリーダーボードであるRetell vCX Benchmarkの1行です。指示追従88.6%、ハルシネーションとラベル付けされた次元で97.2%、ツール呼び出し95.4%、口語96.6%、平均94.45%、中央値レイテンシ72.5 ms、モデルコストは毎分3.5セントです。

Tell 1が公開されている何かのファインチューニングなのか、ゼロから学習したモデルなのか、より大きなモデルから蒸留した小規模モデルなのかは開示されていない。中央値72 msは、フロンティアの汎用モデルというより、小型で高速なモデルを示唆する。この数値は、サードパーティの推論スタックへの往復時間が支配し始める帯域に入っているからだ。ただし、それはレイテンシの数値からの推測であり、レイテンシの数値には多くの原因がある。推測ではないのはパッケージングだ。Tell 1はRetellのプラットフォーム上で時間を購入することで利用でき、構成に応じて毎分$0.07〜$0.31かかる。そしてモデルは、テレフォニー、音声スタック、それを取り巻くハーネスから切り離せない。

これは買い手が価格に織り込まねばならない非対称性だ。LFM2.5 2.6B Base は、ホスト型モデルでは決して得られない形で自分のものになる。重みを読み、量子化し、アプリに組み込んで出荷し、ベンダーが消えても動かし続けられる。Tell 1 は、ダウンロード可能なモデルにはない形で利用できる。すでに電話番号、ターンテイキング層、音声に接続されており、実際の通話で人間らしく聞こえるようにする作業は他の誰かが済ませている。

本当に意味のある比較：レイテンシ予算はどこに配分されるのか

これら2つのモデルはどちらもストップウォッチ次第で生死が決まります。だからこそ、異なる仕事を担っていても同じ文脈で語られるのです。電話では、発信者が文を言い終えてからエージェントが話し始めるまでに約800ミリ秒の余裕があり、それを超えると沈黙が回線切断と受け取られます。この予算で、音声認識、モデルのターン、ツール呼び出し、音声合成をこの順に賄う必要があります。

• モデルのレイテンシ — Retellのハーネス内におけるTell 1の中央値は72.5 msで、このベンチマークにおける62構成中1位。LFM2.5 2.6B Baseについては公開されていません。ベースチェックポイントには測定対象となる提供製品がなく、その量子化後のスループットはハードウェアに完全に依存するためです。

• 800 ms の中には他に何が含まれているのか — Tell 1 の場合、電話と音声はプラットフォームの数値に含まれており、Retell は一般的なエンドツーエンド応答時間を約 600 ms としています。セルフホスト型の LFM2.5 スタックでは、ASR、TTS、およびサービングレイヤーをすべて自分で追加する必要があり、それぞれがベンダーの選択となります。

• スループット — このチェックポイントの事後学習版であるLiquidの兄弟モデルは、Apple M5 Maxで毎秒220トークン、AMD Ryzen CPUで113トークンを処理し、ベンダーによればスマートフォンでも毎秒30トークンが達成可能だという。2.69Bモデルの速度はサービスレベルではなく、マシンによって決まる。

その最後の一文こそが、種類の違いそのものだ。Tell 1 のレイテンシは、誰かが守ってくれる約束だ。LFM2.5 のレイテンシは、あなたが選ぶハードウェアの性質だ。導入先が同時接続200回線のコールセンターなら、あなたが買っているのは前者だ。ネットワークのない倉庫のデバイスなら、存在するのは後者だけだ。

ファインチューニングは分かれ道だ

これが、できるだけ率直に述べた結論だ。LFM2.5 2.6B Base を選ぶべきなのは、正確に記述できるタスクがあり、その例があり、それらの例を第三者に送らない理由がある場合だ——通話フロー内の分類ステップ、ドメイン固有の要約ツール、リクエストが何かを判断するオンデバイスルーターなど。モデルは小さいのでファインチューニングは四半期ではなく午後で済み、コンテキストウィンドウは実際の文書に十分な大きさがあり、ライセンスは年間収益1,000万ドル未満での商用利用を許可し、そのライン以上では別途契約が必要だ。この閾値は調達上の事実であり、脚注ではなく結論の中に含めるべきものだ。

モデルではなく電話エージェントを購入するのであれば、特に、自分たちでは構築できないのが会話の表面部分——割り込み処理、口語的な言い回し、発信者が機械だと気づかないほど速く届く最初の音節——であるなら、Tell 1 を選んでください。Retell のベンチマークは、Tell 1 がリードしているのはこの2つの次元だとしており——口語性で1位、レイテンシで1位——さらに、指示追従、グラウンディング、ツール呼び出しではリードしていないこともはっきり述べています。そこでの順位はそれぞれ2位、2位、5位です。標準化する前に、この3つを自社の通話でテストしてください。遅いだけでなく誤った回答を生むのは、まさにこの3つだからです。

第3の選択肢があります。そして、実際のワークロードを抱えるほとんどのチームが最終的に選ぶのはこれです。狭く反復的なタスクの部分には小規模なファインチューニングモデルを残し、難しいターンはより大規模なホスト型モデルにルーティングするというものです。これはまさにルーティングレイヤーが想定している分割であり、そしてそこに当社自身のカタログが当てはまります。Tell 1もLFM2.5 2.6B BaseもOrcaRouter経由ではルーティングできません。どちらも当社ではホストしていないためです。そのため、このアーキテクチャの実用的な形では、Liquidのファインチューニングモデルを自社ハードウェア上に置き、エスカレーション経路を当社が提供するモデルへ送ります。1つのAPIキーで、プロバイダーの定価のまま、追加料金なしで利用できます。

何が答えを変えるだろうか

Tell 1 について、次の3つの公開物があれば、「プラットフォーム内での試験」から「標準化の検討」へと移行します。アーキテクチャと学習データを明記したモデルカード、コストを分単位のバンドルから切り分けられるモデルごとの価格、そして Retell 以外の主体が実施した評価です。現在の記録はベンダー自身のリーダーボード上の1行にすぎず、ベンダーが自社のハーネスで自らを1位と評価するのは結果ではなく仮説です。

LFM2.5 2.6B Base にとって欠けているのはドキュメントではなく、あなた自身によるファインチューニングです。チェックポイントは完全で、ライセンスも読むことができます。つまり唯一の未知は、あなたのデータで訓練した2.69Bモデルがあなたのタスクの基準をクリアするかどうかだけです。それは今週GPU1台で答えられる問いであり、どれだけ読んでもあなたの代わりに答えは出ません。これが一言で言うトレードオフです。Tell 1 はエンジニアリングを省く代わりにコントロールを奪います。LFM2.5 2.6B Base はコントロールを与える代わりに、あなたにエンジニアリングをさせます。