ZwZ2-9B vs LFM2.5 2.6B Base：理解する価値のあるカテゴリー錯誤

をZwZ2-9Bの隣に置くとLFM2.5 2.6B Baseサイズ比較に見えますが、そうではありません。ZwZ2-9Bは、inclusionAIが2026年10月16日にモデルカードなしで公開した94億1000万パラメータの視覚言語チェックポイントであり、LFM2.5 2.6B Baseは、Liquid AIが2026年8月1日に公開した26億9700万パラメータのテキスト専用事前学習済みモデルで、そのカードには、それ自身の言葉で「すべてのLFM2.5-2.6Bバリアントを作るために使われた」チェックポイントだと書かれています。一方はそのまま採用するもの。もう一方はその上に構築するものです。両者から選ぶことは、2台の車から選ぶようなものではなく、車とエンジンブロックから選ぶようなものであり、唯一役に立つ問いは、実際に必要だったのはどちらなのかということです。

この記事は二つのことを行います。まず、両方について実際の数値を示します。あなたは比較を求めてここに来たのですし、その数値は持っておく価値があります。次に、その比較が隠してしまう違いを説明します。それを間違えると、チームは不要なファインチューニングに3週間も入り込んでしまったり、3Bのラップトップモデルで処理できたはずの仕事に9.4Bのサーバーモデルを走らせてしまったりするからです。

これらの成果物がそれぞれ実際に何なのか

LFM2.5 2.6B Base は意図的に未完成です。これは Liquid AI の LFM2.5-2.6B ファミリーの根幹にある事前学習済みチェックポイントであり、二重ゲート付きショート畳み込みブロックとグループ化クエリ注意を交互に配置した30層、34兆トークンの事前学習、128,000トークンの語彙、128,000位置の上限を備えています。テキスト専用です。オンデバイス展開向けに設計されており、これは Liquid AI がカードで用いている表現ですが、「Base」という接尾辞の要点は、事後学習済みの会話用バリアントとエージェント用バリアントが、そこから派生した別々のダウンロードであることです。これはファインチューニングするか、蒸留して取り込むことが想定されています。そのままではアシスタントではありません。

ZwZ2-9B は正反対の種類のオブジェクトだ。これは説明されていない、完成した形のチェックポイントである。その設定には、27層のビジョンタワー、画像および動画のトークンID、768フレームを上限とする動画プロセッサ、既定のシステムプロンプトが組み込まれたチャットテンプレート、そして32層のうち24層が、増大するキー・バリュー・キャッシュではなく線形アテンションで動作するという構成が含まれている。これはトレーニング基盤ではなく、デプロイ対象である。欠けているのは、購入者が求めるすべてだ。ライセンス欄もなく、評価結果もなく、何でトレーニングされたかの記述もなく、inclusionAI の10件の公開コレクションのどこにもエントリがない。

• パラメータ — ZwZ2-9B: 9,409,813,744。LFM2.5 2.6B Base: 26億9,700万。

• 目的 — デプロイ向けに成形されたマルチモーダルチェックポイントと、ファインチューニング用の事前学習済みベースとの比較。

• モダリティ： — テキスト、画像、動画 vs テキストのみ。

• コンテキスト上限 — 262,144ポジション 対 128,000（Liquid AIのカードではこれを131,072に丸めている）。

• 語彙 — 248,320 対 128,000

• アテンション設計 — 線形層24層+フルアテンション層8層 対 畳み込み層22層+アテンション層8層。

• ライセンス — 未申告であるのに対し、LFM Open License v1.0 は Apache-2.0 ではなく独自のライセンスです。

• ドキュメンテーション — なし 対 モデルカード、技術レポート、明示された学習予算。

そこにある2行は、見た目以上に興味深い。両モデルともちょうど8つのアテンション層に落ち着き、残りはより安価なもので埋めている——ZwZ2-9Bは再帰的線形アテンション、LFM2.5 2.6B Baseは短い畳み込みで。この収束は偶然ではない。それは過去2年間「効率的なアーキテクチャ」が意味してきたものであり、反対の方向から、反対のスケールで到達したものだ。そしてコンテキスト上限は競争ではない。262,144対128,000はほとんど何も語らない。なぜなら2.7Bモデルは、25万トークンのキャッシュが現実的なワーキングセットにはならないラップトップ上に載るように作られたからだ。

「Base」という言葉が決定のすべてだ

この組み合わせから一つだけ持ち帰るなら、これにしてください。ベースチェックポイントには、指示追従性も、頼れるチャットフォーマットも、安全性チューニングもありません。そして、ドメインモデルを構築しているなら、これは利点です。なぜなら、自分でトレーニングするときに、他人のアラインメントと格闘せずに済むからです。アシスタントが欲しかったなら、これは欠陥です。なぜなら、最初の2週間は、事前学習済みモデルが質問に答えるのではなくテキストを補完するということを再発見して過ごすことになるからです。

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

本当の違いが宿るのは、デプロイの計算のほうだ

2.697Bのテキストモデルと9.41Bのビジョンモデルは、同じハードウェア上での代替選択肢ではない。LFM2.5ベースはスマートフォン、ラップトップ、シングルボードマシン向けに作られており、Liquid AIが掲げるのはオンデバイス推論であり、4ビットに量子化された2.7Bチェックポイントは数ギガバイトに収まる。ZwZ2-9Bは27層のビジョンタワーを32の言語層と並行して保持し、各方向に約2GBの埋め込み行列を抱える——語彙だけでも248,320×4,096のテーブルである——ため、サーバー上、あるいは少なくとも本格的なアクセラレータを備えたデスクトップ上に属する。

だからこそ、ほとんどのチームにとって正直なアーキテクチャは「どちらか一方を選ぶ」ことではない。それは二層構成だ。レイテンシとプライバシーが重要で、タスクが限定的な場面には、小規模でドキュメント化されたモデルを置き、難しいケースはホスト型モデルに回す。そこでは、変動費は難しいケースが発生したときにだけ現れる。この切り分けを正しく行うことは、このページにあるどの単一モデルの選択よりも価値があり、また、後から変更するのが最も難しいものでもある。なぜなら、それはあなたのコードに触れるものだからだ。

ルーターの存在意義は、単一のインターフェースの背後でそれを実現することにあります。OrcaRouter は、1 つの OpenAI 互換エンドポイントと 1 つの API キーから 200 以上のモデルを公開しており、自動フェイルオーバーを備えているため、安価なティアと高価なティアの差は 2 つの統合ではなくモデル文字列の違いだけになり、プロバイダーの定価は 0% のマークアップでそのまま適用されるので、高価なティアの実行コストも他のどこで実行する場合と変わりません。当社は LFM2.5 2.6B Base をホストしておらず、ZwZ2-9B もホストしていないため、このどちらも当社がお客様に代わって判断できるものではありません — Liquid AI は自社の重みをベンダー自身のチャネルを通じて配布しており、inclusionAI はエンドポイントを一切公開していません。その区分のホスト側に当社が今日ご用意できるのはqwen/qwen3-vl-8b-instructです。これは 131K トークンのコンテキストを持つ 8B の視覚言語モデルで、入力 100 万トークンあたり $0.18、出力 100 万トークンあたり $0.70 であり、小規模マルチモーダルティアの最も近い、文書化された代替です。

ライセンスは、この二つが最も大きく分かれる点です

どちらのライセンスも Apache-2.0 ではなく、その理由は無視できない形で異なっています。LFM2.5 2.6B Base は LFM Open License v1.0 の下で提供されています。これはカスタムライセンスであり、公開され、読むことができ、ファミリーの他のモデルと同じライセンスが使われています。つまり、一度行った法務レビューが、扱うすべての LFM2.5 モデルをカバーするということです。ZwZ2-9B は何も宣言していません。ライセンスの欠如は許諾的なライセンスではありません。明示的な許諾がない場合、保守的な解釈では、いかなる権利も付与されていないことになり、これは読んで評価できるカスタムライセンスよりも実質的に不利な立場です。

ファインチューニングし、場合によっては再配布しようと考えているベースチェックポイントにとって、これは脚注ではない。派生著作物に関する条件こそ、カスタムライセンスがしばしば意見を持つ条項であり、そうした条項がまったく存在しないからといって、あなたに有利に解決されるわけではない。

選び方、簡潔に言えば

LFM2.5 2.6B Baseは、限定的なテキストタスクがあり、対象デバイスが決まっていて、自分でトレーニングを回す意欲がある場合に選びましょう——そして、指示追従性を供給するのは自分自身だという点を受け入れてください。文書化されたトレーニング予算と明示されたライセンスがあるおかげで、何を出発点にするのかが分かります。

画像や動画を入力に含める必要があり、9.4Bモデルを提供するだけのGPUがあり、地球上で最初にそれを評価する組織になることを厭わないなら、ZwZ2-9Bを選べ。その最後の条件は修辞ではない。コミットする前に答えるべき問いは、それがあなたの画像形式を受け入れるか、thinkingを無効にしたときに必要な出力形状を返すか、そして実際にどのライセンスの下で運用することになるか、である。その3つのうち2つにはリポジトリに答えがある。3つ目にはない。

ベンチマークは古び、価格は動くが、失敗の記録は動かない。このクラスのモデルの背後にある、記録に残されたAIインシデントとエージェントの失敗はOrcaRouter AI Incident Archiveに集められており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付いている。