Beam 1.0 vs LFM2.5 2.6B Base: een onvoltooid substraat en een voltooide reus

Een model dat niet is aangeleerd om vragen te beantwoorden, wordt vergeleken met een model dat is aangeleerd om te plannen. LFM2.5 2.6B Base is het voorgetrainde checkpoint van Liquid AI met 2,698 miljard parameters, gepubliceerd op 4 augustus 2026 onder de LFM Open License v1.0 en expliciet beschreven als de basis voor fine-tuning — het is alleen tekst, het bestaat uit 30 lagen hybride convolutie en grouped-query attention, en het is niet post-getraind. Reflection Beam 1.0 is een sparse mixture-of-experts-model met 501,3 miljard totale parameters en 23,4 miljard actieve, post-getraind via gesuperviseerde en reinforcement-fasen en op 16 oktober 2026 uitgebracht als downloadbare gewichten onder Apache 2.0, na de aankondiging ervan op 5 oktober 2026. Het grootteverschil is 185 tegen één. Het verschil dat de vergelijking daadwerkelijk bepaalt, is niet de grootte — het is dat een van deze een ruw substraat is waarop je een trainingsrun richt, en de andere een product dat je serveert.

Beide staan op Hugging Face. Beide zijn vandaag de dag downloadbaar. Beide verwachten dat je je eigen hardware meebrengt. Dat is de hele overlap, en ze tegen elkaar lezen is een nuttige manier om te zien hoe verschillend het open-weights-ecosysteem twee dingen etiketteert die het onder dezelfde tag onderbrengt.

De twee releases, beschreven zoals hun uitgevers ze beschrijven

LFM2.5 2.6B Base heeft de volledigere naam LFM2.5-2.6B-Base. Op de kaart staan 2,698 miljard totale parameters, 30 lagen waarvan 22 dubbel-gegate short convolution-blokken en acht grouped-query attention, een trainingsbudget van 34 biljoen tokens, een vocabulaire van 128.000 tokens en een contextlengte van 131.072 tokens. Het dekt 16 talen. Het is een van een paar: Liquid AI publiceert ook LFM2.5-2.6B, post-getraind voor agentische workloads, en dit is het ruwe checkpoint waaruit elke variant in de familie voortkomt. De kaart zelf zegt over het basismodel dat het de voorgetrainde, tekst-only checkpoint is die is gebruikt om alle andere varianten te maken. Op de Hub bestaan al zestien fijn-afgestemde afgeleiden onder dit model.

Beam 1.0 is de tegenovergestelde opzet. Reflection levert in totaal 501,3 miljard parameters, met 23,4 miljard actief per token over 52 lagen — drie dense en 49 mixture-of-experts, waarbij in deze configuratie 256 experts met acht tegelijk worden gerouteerd. Het contextvenster is 1.000.000 tokens. De modaliteit is uitsluitend tekst, en de kaart zegt dat zonder terughoudendheid. Het komt in drie precisies, BF16, FP8 en NVFP4, plus een 2B DFlash2 speculative-decoding-drafter. Het chatsjabloon draait een aangepast Harmony-formaat met analysis- en final-kanalen en een reasoning-effort-instelling met zes benoemde niveaus. De vier repositories werden op dezelfde dag gepubliceerd, 16 oktober 2026, en Artificial Analysis registreerde de release op zijn modelpagina als 16 oktober 2026.

Lees die twee alinea's nog eens en de contouren van het geheel worden zichtbaar. Liquid AI publiceerde een component. Reflection publiceerde een afgerond systeem met een wire-formaat en een inspanningsknop. Beide worden 'open' genoemd, en het woord vervult twee verschillende functies.

De licentie is waar de twee het minst op elkaar lijken

Dit is de vergelijking die je niet uit een parameteraantal kunt halen, en het is degene met de meest praktische gevolgen.

Beam 1.0 is Apache 2.0. Dat is een standaard permissieve licentie zonder limieten op het aantal gebruikers, zonder drempel voor maandelijks actieve gebruikers en zonder apart commercieel niveau. Download het, fine-tune het, herdistribueer het afgeleide werk, verkoop het resultaat. De modelkaart bevat ook een Responsible Use Guide en een apart veiligheidstechnisch rapport; dat zijn beleidsdocumenten in plaats van licentierestricties — ze regelen acceptabel gebruik, niet de gewichten.

LFM2.5 2.6B Base is dat niet. De Hub tagt het license:other en noemt de licentie LFM Open License v1.0. Het praktische verschil is niet dat de ene permissief is en de andere niet — de licentie van Liquid AI is geschreven voor open gebruik — maar dat de twee licenties anders gelezen moeten worden, en dat slechts één ervan in één zin kan worden samengevat. Als uw plan het commercieel herdistribueren van een afgeleid werk inhoudt, vereist de Apache 2.0-kant van deze pagina geen analyse. De LFM-kant vereist dat u de licentie leest, omdat een aangepaste licentie per definitie een document is dat iemand met opzet heeft geschreven.

Die asymmetrie loopt op de andere as de andere kant op. De checkpoint van Liquid AI is een dense tekstmodel van 2,698 miljard parameters, wat betekent dat het licentievraagstuk verbonden is aan iets dat je op één enkele consumenten-GPU of een edge-apparaat kunt zetten. De Apache 2.0-licentieverlening van Reflection is verbonden aan een model met 501 miljard parameters, waarvan de bfloat16-gewichten ongeveer een terabyte beslaan en waarvan de vierbitsvariant nog steeds op 255B wordt vermeld. Een permissieve licentie op een model dat je niet kunt hosten is een ander soort vrijheid dan een aangepaste licentie op een model dat je wel kunt hosten.

Wat het basismodel wel en niet kan

Een artikel over een base checkpoint moet dit ronduit zeggen, want het is de meest voorkomende manier waarop mensen een middag verspillen. LFM2.5 2.6B Base is niet instruction-tuned. Het zal je tekst voortzetten. Het zal je vraag niet beantwoorden, je opmaak niet volgen, je tool niet aanroepen of stoppen wanneer jij dat wilt. Het is een startpunt waarvan het gedrag precies is wat je erin traint, en Liquid AI zegt dat in de modelbeschrijving in plaats van dat je het zelf moet ontdekken.

Dat is geen defect en het is geen kleinere versie van Beam 1.0. De pretrainingsrun van 34 biljoen tokens en de hybride architectuur met 30 lagen zijn het product; de ontbrekende alignment is juist het punt, omdat alignment taakspecifiek is en het lab dat een basismodel uitbrengt die beslissing bewust overlaat aan wie de taak bezit. Zestien afgeleiden op de Hub is hoe de opzet er in de praktijk uitziet.

Het gevolg voor de evaluatie is dat er geen benchmarktabel is om te vergelijken. De kaart van Beam 1.0 bevat er een volledige — SWE-bench Verified 81,6% op BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, allemaal door de leverancier gerapporteerd en geen enkele door een derde partij gereproduceerd — omdat het een post-getraind model is dat is gebouwd voor benoemde workloads en dat is het bewijs waar de koper om vraagt. LFM2.5 2.6B Base heeft er geen, bewust. Er valt niets te scoren: de kwaliteit van het checkpoint is wat jouw fine-tune ervan maakt, en het eerlijke vergelijkingspunt is een trainingsrun, niet een leaderboardrij.

Waar het geld naartoe gaat

Geen van beide staat in de catalogus van OrcaRouter. Wat wij wél routeren is de wereld van geserveerde modellen eromheen: meer dan 200 modellen achter één OpenAI-compatibele sleutel, de lijstprijs van de provider doorgegeven tegen 0% opslag, met automatische failover tussen providers, zodat een route die verslechtert opnieuw wordt gerouteerd in plaats van uit te vallen. Dat is hier om een specifieke reden het vermelden waard, omdat de twee modellen op deze pagina zich aan tegenovergestelde uiteinden van dezelfde inkoopvraag bevinden.

LFM2.5 2.6B Base kost niets om te downloaden en alles om te draaien, in de zin dat de kosten bestaan uit een trainingsrun en een apparaat. Beam 1.0 kost niets om te downloaden en alles om te draaien, in de zin dat de kosten bestaan uit het serveren van een 501B MoE en dat Reflection op het moment van schrijven geen API-tarief publiceert. Artificial Analysis registreert de prijsvelden op de pagina van Beam als niet beschikbaar en merkt op dat er geen openbaar beschikbare API is. Twaalf dagen na de aankondiging heeft het model met de benchmarktabel van 501 miljard parameters nog steeds geen cijfer dat een financieel team kan gebruiken.

Voor een lezer wiens werkelijke behoefte deze week inferentie is op een workload waarvoor geen van beide modellen is ontworpen — een samenvatter, een classifier, een chatinterface — gaat de beslissing niet tussen deze twee. Die gaat tussen het zelf fine-tunen van 2,698 miljard parameters en het huren van iets dat al is afgestemd en geprijsd, en de tweede optie is degene die je kunt meten voordat je je vastlegt.

Welke je eigenlijk zoekt

Kies LFM2.5 2.6B Base als je probleem beperkter is dan dat van een algemene assistent. De reden om een klein basis-checkpoint te kiezen, is dat je een taak hebt, dat je data hebt, en dat je liever het artefact bezit dan een aanroep huurt. De context van 131.072 tokens is royaal voor deze omvang, de dekking van 16 talen is echt, de hybride convolutiestack is gekozen voor on-device doorvoer, en de licentie stelt je in staat te distribueren wat je bouwt. Waar je je aan verbindt, is de fine-tuningpijplijn, het evaluatieharnas en de alignmentbeslissingen — die het checkpoint geen van alle levert.

Kies Beam 1.0 als je taak een van de taken is die op zijn kaart worden genoemd: coderen, toolgebruik, redeneren op repositoryschaal, langdurige agentische uitvoering. De evaluatietabel is recht op dat werk gericht, de context van 1M tokens sluit daarbij aan, de FP8- en NVFP4-builds maken het gesprek over hardware beter beheersbaar dan 501B doet vermoeden, en de Apache 2.0-licentie maakt een commercieel derivaat mogelijk. Waar je je aan verbindt, is serveerinfrastructuur, een altijd actief redeneerbudget dat je met de template niet kunt uitschakelen, en een kostenraming die je zelf moet opstellen omdat de leverancier er geen heeft gepubliceerd.

De twee modellen concurreren niet met elkaar, en de vergelijking is juist de moeite waard omdat ze laat zien hoe weinig 'open weights' op zichzelf zeggen. De ene uitgever overhandigde een component en een trainingsbudget; de andere overhandigde een systeem met een wire-protocol en een licentie die je zo in een juridische toets kunt plakken. Nagaan welke van de twee je werd aangeboden voordat je hem downloadt, is het grootste deel van het werk.

Wat zou het beeld veranderen?

Een gepubliceerde API-prijs voor Beam 1.0, of een gehoste FP8-implementatie met een tariefkaart, zou dat model van de kolom "een schatting maken" naar de kolom "de cijfers vergelijken" verplaatsen, en het is de enige ontbrekende rij in de documentatie ervan. Een onafhankelijke benchmark op de gewichten van Beam — nu mogelijk, aangezien ze openbaar zijn — zou de leverancierstabel een scheidsrechter geven, wat LFM2.5 2.6B Base nooit kan hebben omdat er nog niets te scoren valt. Totdat een van die dingen beschikbaar komt, is de nauwkeurige samenvatting dat een 2,7-miljard-parameter base checkpoint en een 501-miljard-parameter post-getrainde MoE beide gratis te downloaden zijn, beide duur om te draaien in volledig verschillende valuta's, en geen van beide is een vervanging voor de andere.

Vergelijkingen zoals deze zijn ook waar de faalmodi naar voren komen: de gedocumenteerde AI-incidenten en agent-fouten achter modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistingsmarkering bevat.