Dessa vs LFM2.5 2.6B Base: een checkpoint dat je kunt bezitten versus een stem die je alleen kunt horen

LFM2.5-2.6B-Base is een bestand van 2,69 miljard parameters dat in ongeveer 2,5 GB past, op een telefoon draait en een licentie meekrijgt waarmee je het kunt fine-tunen en het resultaat kunt uitbrengen.Dessa is een full-duplex spraakmodel dat Block op 23 oktober 2026 aankondigde, alleen getraind op menselijke gesprekken, en naar verluidt snel genoeg om op een MacBook Pro M4 Max te draaien. Je kunt Dessa niet downloaden, fine-tunen, meten of aanroepen. Het is een wachtlijst.

Deze twee in dezelfde zin zetten is op een voor de hand liggende manier oneerlijk: de ene is een voorgetrainde tekst-checkpoint, de andere is voltooid gespreksgedrag. Maar het oneerlijke is juist het nuttige deel. De vraag waar een team feitelijk voor staat is niet "welk model is beter" — het is "op welk model kan ik een bedrijf bouwen", en op die vraag is de kloof tussen een downloadbaar basis-checkpoint en een gesloten onderzoekspreview groter dan welk benchmarkverschil dan ook.

Wat LFM2.5-2.6B-Base eigenlijk is

Liquid AI bracht de LFM2.5-familie uit op 4 augustus 2026. Het achtervoegsel Base is belangrijker dan het aantal parameters: dit is het voorgetrainde checkpoint, niet de op instructies afgestemde assistent. Het heeft 34 biljoen tokens gelezen en de statistische structuur van 16 talen geleerd, maar het is niet getraind om instructies op te volgen, een dialoog te voeren of tools te gebruiken. Als je het zonder context een prompt geeft, krijg je een aanvulling, geen gesprek.

De architectuur is een hybride. Dertig lagen, waarvan 22 dubbel-gegate korte convolutieblokken zijn en acht grouped-query attention, een ontwerp dat Liquid sinds de eerste LFM2-generatie verfijnt. De woordenschat bestaat uit 128.000 tokens, een verdubbeling ten opzichte van de vorige generatie via een in-place uitbreiding van de tokenizer gericht op niet-Latijnse schriften. De context bedraagt 131.072 tokens, bereikt via een speciale mid-traininguitbreiding in plaats van tijdens de pretraining.

Het instructie-afgestemde zusmodel, LFM2.5-2.6B, is degene met de gepubliceerde benchmarktabel: AIME25 51.87, LiveCodeBench v6 59.41, IFBench 59.17, BFCLv4 56.88, ToolSandbox 77.83, Claw-Eval English 62.85. Die zijn door de leverancier gerapporteerd en ze horen bij het post-getrainde model, niet bij de basisversie. Liquid zelf raadt af om de familie te gebruiken voor agentic coding of kennisintensief werk, wat een nuttig eerlijkheidssignaal is in een markt waar elk klein model wordt beschreven als boven zijn gewicht presterend.

Waarom het nog steeds de moeite waard is om een basis-checkpoint met een voltooid gedrag te vergelijken

Een basismodel is een startpunt. De waarde ervan zit in wat je ermee kunt maken: verder pretrainen op je domein, een supervised fine-tune op je transcripten, een gedistilleerde student voor een smalle taak. Dessa is het tegenovergestelde soort artefact. Het komt als gedrag — beurtwisseling, backchannel, emotionele timing — en niets daarvan ligt open voor aanpassing.

De vergelijking draait dus echt om controle. LFM2.5-2.6B-Base geeft je de gewichten, de licentie en de verplichting om het werk te doen. Dessa geeft je een demo en de mogelijkheid tot toegang. Voor een onderzoekslab kan het tweede waardevoller zijn. Voor een productteam is het eerste het enige dat een concreet opleverbaar resultaat oplevert.

Het specificatieblad, met beide zijden op één regel

De LFM-cijfers zijn afkomstig uit Liquid's modelkaart en aankondiging; de Dessa-cijfers zijn afkomstig van Block's pagina. Alle door de leverancier gerapporteerde cijfers zijn als zodanig aangeduid.

• Parameters — LFM2.5-2.6B-Base 2,69B totaal vs Dessa niet bekendgemaakt.

• Architectuur — LFM2.5-2.6B-Base, een hybride van korte convolutie en gegroepeerde-query-attentie, 30 lagen versus Dessa end-to-end spraak-naar-spraak, architectuur niet gepubliceerd.

• Context — LFM2.5-2.6B-Base 131.072 tokens vs. Dessa niet vermeld.

• Modaliteit — LFM2.5-2.6B-Base tekst in, tekst uit vs Dessa audio in, audio uit.

• Gewichten — LFM2.5-2.6B-Base downloadbaar, inclusief GGUF-, ONNX- en MLX-builds, tegenover geen bij Dessa.

• Licentie — LFM2.5-2.6B-Base: de LFM Open License v1.0, commercieel gebruik onder voorwaarden, versus Dessa: geen licentie gepubliceerd.

• Geheugen — LFM2.5-2.6B-Base onder ongeveer 2,5 GB tijdens runtime vs. Dessa een MacBook Pro M4 Max of beter, per Block.

• Snelheid — LFM2.5-2.6B-Base ongeveer 220 tokens per seconde op een Apple M5 Max, ongeveer 30 op telefoons, volgens opgave van de leverancier, tegenover Dessa's "sneller dan realtime", zonder cijfer.

• Prijs — LFM2.5-2.6B-Base gratis gewichten vs Dessa geen prijs.

• Beschikbaarheid — LFM2.5-2.6B-Base algemeen beschikbaar sinds 4 augustus 2026, tegenover een wachtlijst voor Dessa.

Het apparaatbudget is het hele argument.

De pitch van Liquid draait om implementatie-economie: een model dat klein genoeg is voor een Raspberry Pi, snel genoeg voor een telefoon en goedkoop genoeg om te draaien zonder GPU-factuur. De beweerde doorvoer — ongeveer 220 tokens per seconde op een M5 Max, 113 op een Ryzen AI Max+ 395 en ruwweg 30 op een telefoon — is het soort getal dat bepaalt of een on-device assistent direct of kapot aanvoelt. Dertig tokens per seconde is sneller dan leessnelheid, de relevante drempel voor een chatinterface.

Dessa's deploymentclaim is een laptop van ruim $2.000 met een topklasse Apple-chip. Dat is nog steeds lokaal, en lokaal heeft echte voordelen: geen kosten per token, geen netwerkrondreis, geen data die het apparaat verlaat. Maar het is een andere markt. Een model met 2,6 miljard parameters kan in een app worden meegeleverd; een model dat een M4 Max nodig heeft, is een ontwikkelaarstool of een desktopfunctie. Als je product op telefoons draait, houdt deze vergelijking op bij de geheugengrens.

Licenties zijn de echte scheidslijn

De LFM Open License v1.0 is geen door OSI goedgekeurde opensourcelicentie, en dat mag best ronduit gezegd worden. Commercieel gebruik is toegestaan, maar organisaties boven een omzetdrempel — volgens de voorwaarden van Liquid ligt die op $10 miljoen jaarlijkse omzet — hebben een afzonderlijke commerciële licentie nodig. Dat is een echte beperking. Het is ook een bekende beperking, met een document, een drempel en iemand om mee te onderhandelen.

Dessa heeft geen licentie omdat Dessa geen distributie heeft. Je kunt je niet houden aan voorwaarden die niet bestaan, en je kunt geen inkoopdossier opbouwen rond een wachtlijst. Voor een enterprise is "aangepaste licentie met een omzetdrempel" een juridische toets. "Geen gepubliceerde voorwaarden" is een blokkade.

Als je vandaag een spraakagent op een telefoon wilt

Geen van beide modellen is een volledig antwoord, maar de LFM-kant is op zijn minst een startpunt. Een spraakagent voor de telefoon heeft drie onderdelen nodig: spraakherkenning, een taalmodel en spraaksynthese. LFM2.5-2.6B-Base kan het middelste onderdeel zijn als je het fine-tunet — het basischeckpoint is een tekstmodel, dus het hoort van zichzelf niets, en de context van 131K is genoeg om een lange gespreksgeschiedenis plus opgehaalde notities vast te houden.

De fine-tuning is de interessante optie. Met de gewichten in handen kun je trainen op gesprekken uit je eigen domein en het resultaat naar je eigen maatstaven beoordelen. Dat is precies het experiment waartoe de aankondiging van Dessa uitnodigt en dat ze niet toestaat: neem een kleine stack die spraak aankan, train die op echte gesprekken en kijk of emotionele timing naar voren komt. Block zegt dat het dit vanaf nul op één GB200 NVL72-rack heeft gedaan. Een team met een paar GPU's kan de goedkope versie van de vraag op een LFM-basis draaien en binnen een week iets leren.

Als je het taalmodel liever niet op het apparaat zelf wilt draaien, zet OrcaRouteréén API voor meer dan 200 modellen met 0% opslag en automatische failover, zodat de redeneerstap in de cloud kan draaien terwijl audio lokaal blijft. Voor de duidelijkheid over de scope: LFM2.5 2.6B Base staat niet in onze catalogus — het is een download, en dat is juist het punt ervan. Wij routeren gehoste modellen; deze is bedoeld om te draaien waar je hem plaatst.

Wie moet welke kiezen

• Je moet eigenaar zijn van het model, de gewichten en de roadmap — LFM2.5-2.6B-Base, en dan fine-tunen.

• Je hebt offline werking nodig op goedkope hardware — LFM2.5-2.6B-Base.

• Je hebt een tekst- of agentische core van een paar gigabyte nodig — de post-getrainde LFM2.5-2.6B, niet de basisversie.

• Je hebt live, onderbreekbare, emotioneel expressieve spraak nodig — Dessa is van de twee de enige die daarop is gericht, en die is niet beschikbaar.

• Je hebt een licentie nodig die je dit kwartaal kunt ondertekenen — LFM2.5-2.6B-Base, met de omzetclausule gecontroleerd.

• Je moet een reproduceerbaar resultaat publiceren — LFM2.5-2.6B-Base, want reproduceerbaarheid vereist een bestand.

Het experiment dat uitsluitsel zou geven

Neem 1.000 uur gespreksaudio met transcripties, fine-tune LFM2.5-2.6B-Base aan de tekstkant en zet er een sterke spraakherkenner en -synthesizer op. Meet het herstel na onderbrekingen en de emotionele gepastheid ten opzichte van een turn-based baseline. Als het resultaat in de buurt komt van wat de clips van Block suggereren, dan is de voorsprong van Dessa kleiner dan de demoreel doet vermoeden: het kan een architectuurwinst zijn, maar geen onaanvechtbare.

Als dat niet het geval is, wordt de zaak voor speech-native training sterker, en wordt het ontbreken van een Dessa-gewichtsbestand het belangrijkste feit in deze vergelijking. Hoe dan ook, de test is uitvoerbaar aan de open kant en niet aan de gesloten kant. Die asymmetrie is het antwoord op de hoofdvraag, en dat blijft het antwoord totdat Block iets levert dat een klant in handen kan houden.