HiRO-ACEv2 vs LFM2.5 2.6B Base: Geen van beide is een product, en ze zijn niet op dezelfde manier onvoltooid

Zet HiRO-ACEv2 en LFM2.5 2.6B Base naast elkaar en het eerste dat je opvalt, is dat geen van beide iets is dat een ontwikkelaar kan aanroepen. HiRO-ACEv2 is de klimaatemulator van de tweede generatie van Ai2, geüpload als een Hugging Face-repository van 10,9 GB op 12 oktober 2026, zonder aankondiging en met een preprint gedateerd op de dag erna; LFM2.5 2.6B Base is Liquid AI's voorgetrainde checkpoint met 2,69 miljard parameters, gecreëerd op 1 augustus 2026, expliciet door zijn eigen leverancier beschreven als het checkpoint waarnaar je alleen grijpt wanneer je substantiële aanpassing nodig hebt. Beide zijn ruw materiaal. Beide zijn vandaag downloadbaar. En de manieren waarop elk van de twee geen afgewerkt product is, zijn bijna elkaars tegenpolen, en dat is de enige reden waarom deze vergelijking het waard is om op te schrijven in plaats van af te doen.

De Base-checkpoint is onvoltooid omdat hem nog niet is geleerd om instructies te volgen. HiRO-ACEv2 is onvoltooid in de zin dat het nooit een model voor algemeen gebruik zal zijn — het is een toepassing die al getraind, al gespecialiseerd en al omgeven door vastgestelde grenzen is aangekomen. De een is een substraat dat op een doel wacht. De ander is een doel zonder substraat voor iets anders.

Wat elke repository daadwerkelijk bevat

De Base-repository van Liquid AI is een model. De kaart vermeldt 2,69 miljard parameters verspreid over 30 lagen — 22 korte convolutieblokken met dubbele gate en 8 grouped-query-attentionlagen, een hybride opzet waar de LFM2-familie omheen is gebouwd — met een contextvenster van 131.072 tokens, een vocabulaire van 128.000 items, 34 biljoen tokens aan pretraining, en dekking van 16 talen, waaronder Engels, Arabisch, Chinees, Frans, Duits, Italiaans, Japans, Koreaans, Portugees, Spaans, Vietnamees, Thais, Indonesisch, Hindi, Russisch en Pools. Het is uitsluitend tekst en het is niet op instructies afgestemd. Downloadformaten variëren van het native Transformers-checkpoint tot GGUF voor llama.cpp, ONNX voor implementatie op meerdere platforms, en MLX voor Apple silicon; de Q4_K_M-kwantisatie komt uit op ongeveer 1,67 GB.

De repository van Ai2 is in die zin geen model. Deze bevat twee checkpoints — HiROv2.ckpt van ongeveer 1,28 GiB en ACE2S-X-SHiELD.ckpt van ongeveer 2,98 GiB — plus tien jaar NetCDF-forcingdata van ongeveer 609 MB per bestand, twee bestanden met beginvoorwaarden, drie YAML-configuraties en een shellscript. De ongeveer 4,3 GiB aan daadwerkelijke gewichten vormt een minderheid van de totale 10,9 GB; het grootste deel van wat je downloadt is het venster met invoergegevens dat het framework is gebouwd om te verwerken. Er is geen kwantisatie, geen alternatieve runtime, geen ONNX-export en geen kleinere variant. Er is één manier om het uit te voeren, en de README beschrijft die: installeer het fme-pakket van Ai2, bewerk vier paden in de configuratie, voer het script uit.

Twee verschillende soorten licentieproblemen

De licentietags zijn waar het contrast praktisch wordt in plaats van filosofisch, en waar dit tweetal wezenlijk verschilt van een model zoals de Apache-2.0-releases die je hier zou verwachten aan te treffen.

• HiRO-ACEv2 — Apache 2.0, waarbij de Responsible Use Guidelines van Ai2 een onderzoeks- en onderwijsdoel aan de subsidie koppelen, en trainingsdata die aan X-SHIELD worden toegeschreven, geleverd door GFDL.

• LFM2.5 2.6B Base — de LFM Open License v1.0, geen permissieve licentie in OSI-stijl. De gebruiksvoorwaarden staan in het eigen LICENSE-bestand van de repository, en de commerciële voorwaarden zijn de reden om dat bestand te lezen in plaats van de tag voordat je een product op de checkpoint bouwt.

• Wat dat betekent voor de fork die je op het punt staat te maken — bij HiRO-ACEv2 is de vraag of je gebruik onderzoek is; bij LFM2.5 2.6B Base is de vraag of je gebruik commercieel is, en op welke schaal. Verschillende vragen, verschillende antwoorden, en geen van beide wordt beantwoord door het woord "open."

De outputvormen hebben niets met elkaar gemeen, en dat is het nuttige deel.

Het Base-checkpoint produceert tekst. Token voor token, autoregressief, met het gebruikelijke sampling-oppervlak — de kaart suggereert temperatuur 0,6 en top-p 0,95 voor de generatiestijl van de post-getrainde tegenhanger, en een base-checkpoint vraagt je dat zelf te beslissen. Alles wat daarop volgt is een taaltaak: een document vervolgen, een span classificeren, vertalen, gestructureerde data genereren, of als startpunt dienen voor een fine-tune die het een domein of een taal leert die het momenteel niet goed dekt.

HiRO-ACEv2 produceert gerasterde fysische velden met een resolutie van 3 km — zesuurlijks gemiddelde neerslagintensiteiten aan het oppervlak, momentane oostwaartse en noordwaartse winden op 10 meter, en luchtdruk op zeeniveau — gedownscaled uit 100 km-invoer door een diffusiemodel, waarbij de grove toestand zelf autoregressief wordt gegenereerd door een aparte emulator van X-SHIELD. Niets aan die pijplijn is tekst. De evaluatie die ertoe doet, is of de verdeling van de uitvoer overeenkomt met een referentiesimulatie tot in de verre staart ervan, en het artikel achter de release gaat precies daarover: de auteurs melden dat ze referentieneerslag- en windverdelingen nabij het oppervlak volgen tot het 99,9999e percentiel, en in grote lijnen de referentie-intensiteitsverdeling van tropische cyclonen volgen, met geclaimde inferentiekosten die meer dan 300 keer lager zijn dan die van een conventioneel numeriek wereldwijd stormoplossend model.

Beide zijn beweringen van leveranciers of auteurs, niet gereproduceerd. Het verschil is wat een reproduceerder zou moeten doen. Het verifiëren van een bewering over het Base-checkpoint betekent een takenpakket en een checkpoint aan GPU-uren. Het verifiëren van een bewering over HiRO-ACEv2 betekent een forcingdataset van tien jaar, een referentiesimulatie om mee te vergelijken, en een distributieanalyse in de verre staart — daarom zal de tweede bewering waarschijnlijk aanzienlijk langer onbetwist blijven.

Wat je daadwerkelijk op elk zou bouwen

Het natuurlijke gebruik van het Base-checkpoint is adaptatie, en Liquid AI is daar ongewoon direct over: taal- of domeinspecifieke assistenten, trainen op propriëtaire data, of het testen van nieuwe post-trainingsmethoden. Dat is een checkpoint waarvan de waarde pas na je werk komt, niet ervoor. Het post-getrainde broertje — LFM2.5 2.6B, drie dagen eerder gemaakt op 28 juli — is degene die gebouwd is voor agentische workloads, en de downloadcijfers zeggen alles over welke van de twee de community wilde: het post-getrainde model was medio oktober voorbij 114.000 downloads en 823 likes, tegenover 6.282 downloads en 51 likes voor de Base. De Base is een gereedschap voor specialisten en de markt heeft het dienovereenkomstig geprijsd.

Het natuurlijke gebruik van HiRO-ACEv2 is het draaien van een ensemble. Het verkoopargument van het framework is niet één voorspelling, maar vele: de motivatie achter het artikel is het genereren van grote ensembles, goedkoop genoeg om het gedrag en de extremen van tropische cyclonen op 3 km te bestuderen, over periodes van meerdere decennia en willekeurige wereldwijde regio's. Je fine-tunet het niet, en de modelkaart nodigt je daar ook niet toe uit. Je draait het, en je vertrouwt de beperkingen ervan — negen jaar trainingsdata, geen toepasbaarheid buiten 66°Z tot 70°N, artefacten op patchgrenzen boven de 16×16-trainingspatch van één graad — of je doet dat niet.

Anders gezegd: een van deze modellen is een startpunt dat je aanpast, en het andere is een instrument dat je bedient. Ze als onderling uitwisselbare "open modellen" beschouwen omdat beide downloadbaar zijn, is de fout die deze pagina juist wil voorkomen.

Het enige dat ze gemeen hebben: geen van beide wordt per token gefactureerd.

Waar de twee echt samenkomen, is de kostenstructuur. Geen van beide heeft een tariefkaart. LFM2.5 2.6B Base is gratis te downloaden en goedkoop te draaien, juist omdat het klein is — een paar gigabyte in bf16 en ruim onder de twee gigabyte in gekwantiseerde vorm, wat precies het hele punt van het LFM2.5-ontwerp is en de reden dat het bestaat naast een post-trained zustermodel dat is afgestemd op on-device werk. HiRO-ACEv2 is om een andere reden goedkoop: het is een smalle emulator, en zijn economie komt voort uit het vervangen van een enorm dure numerieke simulatie in plaats van uit het passen op een telefoon.

Dus als je workload tekst is, is de Base-checkpoint een kwestie van fine-tuning, en de alledaagse versie van die workload — degene waarin je wilt dat een model antwoordt in plaats van dat je een checkpoint traint — ziet eruit als een call, niet als een download. Dat is de laag waarin OrcaRouter zit: één API-sleutel voor meer dan tweehonderd gehoste modellen, met de lijstprijs van de provider doorgegeven zonder opslag en automatische failover tussen providers wanneer er één verslechtert. Geen van beide modellen in deze vergelijking staat in die catalogus, en geen van beide zou dat in zijn huidige vorm kunnen; LFM2.5 2.6B Base is een checkpoint en geen service, en HiRO-ACEv2 heeft helemaal geen request-vormige interface. Wat wij routeren is alles eromheen — de samenvatting, de extractie, de harness-code en de agent-loop die van een gedownload artefact een pipeline maakt.

Picken, in de praktijk

Als je data hebt in een domein of een taal waarvan het basismodel niet genoeg heeft gezien, en je hebt de rekenkracht om te post-trainen, dan is LFM2.5 2.6B Base een goedkoper startpunt dan de meeste van zijn concurrenten — lees het licentiebestand voordat je de benchmark leest waarop je hoopte, want bij dit checkpoint is de licentie het document dat bepaalt of jouw project is toegestaan. Als je een klein agentisch model op een apparaat wilt laten draaien, wil je de post-trained variant in plaats van de Base, en de downloadcijfers suggereren dat de community die conclusie eerder trok dan jij. Als je een atmosferisch veld van 3 km over drie decennia van gesimuleerd klimaat wilt, is geen van beide relevant en slechts één bestand in dit artikel is dat wel.

Het nuttige inzicht dat je hieruit kunt meenemen, is dat "open weights" op zichzelf geen nuttige categorie meer is. Een basis-checkpoint, een post-getrainde tegenhanger en een onderzoeksemulator kunnen allemaal een label dragen dat permissief klinkt en daarmee drie totaal verschillende dingen betekenen.

Vergelijkingen zoals deze zijn ook waar de faalmodi aan het licht komen: de gedocumenteerde AI-incidenten en agentfouten achter modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive , waar elke vermelding zijn eigen bronnen, ernstgraad, betrouwbaarheidsgraad en betwist-markering bevat.