LBS-27B vs LFM2.5 24B A2B: De vraag naar actieve parameters

Het belangrijkste getal in LFM2.5 24B A2B is niet 24. Het is 2,45 — de miljarden parameters die het model daadwerkelijk leest voor elke token. Daarom kan Liquid AI claimen dat het 184 uitvoertokens per seconde haalt op een Apple M5 Max, terwijl het model 24 miljard parameters aan kennis bevat, en daarom positioneert het bedrijf het als een agent op het apparaat in plaats van een werkpaard voor datacenters. Hetzelfde getal ontbreekt in LBS-27B, en dat het ontbreekt is de reden dat deze vergelijking nog niet kan worden beslecht: zonder een aantal actieve parameters is er geen manier om het model van inclusionAI op de efficiëntiecurve te plaatsen die LFM2.5 definieert.

LFM2.5 24B A2B is sinds 13 oktober 2026 downloadbaar, met een modelkaart, zestien benchmarkrijen en een licentie die de meeste ondernemingen zorgvuldig zullen moeten lezen. LBS-27B is een repository die op 26 oktober 2026 is aangemaakt en die een standaard .gitattributes-bestand en een README van 28 bytes bevat waarin Apache-2.0 wordt vermeld. Geen gewichten, geen config, geen kaart, geen aankondiging. Wat volgt is daarom een vergelijking tussen een volledig gespecificeerde efficiëntiezet en een naam die nog niet heeft gezegd wat voor model het is.

Waar Liquid op optimaliseert

LFM2.5 24B A2B is een mixture-of-experts-decoder met 64 experts en top-4-routing, 40 lagen, een verborgen grootte van 2.048 en een vocabulaire van 128.000 tokens. Het aantal actieve parameters is 2,45 miljard. Het accepteert 131.072 tokens context, tegenover 32K in de vorige generatie, en het is vooraf getraind op 33 biljoen tokens, ongeveer het dubbele van de 17 biljoen die voor LFM2 werden gebruikt.

De wijziging van de vocabulaire is een detail dat het vermelden waard is. Overstappen van 65K naar 128K tokens is duur — het betekent dat de embedding- en uitvoerlagen opnieuw moeten worden getraind — en de gebruikelijke reden daarvoor is niet-Latijnse tekst. De kaart noemt zestien talen: Engels, Arabisch, Chinees, Frans, Duits, Italiaans, Japans, Koreaans, Portugees, Spaans, Vietnamees, Thai, Indonesisch, Hindi, Russisch en Pools. Een grotere vocabulaire maakt die talen goedkoper per woord en doorgaans beter aan de staart.

Het is ook een model dat alleen redeneert. Liquid's post-trainingpijplijn doorloopt supervised fine-tuning, teacher-specialisatie, niet-agentische en agentische distillatie en vervolgens agentische reinforcement learning binnen harnesses zoals OpenClaw, Hermes Agent, Pi en OpenCode. Het model produceert een chain of thought voordat het antwoordt; er is geen aparte "snelle, niet-denkende" modus gedocumenteerd op de modelkaart.

Een doelbewust grillig benchmarkprofiel

Liquids eigen cijfers, die wij niet hebben gereproduceerd, beschrijven een model dat uitblinkt in wat een on-device agent doet en zwak is in wat een kenniswerker nodig heeft. Die vorm is geen toeval; het is het ontwerp.

• Instructieopvolging — IFEval 96.75, IFBench 74.69, Multi-IF 84.38. Dit is het sterkste cluster op de kaart en het cluster dat het meest van belang is voor een agent die een tool-schema moet naleven.

• Toolgebruik — ToolSandbox 80,71, PinchBench 83,18, BFCL v4 65,01, AutomationBench 27,69. Goed, maar wisselend per harnas.

• Agentisch browsen en computergebruik — LiveClaw 48,09, WebArena Verified 26,75, tau3-Bench Banking 8,04. Het bankresultaat is de uitbijter: een enkelcijferige score op een takenpakket dat andere agentische modellen veel beter aankunnen. Het is een herinnering dat "agentic" niet één vaardigheid is.

• Software-engineering — SWE-Bench Verified 51,00 onder OpenCode, SciCode 32,71. Middenmoot.

• Wiskunde — MATH-500 96.04. Sterk voor deze grootte.

• Kennis — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90. De negatieve Omniscience-score is hier het eerlijke signaal: op een benchmark die zelfverzekerde foute antwoorden bestraft, verliest het model meer dan het wint. Liquid's eigen positionering erkent dit — het model is bedoeld om te worden gecombineerd met retrieval, niet om als encyclopedie te worden vertrouwd.

Als je ze samen leest, zeggen die rijen dat het model een competente instructievolger en tool-aanroeper is met een beperkte kennisbasis. Voor een lokale agent die je bestanden leest en je API's aanroept, is dat de juiste afweging. Voor een onderzoeksassistent is het de verkeerde.

De efficiëntieclaim, met de bijbehorende kanttekeningen

Liquid rapporteert 184 tokens per seconde op een Apple M5 Max met ongeveer 15GB geheugen, en 114 tokens per seconde op een Ryzen AI Max+ 395. Dat zijn leverancierscijfers op specifieke hardware, geen algemene benchmark, en ze zullen veranderen met kwantisatie en batchgrootte. De strekking is nog steeds relevant: een 24B-model met 2,45B actieve parameters kan op een laptop draaien op een manier waarop een dense 24B dat niet kan.

De ruil is geheugenbandbreedte. Sparse modellen moeten nog steeds alle 24 miljard parameters in het geheugen houden — de besparing zit in rekenwerk per token, niet in opslag. Daarom is het cijfer van 15GB net zo belangrijk als de doorvoer: het is ruwweg een 4-bit kwantisatie van de volledige set gewichten, en het legt de ondergrens voor de hardware vast.

Waar LBS-27B zou moeten zitten

Alles aan deze vergelijking hangt af van twee velden die nog niet bestaan in de LBS-27B-repository: het aantal experts en het aantal actieve parameters.

Als LBS-27B sparse is met zo'n 2B tot 4B actieve parameters, komt het direct op het terrein van LFM2.5 — een kennisbasis van de 27B-klasse tegen de rekenkracht van een klein model — en wordt de vergelijking een rechtstreekse wedstrijd op kwaliteit per actieve parameter. Als het dense is, is het een heel ander product: een server-side model met voorspelbare rekenkracht en een geheugenvoetafdruk die de meeste laptops uitsluit. Als het sparse is met een groot aantal actieve parameters, zit het tussen beide in en concurreert het op kwaliteit in plaats van efficiëntie.

Er is geen manier om op basis van de repository af te leiden welke het is. De naam zegt 27B, de README zegt Apache-2.0, en de bestandsstructuur zegt niets anders. inclusionAI heeft geen kaart, blogpost of paper gepubliceerd die we konden vinden.

De vergelijking, voor zover die kan worden gemaakt

• Totaal aantal parameters — 24,0B voor LFM2.5 24B A2B; een niet-geverifieerde 27B voor LBS-27B.

• Actieve parameters — 2,45B voor LFM2.5; onbekend voor LBS-27B, en dat is de beslissende onbekende.

• Architectuur — 64 experts met top-4-routing en 40 lagen voor LFM2.5; onbekend voor LBS-27B.

• Context — 131.072 tokens voor LFM2.5; onbekend voor LBS-27B.

• Modaliteit — alleen tekst voor LFM2.5; onbekend voor LBS-27B.

• Talen — zestien vermeld voor LFM2.5; onbekend voor LBS-27B.

• Redeneren — standaard chain-of-thought, zonder gedocumenteerde no-thinking-modus, voor LFM2.5; onbekend voor LBS-27B.

• Licentie — de LFM 1.0-licentie, met een vereiste van een commerciële licentie boven $10 miljoen jaarlijkse omzet, voor LFM2.5; Apache-2.0 gedeclareerd voor LBS-27B.

• Gepubliceerde evaluaties — zestien door leveranciers gerapporteerde rijen voor LFM2.5; geen voor LBS-27B.

De licentie is een inkoopkwestie, geen voetnoot.

Dit is het enige aspect waarop de lege repository LBS-27B al een voordeel oplevert. De LFM 1.0-licentie is geen open source in de zin van de OSI: bedrijven met meer dan $10 miljoen jaaromzet hebben een aparte commerciële licentie nodig voordat ze het kunnen inzetten. Voor een individuele ontwikkelaar of een startup onder de drempel is dat geen probleem. Voor een middelgroot bedrijf betekent het een juridische beoordeling, een onderhandeling en een begrotingspost.

LBS-27B verklaart Apache-2.0 in zijn README. Dat is een permissieve licentie met een expliciete octrooiverlening en zonder omzetdrempel, en als die de weightrelease haalt, schrapt die een hele inkoopstap. Het is het enige concrete voordeel dat LBS-27B op dit moment in deze vergelijking heeft, en het is de moeite waard om dat duidelijk te zeggen, want het is reëel — een licentieverklaring die bij het aanmaken van de repository is gedaan, is zwak bewijs, maar het is niet niets.

Op het apparaat versus via API: twee verschillende producten

LFM2.5 24B A2B is gebouwd om te draaien waar de data zich bevindt. De belofte is privacy en latency: een model op een laptop of workstation dat nooit een verzoek naar een derde partij stuurt, met tool-calling die goed genoeg is om lokale automatisering aan te sturen. De 4-bit geheugenvoetafdruk en de context van 131K zijn daarop afgestemd.

LBS-27B heeft niet gezegd waarvoor het dient. Als inclusionAI een model uitbrengt dat is ontworpen voor server-side serving, gaat het on-device-argument niet op en zijn de twee modellen complementen in plaats van substituten. Als die een MoE met een kleine actieve parameteromvang uitbrengt met een verhaal voor lokale deployment, is de vergelijking direct en wordt de voorsprong van twee generaties die Liquid heeft op het gebied van on-device tooling — ondersteuning voor llama.cpp, MLX, ONNX en vLLM, plus een gedocumenteerde agent-harness — de beslissende factor.

Ondersteuning voor frameworks is een onderschat onderdeel hiervan. Een model dat op dag één niet in llama.cpp of MLX staat, is in de praktijk geen on-device model, ongeacht zijn aantal actieve parameters.

Een onbewezen model testen zonder erop te wedden

Noch LBS-27B noch LFM2.5 24B A2B staan vandaag op OrcaRouter, dus er is voor geen van beide een gehost endpoint en we zullen niet anders suggereren. De reden om het platform hier te noemen, is het evaluatieprobleem dat daaruit voortvloeit: als je wilt weten of een nieuw small-active-model je huidige model kan vervangen, moet je beide op je eigen verkeer laten draaien, niet op een leaderboard.

De routing-DSL van OrcaRouter stelt je in staat een percentage van de aanvragen naar een kandidaatmodel te sturen terwijl het huidige model de standaard blijft, en automatische failover betekent dat een kandidaat die een time-out krijgt of fouten geeft, terugvalt op het bekende model in plaats van de aanvraag te laten mislukken. Voor de moeilijke gevallen waarin één model niet volstaat, laat model fusion een panel van modellen samen antwoorden en wordt een gecombineerd resultaat geretourneerd — nuttig wanneer de taak kennisintensief is en het zwakke punt van het goedkope model precies is wat je test. De catalogus met meer dan 200 modellen en 0% markup wegen hier minder zwaar dan de mogelijkheid om op je eigen inputs te vergelijken zonder een tweede integratie.

Dat is een manier om het bewijs te genereren dat deze pagina mist. Het is geen vervanging voor het bestaan van het model.

Drie lezers, drie antwoorden

Als je een on-device agent bouwt en iets nodig hebt dat vandaag op een laptop draait, is LFM2.5 24B A2B een serieuze kandidaat: sterke instructieopvolging, goede tool-calling op verschillende harnesses, 131K context en een gedocumenteerd pad naar de gebruikelijke lokale runtimes. Controleer eerst de licentiedrempel, en verwacht niet dat het feiten kent zonder retrieval.

Als je een server-side 27B kiest en je hebt een permissieve licentie nodig, is LBS-27B de moeite waard om in de gaten te houden, precies omdat Apache-2.0 al is gedeclareerd. Maar er is niets om te evalueren, en een licentieverklaring is geen model.

Als u een onderneming bent met meer dan $10 miljoen omzet en een strikt inkoopproces, kan het licentieverschil belangrijker zijn dan welke benchmarkrij in dit artikel dan ook. De licentie op maat van LFM2.5 is een echte kostenpost; Apache-2.0 van LBS-27B is een echt voordeel, op voorwaarde dat die de release haalt.

Het getal dat alle drie de antwoorden zou veranderen, is het aantal actieve parameters. Zolang dat niet bestaat, is het eerlijke standpunt dat het ene model een efficiëntieverhaal heeft en het andere een repository.