LFM2.5-24B-A2B vs Granite 4.2 30B: Sparse laptopmodel of dense werkstationmodel

"Open weights" vervult twee verschillende functies in LFM2.5-24B-A2B en Granite 4.2 30B. Het model van Liquid AI, aangekondigd op 13 oktober 2026, is een mixture-of-experts met 24 miljard parameters die per token 2,45B parameters activeert en wordt geleverd onder de eigen lfm1.0-licentie van de leverancier. IBM's Granite 4.2 30B, gepubliceerd op Hugging Face op 25 augustus 2026, is een dense decoder-only reasoningmodel — ongeveer 29 miljard parameters in zijn BF16-safetensors, elk daarvan actief op elke token — en wordt geleverd onder Apache 2.0. Een van die licenties is een standaard Apache-verlening zonder verplichtingen. De andere niet, en dat verschil overleeft elk benchmarkargument dat je over de twee zou kunnen hebben.

Het tweede verschil is rekenwerk dat geen enkele evaluatie kan verbergen. Een MoE met 2,45 miljard actieve parameters is afgestemd op een machine die je al bezit. Een dense 29B-model heeft een GPU nodig met genoeg geheugen om het te bevatten, waardoor de vergelijking minder gaat over "welke is slimmer" dan over "welke van deze je daadwerkelijk kunt draaien op de hardware die voor je staat."

Waar de parameters komen

LFM2.5-24B-A2B bestaat uit 40 lagen, verdeeld over 30 dubbel-gated short-convolution-blokken en 10 grouped-query attention-lagen, met 64 experts per blok en top-4-routering. Liquid trainde het op 33 biljoen tokens volgens de telling in de lanceringspost — of 36 biljoen volgens de telling op de Hugging Face-modelkaart voor dezelfde release, een discrepantie die geen van beide documenten oplost — en deed daarna mid-training in twee fasen en rondde af met een vijfstaps post-trainingpijplijn die eindigt in agentic reinforcement learning binnen echte agent-harnassen. Het heeft een context van 131.072 tokens en een vocabulaire van 128.000 tokens.

Granite 4.2 30B is één enkele dense stack zonder routing, gebouwd op het Granite-4.1-30B-Base-checkpoint en getraind met drie selecteerbare redeneermodi: volledig denken verpakt in <think>-tags, denken met lage inspanning, en helemaal niet denken. Het heeft een native context van 128K met een gedocumenteerde lange-contextuitbreiding tot 512K, ondersteunt twaalf geteste talen, en de modelkaart beveelt temperatuur 1.0 met top_p 0.95 aan voor alle taken.

De praktische consequentie is de vorm van de doorvoer, niet alleen de doorvoer. Sparse routing betekent dat LFM2.5-24B-A2B een bestand met 24B aan gewichten leest om per token 2,45B aan rekenwerk te doen — goed voor de geheugenbandbreedte, nergens in het bijzonder slecht voor. Dense betekent dat Granite 4.2 30B het volledige 29B aan werk doet voor elke token die het voortbrengt. Als je workload een lange agent-loop met veel korte beurten is, wordt dat verschil versterkt.

Leveranciersnummers, naast elkaar, met de bijbehorende kanttekening.

Niemand heeft deze twee tegen elkaar getest. De cijfers van IBM komen uit de modelkaart van Granite 4.2; die van Liquid komen uit de vLLM-tabel van de introductiedag, waarin Granite niet als kolom voorkomt. De onderstaande rijen zijn daarom twee afzonderlijke claims van leveranciers die naast elkaar zijn geplaatst, geen directe vergelijking, en twee van de vier benchmarks gebruiken deels overlappende, maar niet-identieke testharnassen.

• Parameters — 24,0B totaal met 2,45B actief versus ~29B dense, allemaal actief. Het enige getal dat je hardware bepaalt.

• Context — 131.072 tokens tegenover 128K native en 512K uitgebreid.Ongeveer op hetzelfde niveau in het native venster; Granite gaat verder als je dat nodig hebt.

• Licentie — lfm1.0 versus Apache 2.0. Apache 2.0 heeft geen omzetdrempel en geen vraag over het toepassingsgebied. Leg de voorwaarden van Liquid naast je eigen cijfers.

• Agentisch toolgebruik — BFCLv4 65.01 versus BFCL v4 61.39.Liquid's cijfer komt uit zijn eigen harness; dat van IBM uit de 4.2-modelkaart. Zo dicht bij elkaar dat de harness meer uitmaakt dan het verschil.

• Programmeren — SWE-Bench Verified 51,00 tegenover 57,00. De voorsprong van Granite, en dat past in het patroon: LFM2.5-24B-A2B is een tool-aanroeper, Granite 4.2 30B is een redeneermodel dat ook tools aanroept.

• Instructieopvolging — IFEval 96,75 en IFBench 74,69 tegenover IFBench 77,17. Beide sterk; de twee leveranciers gebruiken verschillende paren rijen, dus vergelijk de gedeelde rij.

Waar de kaart van Granite details toevoegt die die van Liquid niet publiceert, vat dat op als het argument van de reasoner: AIME 2025 op 89,17, GPQA op 66,41, LiveCodeBench v6 op 75,77, MMLU-Pro op 77,60, SciCode op 38,76, en RULER op 89,96 voor 64K en 81,38 voor 128K. Dat laatste paar is precies het soort bewijs voor lange context dat LFM2.5-24B-A2B simpelweg nog niet heeft — Liquid publiceerde voor geen enkele contextlengte retrievalcijfers voor zijn 131K-venster.

Wat het je kost om elk ervan aan te houden

Liquid biedt API-toegang aan voor $0,10 per miljoen inputtokens — $0,05 gecached — en $1,00 per miljoen outputtokens via zijn eigen Console, met $2 aan startkrediet. Maar het gehoste endpoint is niet echt het product; het product is het 24B-A2B-bestand zelf, en de doorvoerclaims van de leverancier hebben allemaal betrekking op het toestel zelf: 184 tokens per seconde op een Apple M5 Max en 114 tokens per seconde op een AMD Ryzen AI Max+ 395. Beide zijn door de leverancier gerapporteerd en niet gereproduceerd, en ongeacht of ze standhouden, geldt het architectuurargument wel: een MoE met 2,45B actieve parameters draait op unified memory op een manier waarop een dense model van 29B dat niet doet.

IBM publiceert geen prijs per token op de modelkaart — Granite 4.2 30B is gepositioneerd als een self-hosted checkpoint, gedistribueerd als BF16 plus FP8, NVFP4/MXFP4- en GGUF-quantisaties. De totale kosten zijn de GPU die je moet kopen of huren om ongeveer 29B aan dense gewichten te huisvesten, en een dense 30B in FP8 vraagt aanzienlijk meer geheugen dan een gequantiseerde MoE met 2,45B actieve parameters. Op basis van per token geserveerd is het sparse model goedkoper in gebruik; op basis van cold-start en worst-case-latency heeft het dense model geen routing om op te warmen. Welke van die twee je belangrijk vindt, hangt volledig af van of de endpoint altijd aan staat.

Als je een van beide wilt testen zonder je aan een van beide te binden, bestaan beide routes. Granite 4.2 30B is zelf te hosten onder Apache 2.0 zonder omzetplafond, en de geserveerde kant van elk getal hierboven — qwen/qwen3.6-35b-a3b en google/gemma-4-26b-a4b-it, waaronder deze, staat in onze catalogus achter één sleutel tegen 0% opslag op de eigen lijstprijs van elke provider, zodat een prijswijziging van een leverancier de endpoint bereikt op dezelfde dag dat deze wordt aangekondigd en niet pas bij de volgende factureringscyclus.

Welke moet je kiezen?

Kies LFM2.5-24B-A2B als de machine de beperkende factor is en de workload uit tool calls bestaat. Het wint waar harness-vormig werk wordt gemeten, het herbergt 131K context in een voetafdruk die een laptop aankan, en Liquid heeft het getraind op echte agent-scaffolds in plaats van een statische testset — een detail dat meer uitmaakt voor een router dan voor een reasoner. Accepteer twee dingen als je hiervoor kiest: de lfm1.0-licentie is geen Apache 2.0, en niemand buiten Liquid heeft deze checkpoint nog gescoord.

Kies Granite 4.2 30B als je de hardware hebt, een model nodig hebt dat redeneert voordat het handelt, of de licentie er een moet zijn die je juridische team al kent. Het loopt voorop op het gebied van coderen, het is de enige van de twee met gepubliceerde cijfers voor long-contextretrieval, en de 512K-uitbreiding is echte documentatie in plaats van een markt. De agentische cijfers zijn magerder — 61,39 op BFCL v4 tegenover 65,01 van Liquid — wat precies het omgekeerde is van wat de parameteraantallen zouden suggereren, en een herinnering dat dichtheid redeneervermogen koopt, maar niet automatisch tooldiscipline.

De eerlijke samenvatting is dat deze twee geen vervangers van elkaar zijn. LFM2.5-24B-A2B is gebouwd om het model te zijn dat de loop uitvoert op een apparaat zonder cloudverbinding. Granite 4.2 30B is gebouwd om het model te zijn dat hard nadenkt over een probleem en de licentie heeft om te bewijzen dat het kan worden uitgebracht. Als je beide hebt, is de routeringsvraag welke van de twee het verzoek krijgt — en dat is een beslissing die een routeringslaag hoort te nemen, niet een benchmarktabel.

Volg live modelstoringen en degradaties in ons incidentenarchief en zie welke routes een probleemloze failover hebben uitgevoerd.