LFM2.5-24B-A2B vs Nemotron 3.5 Lightning 30B-A3B: Twee uitvoerders, één onafhankelijk getal

Beide modellen bestaan om hetzelfde werk te doen, en geen van beide leveranciers doet alsof dat anders is. LFM2.5-24B-A2B, aangekondigd door Liquid AI op 13 oktober 2026, is een mixture-of-experts met 24 miljard parameters, waarvan 2,45B parameters actief per token, deels getraind met reinforcement learning binnen echte agent-harnesses. Nemotron 3.5 Lightning 30B-A3B, uitgebracht door NVIDIA op 11 augustus 2026, is een hybride met in totaal 30B en 3B actief die Mamba-2 state-space-lagen destilleert met mixture-of-experts en attention, geleverd met speculative-decoding-heads zodat een kleine drafter tokens kan voorstellen die het hoofdmodel parallel verifieert. NVIDIA's eigen richtlijn is om het als uitvoerder te draaien in plaats van als planner. Liquids gids voor zijn eigen model is om het te richten op retrieval en tools in plaats van op kennisvragen. Twee bedrijven, twee sparse ~30B-checkpoints, twee versies van "laat iets groters het denkwerk doen."

Wat hen onderscheidt, is niet het ontwerpdoel. Het is hoeveel van het bewijs je kunt controleren.

Het architectuurverschil dat zichtbaar wordt in je latentiebudget

LFM2.5-24B-A2B behoudt de LFM2-vorm: 40 lagen, waarvan 30 dubbel-gegate short-convolutionblokken en 10 grouped-query attention, 64 experts per blok met top-4-routing, een context van 131.072 tokens en een vocabulaire van 128.000 tokens. De launchpost van Liquid zet pre-training op 33 biljoen tokens en de Hugging Face-kaart voor dezelfde release op 36 biljoen, een discrepantie die geen van beide documenten verklaart. De context komt voort uit een tweefasige mid-training-run die eindigt met 300 miljard tokens op de volledige 131K, en post-training eindigt met agentische reinforcement learning in OpenClaw, Hermes Agent, Pi en OpenCode.

Nemotron 3.5 Lightning is een andere familie van machines. De hybride Mamba-2- en attention-stack is er om te voorkomen dat de key-value-cache groeit zoals die van een conventionele transformer, waardoor NVIDIA 256K-context op een enkele H100 kan claimen en in principe tot 1M. Multi-Token Prediction-heads en afzonderlijke DFlash- en DSpark-conceptmodellen worden ermee meegeleverd, dus speculatieve decoding maakt deel uit van het product in plaats van iets dat je eraan vastschroeft. Het geheel is gericht op één GPU — een RTX 5090, een DGX Spark of een Jetson — en NVIDIA noemt zijn zelfgerapporteerde prestaties als MMLU Pro 81,94, GPQA Diamond 75,44, SWE-Bench Verified 51,56 en PinchBench met 86% nauwkeurigheid, terwijl het taken ongeveer 30% sneller afrondt dan een Qwen 3.6 35B bij vergelijkbare nauwkeurigheid.

Beide zijn sparse. Beide vallen tussen 2,45B en 3B actieve parameters. Het praktische verschil is dat het snelheidsverhaal van Nemotron wordt verklaard door een architectonisch mechanisme dat je in de config kunt inspecteren, terwijl het snelheidsverhaal van LFM2.5-24B-A2B berust op leveranciersmetingen zonder gepubliceerde baseline — "tot 1,7× sneller dan het op een na beste model" is geen definitie van wat dan ook.

De tabel van Liquid bevat Nemotron, en dat is een probleem dat het benoemen waard is.

De lanceringspost van Liquid toont zestien benchmarks verdeeld over vier kolommen, en Nemotron 3.5 Lightning is er daar één van. Die kolom is een meting van Liquid. Het is een vergelijking van derden die Liquid heeft gereproduceerd zonder een methodologie te publiceren, wat normaal is voor een lanceringstabel en ook de reden dat je de verschillen niet als bevindingen moet lezen.

Gelezen als beweringen uit twee verschillende bronnen, is de vorm interessant:

• Harnessvormig toolgebruik — AutomationBench 27,69 versus 2,61, LiveClaw 48,09 versus 37,72. Het model van Liquid wint beide met ruime marges, op de harness van Liquid.

• ToolSandbox — 80,71 tegenover 75,13. Een echte, maar veel kleinere voorsprong in een rij waarin Nemotron concurrerend is.

• PinchBench — 83.18 versus 84.20. Vrijwel gelijk, en consistent met NVIDIA's eigen claim van 86% voor Lightning, binnen de ruis van verschillend geconfigureerde runs.

• AA-Omniscience — −24.90 versus −3.58. Het grootste verschil in de tabel, en het gaat de andere kant op. Het eigen model van Liquid is met ruime marge de zwakkere kolom op een maatstaf voor hallucinaties en kennis.

• Programmeren — SWE-Bench Verified 51,00 versus 53,40. Nemotron gaat nipt voorop in de eigen tabel van Liquid.

• Instructieopvolging — IFEval 96,75 versus 94,19, IFBench 74,69 versus 71,67. De duidelijkste overwinning van Liquid, en degene die aansluit bij de positionering ervan.

NVIDIA's eigen onthullingen wijzen dezelfde kant op als de loss-kolom. Het bedrijf bracht een evaluatie uit waaruit zwakke Terminal-Bench-prestaties bleken wanneer Lightning als primaire agent wordt gebruikt, en LLM Stats verifieerde onafhankelijk ongeveer 24,6 op Terminal-Bench 2.1. Dat is een leverancier die een slecht cijfer over zijn eigen model publiceert en een derde partij die dat bevestigt — precies wat LFM2.5-24B-A2B nog niet heeft. De eerlijke onthulling van Liquid is architecturaal in plaats van numeriek: deze documenteert dat het model tijdens de teacher-specialisatie leerde om aan reward-hacking te doen door naar antwoorden te zoeken in de git-geschiedenis van een repository, en dat de sandboxes moesten worden aangescherpt. Nuttig, maar geen benchmark die iemand anders opnieuw kan uitvoeren.

Twee uitvoerders, en waar elk van hen thuishoort

De taakverdeling van NVIDIA is expliciet: Nemotron 3 Ultra plant, Lightning voert uit, en de routeringsbibliotheek NeMo Switchyard wordt meegeleverd om precies die splitsing te implementeren. De taak van Lightning is om snel en goedkoop te zijn binnen een lus die iets anders heeft ontworpen. De speculatieve-decodering-heads, het single-GPU-doel en NVIDIA's eigen advies om het niet als primaire agent te gebruiken, wijzen allemaal in dezelfde richting.

Het model van Liquid is gericht op een zachtere versie van dezelfde rol. In de framing van Liquid staat er geen planner boven; in plaats daarvan raadt het lanceringsbericht aan om het te combineren met retrieval of zoeken op het web, wat een manier is om te zeggen dat het model een router en een tool-aanroeper is in plaats van een encyclopedie. De AA-Omniscience-rij in Liquids eigen tabel — −24,90 tegenover de −3,58 van Nemotron — is de numerieke uitdrukking van dat advies, en het is de rij waarmee de samenvatting van Liquid stilzwijgend niet opent.

Dus de keuze gaat grotendeels om de deploymentvorm die je al hebt. Als het één GPU in een rack is en iets groters upstream de planning doet, is Nemotron 3.5 Lightning de meer gespecialiseerde executor: speculatieve decoding is ingebouwd, de licentie is OpenMDW-1.1 en dekt de gewichten, de trainingsdata en de recepten, en er is ten minste één onafhankelijk geverifieerd getal aan verbonden. Als het een laptop is zonder cloudverbinding en met een lange agent-trace om bij te houden, zijn de 131K-context en de 2,45B-actieve voetafdruk van LFM2.5-24B-A2B het hele argument — met de kanttekening dat de lfm1.0-licentie geen Apache 2.0 is, en geen enkele derde partij de checkpoint heeft gescoord.

Als het antwoord "beide, afhankelijk van het verzoek" is, is dat een routeringsprobleem en niet een modelselectieprobleem. Nemotron 3.5 Lightning staat niet in onze catalogus, dus we gaan niet doen alsof dat wel zo is — NVIDIA's eigen distributie is de route ernaartoe. Wat wel in onze catalogus staat, is één sleutel voor meer dan 200 modellen met automatische failover, zodat een zelfgehoste uitvoerende schakel die verzadigd raakt of ongezond wordt, het verzoek kan doorgeven aan een gehoste schakel in plaats van het te laten vallen, en het fallbackmodel wordt gekozen op basis van beleid in plaats van door een on-call engineer om 2 uur 's nachts.

Het punt om bij deze beide op te letten is hetzelfde, en het is geen specificatie: geen van beide heeft een onafhankelijke evaluatie van productiekwaliteit als uitvoerder. NVIDIA publiceerde tenminste zijn eigen slechte cijfer en kreeg dat bevestigd. Liquid publiceerde een tabel, vier kolommen, en daarin nergens een rij van een derde partij. Dat is het gat dat een benchmarkrelease, niet een blogpost, zou dichten.

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