MiniCPM5-2B-DSpark vs LFM2.5-2.6B-Base: de ene is een ingrediënt voor serving, de andere is een ingrediënt voor training

Twee van de interessantste releases van kleine modellen in de nazomer van 2026 hebben dit gemeen: geen van beide werkt uit de doos, en beide leveranciers zeggen dat in de eerste zinnen van hun modelkaarten. MiniCPM5-2B-DSpark is het DSpark-draftcheckpoint dat OpenBMB op 6 september 2026 stilletjes op Hugging Face plaatste — een companion met 323,8M parameters voor MiniCPM5-2B, het dense on-device-model met 2,52B parameters dat ModelBest op 19 juli 2026 op de WAIC aankondigde — en het doet niets totdat je het naast dat doelmodel laadt in een engine voor speculatieve decodering. LFM2.5-2.6B-Base is het voorgetrainde tekstcheckpoint van Liquid AI. Het staat sinds 1 augustus 2026 op Hugging Face en wordt in de eigen modelkaart van Liquid 'het voorgetrainde text-only-checkpoint' genoemd, alleen aanbevolen voor taken die intensieve fine-tuning vereisen. De ene is een ingrediënt om een volledig getraind model sneller te serveren; de andere is een ingrediënt om in de eerste plaats je eigen model te trainen. Ze liggen in verschillende schappen, en de fout die een bouwer kan maken, is naar het verkeerde te grijpen.

Wat hen de moeite waard maakt om te vergelijken, is dat ze zich richten op dezelfde hardware en dezelfde 2026-ambitie — capabele AI op telefoons, laptops en edge-boxen — maar vanuit tegenovergestelde uiteinden van het bouwproces. Als je een inzetbaar on-device model wilt plus een gratis versnelling, krijg je bij OpenBMB de hele stack open en bloot. Als je de post-training zelf wilt doen, levert Liquid je het substraat en het werk. Dit artikel gaat over welke laag je daadwerkelijk aanschaft.

Twee kaarten waarop in verschillende dialecten "niet voor direct gebruik" staat.

Lees de twee modelkaarten naast elkaar en de aanwijzing zit in de taal van de koppeling. De kaart van MiniCPM5-2B-DSpark is volledig geschreven in termen van een ander model: een doelmodel, een tokenizer die het deelt, draft-lagen, acceptatielengtes, een SGLang-startopdracht die een doelpad en een draftpad neemt. De draft heeft geen eigen identiteit — vijf volledige aandachtslagen, 323.776.001 parameters, een blokgrootte van zeven, getraind gedurende zes epochs op 7,05 miljard tokens van door MiniCPM5-2B gegenereerde antwoorden, en vrijgegeven onder Apache-2.0 met de confidence- en Markov-koppen van de DSpark-methode (arXiv 2607.05147) ingeschakeld. Het doel ervan is doorvoer: stel tot zeven tokens voor, laat het 2.52B-doelmodel het blok in één keer verifiëren, en houd wat het accepteert.

De openbmb/MiniCPM5-2B-DSpark-kaart hierboven is het volledige publieke gezicht van de release — een servingaccessoire zonder aankondiging, dat acceptatielengte rapporteert maar geen end-to-end snelheidswinst.

De modelkaart van LFM2.5-2.6B-Base is geschreven in termen van een model dat nog niet bestaat: het jouwe. De 2.69B-hybride stapelt acht grouped-query-attention-lagen bovenop tweeëntwintig dual-gated short-convolution-blokken — de architectuur van Liquid voor implementatie op apparaten — en is getraind op ongeveer 34 biljoen tokens in 16 talen met een context van 128K. Het is tekst-only, heeft geen instruction tuning en publiceert geen eigen benchmarks, omdat een voorgetraind basismodel niet wordt gescoord; de fine-tuned producten die eruit voortkomen wel. Zijn taak is om verder te worden voorgetraind of ge-SFT'd op jouw data, waarna alles wat je uitbrengt de licentievoorwaarden ervan erft.

De LiquidAI/LFM2.5-2.6B-Base-kaart hierboven toont de familietabel — base versus het post-getrainde LFM2.5-2.6B agentische model — en de notitie 'pre-trained text-only checkpoint' die de base als grondstof definieert.

De repo's, dimensie voor dimensie

• Rol — MiniCPM5-2B-DSpark: versnelt een bestaand, afgewerkt doelmodel. LFM2.5-2.6B-Base: het substraat dat je via post-training tot een afgewerkt model maakt.

• Parameters — MiniCPM5-2B-DSpark: een 324M-conceptmodel voor een dense 2.52B-doelmodel. LFM2.5-2.6B-Base: een 2.69B-hybride (aandachts- en kort-convolutieblokken).

• Context — MiniCPM5-2B doel: 128K native. LFM2.5-2.6B-Base: 128K native.

• Wat je moet toevoegen — MiniCPM5-2B-DSpark: een serving-engine (SGLang DSPARK) en het doelmodel. LFM2.5-2.6B-Base: een fine-tuningrun, een evaluatiesuite en een inferentiestack.

• Benchmarks — MiniCPM5-2B-DSpark: alleen de acceptatielengte van de repo (greedy-aggregatie 5.52 per stap), geen versnellingscijfer. LFM2.5-2.6B-Base: niets gepubliceerd voor het basismodel zelf.

• Licentie — MiniCPM5-2B-DSpark: Apache-2.0, zonder verplichtingen. LFM2.5-2.6B-Base: LFM Open License v1.0 — gratis commercieel gebruik tot een jaarlijkse omzet van $10M, en de limiet geldt ook voor alles wat je daaruit fine-tunet.

Het scorebord hierboven is het ingrediëntenschap, afgebeeld als een kaart: de ene kolom is een serveer-accessoire voor een afgewerkt model, de andere een trainingssubstraat voor een model dat pas bestaat als je het bouwt.

Het verschil van $10 miljoen

Voor een bouwer is het licentieverschil het minst glamoureuze en meest beslissende punt op die lijst. ModelBest en OpenBMB brengen MiniCPM5-2B en het bijbehorende draftmodel onder Apache-2.0 uit: je kunt het targetmodel serveren, het draftmodel draaien en er een commercieel product bovenop bouwen, zonder omzetplafond en zonder andere overgeërfde verplichtingen dan naamsvermelding. De LFM Open License v1.0 van Liquid staat commercieel gebruik toe, maar stelt er een plafond aan — gratis zolang de jaarlijkse omzet onder $10M blijft, en dat plafond gaat over op je afgeleide werk, dus een product dat je via fine-tuning van LFM2.5-2.6B-Base maakt, valt onder hetzelfde plafond. Dat maakt de licentie van Liquid niet onredelijk; het maakt het tot een voorwaarde waarmee een startup die voorbij het plafond wil opschalen vanaf dag één rekening moet houden. Als de omzetambitie van je project klein is of je onderzoek evalueert, speelt het plafond geen rol. Als je iets bouwt dat je wilt laten groeien, is Apache-2.0 een ander soort grondstof.

De bouwen-versus-kopen-vertakking voor bouwers

Zet het neer als een zelf-bouwen-of-kopen-beslissing over het model zelf, en de keuze wordt niet meer verwarrend. MiniCPM5-2B-DSpark is het 'kopen'-pad: het zware werk – het post-trainen van een on-device-model voor agentische taken met lange context – is in MiniCPM5-2B al gedaan, en de draft is een versnellingslaag bovenop zonder bijkomende licentie. Je koopt een afgewerkt model en een snelheidswinst, beide Apache-2.0, en wat je nog rest is serving en evaluatie. De open vraag is kwantitatief: OpenBMB heeft de acceptatie van de draft gemeten (5.52 tokens per verificatiestap bij greedy), maar niet de tijdwinst op de klok, dus je moet de SGLang-deployment op je eigen hardware nog altijd benchmarken om te weten wat je hebt gekocht.

LFM2.5-2.6B-Base is het "build"-pad: je koopt het pretraining-substraat en doet zelf de post-training. Dat is de enige eerlijke reden om een basismodel te verkiezen boven het post-getrainde zustermodel LFM2.5-2.6B dat Liquid al verkoopt. Die weg is zinvol wanneer je een domein, een taal of een gedragsprofiel hebt dat niet door kant-en-klare modellen wordt gedekt — je neemt Liquid's architectuur en het fundament van 34 biljoen tokens en maakt het je eigen. Het is aanzienlijk meer werk, het begint met nul gepubliceerde benchmarks, en het omzetplafond blijft van toepassing. De beloning is een model dat niemand anders heeft.

De realiteit van routing

Geen van beide checkpoints verschijnt vandaag in een gehoste catalogus, die van OrcaRouter inbegrepen — de draft is per definitie een lokale serving-accessoire en de basis van Liquid is een zelf-gehost fine-tuningproject. Dat is waar een routinglaag nuttig blijft zonder te pretenderen dat ze een van beide host: zodra je een van beide modellen hebt geserveerd of gefinetuned, is de laag voor je eigen endpoints wat het uitproberen omkeerbaar maakt. Richt een testpad op een MiniCPM5-2B-plus-draft SGLang-build terwijl de productie blijft draaien op wat je vandaag ook serveert, laat automatische failover de stagnatie opvangen en laat de prijzen uit de providercatalogi voor de gehoste modellen waarmee je vergelijkt doorlopen tegen 0% opslag. Het punt van de laag is hier niet levering — het is dat geen van beide ingrediënten je onomkeerbaar vastlegt.

{{1}}Op welk schap ben je aan het shoppen?{{/1}}

Kies MiniCPM5-2B-DSpark (met de bijbehorende target) wanneer je vandaag een afgewerkt on-device-model met Apache-2.0-licentie wilt en een draft die het model kan versnellen — in het besef dat je de snelheidswinst van die draft zelf moet meten, want de leverancier heeft dat niet gedaan. Kies LFM2.5-2.6B-Base wanneer je je eigen model wilt post-trainen en Liquids hybride architectuur en 16-talige basis als startgewichten wilt gebruiken — in het besef dat je opdraait voor de fine-tuning, dat er geen gepubliceerde benchmarks bestaan, en dat het omzetplafond van $10M meelift in alles wat je uitbrengt. De twee zijn geen concurrenten voor dezelfde klus; het zijn twee verschillende klussen op dezelfde hardware, en de enige verkeerde keuze is de ene kopen terwijl je dacht dat je de andere kocht.