MiniCPM5-2B vs LFM2.5 2.6B Base: Een afgewerkt model vs het basismateriaal om zelf een te bouwen

Twee van de interessantste small-modelreleases van de afgelopen maand vallen in dezelfde gewichtsklasse en hadden qua levensfase niet meer van elkaar kunnen verschillen. MiniCPM5-2B is het eindproduct: een dicht model van 2,5B dat ModelBest en OpenBMB op 19 juli onthulden tijdens de World Artificial Intelligence Conference, en waarvan de open gewichten op 6 en 7 september stilletjes live gingen op Hugging Face — met een volledige post-trainingpipeline erachter, Apache-2.0, klaar voor gebruik. LFM2.5 2.6B Base is het voorgetrainde text-only checkpoint van Liquid AI — het ruwe substraat waarvan het bedrijf zegt dat het "alleen wordt aanbevolen voor taken die zware fine-tuning vereisen", zonder instruction tuning, zonder chat-template en met nul gepubliceerde benchmarks, want een basismodel wordt niet beoordeeld; de modellen die je op basis ervan fine-tunet wel. Ze vergelijken is eigenlijk een vraag over voor welke laag van de build je op zoek bent: een model dat vanavond al werkt, of de ingrediënten om er zelf een te maken.

Beide kaarten vermelden "not for direct use", elk in een andere bewoording, en de leveranciers zetten dat in de eerste regels. De kaart van MiniCPM5-2B beschrijft een dense Llama-transformer met in totaal 2.516.756.480 parameters (1.981.982.720 niet-embedding), 42 lagen, grouped-query attention, een contextvenster van 131.072 tokens in de meegeleverde configuratie en een post-trainingstraject — deep-thinking SFT, gespecialiseerde RL, On-Policy Distillation — dat rechtstreeks gericht is op agentisch gedrag en toolgebruik. De kaart van Liquid voor LFM2.5 2.6B Base beschrijft een 2,69B-hybride die acht lagen grouped-query attention bovenop tweeëntwintig dual-gated short-convolution-blokken stapelt en voorgetraind is op ruwweg 34 biljoen tokens in 16 talen met een context van 128K. En daarmee houdt het op: het basismodel bestaat om verder getraind of verfijnd te worden tot iets anders. Het ene is een bestemming; het andere is een startlijn.

Wat Liquid daadwerkelijk heeft opgeleverd

LFM2.5 2.6B Base verscheen begin augustus op Hugging Face als de voorgetrainde basis voor de LFM2.5-2.6B-familie van Liquid. De modelkaart toont de familietabel — het basismodel en de nagetrainde LFM2.5-2.6B, die door Liquid is afgesteld op agentische workloads met tool calling — en is er duidelijk over dat het basismodel het tekst-only checkpoint is waarmee alle varianten zijn gemaakt. Dat is precies zijn bedoeling: je neemt de hybride 2,69B-architectuur en de meertalige basis van 34 biljoen tokens en pre-traint die verder of past er SFT op toe voor je eigen domein, waarna alles wat je uitbrengt de licentievoorwaarden van die basis erft. Er staan geen benchmarks op de kaart, want er valt nog niets te benchmarken. Het model heeft geen instruction tuning, dus out of the box zet het tekst voort in plaats van antwoorden te geven. Het gebruikt ongeveer 2,5 GB aan gewichten en wordt ondersteund door Transformers, vLLM, SGLang, MLX en llama.cpp — wat het een aannemelijke basis maakt voor fine-tuningprojecten op telefoon- en edge-apparaten.

De praktische kanttekening bij deze vergelijking: als je een werkend klein model van Liquid wilt, is de eerlijke tegenhanger van MiniCPM5-2B het post-getrainde LFM2.5-2.6B, niet de Base. De Base is de versie die je kiest wanneer je van plan bent de post-training zelf uit te voeren — dat is precies de reden waarom MiniCPM5-2B's eigen benchmarktabel vergelijkt met de instructie-getunede tegenhanger uit de familie in plaats van met deze ruwe checkpoint.

Wat OpenBMB heeft uitgebracht, en waarom het anders is.

MiniCPM5-2B komt als een compleet product met de fabrieksblauwdrukken erbij. Waar Liquid je een basis en het werk aanreikt, geeft OpenBMB je het geheel in open vorm: de definitieve RL + OPD-nagetrainde checkpoint, GGUF, MLX, GPTQ, base, SFT en draft-companions, en — het onderdeel dat de vergelijking verandert — de trainingscorpora zelf, uitgebracht onder Apache-2.0 als de UltraData-familie. De modelkaart vermeldt een intern gemiddelde van 53,9 over een door de leverancier geselecteerde vergelijkingsset van open modellen van 2B–4B, met een AIME 2025/2026 van 86,5 en een door de leverancier uitgevoerde 46,4 op SWE-bench Verified, waarvan nog niets onafhankelijk is gereproduceerd. Het is bedoeld om te draaien, niet om te trainen: de launch-pitch bestond uit day-zero-adaptatie over negen chipplatforms en ARM, native toolaanroep via XML-achtige aanroepen, en hybride snelle/bewuste responsmodi voor interactief gebruik.

Het scorebord, eerlijk gelabeld.

• Wat je krijgt — MiniCPM5-2B: een afgewerkt, direct inzetbaar chatmodel plus open trainingsdata. LFM2.5 2.6B Base: een voorgetraind basismodel dat je finetunet tot een afgewerkt model.

• Parameters — MiniCPM5-2B: 2,52B totaal / 1,98B exclusief embeddings, dense in Llama-stijl. LFM2.5 2.6B Base: 2,69B hybride (8 aandachtsblokken + 22 korte-convolutieblokken).

• Context — MiniCPM5-2B: 131.072 tokens in de meegeleverde configuratie. LFM2.5 2.6B Base: 128K native.

• Talen — MiniCPM5-2B: kaart en data gecentreerd rond Engels en Chinees. LFM2.5 2.6B Base: voorgetraind op 16 talen.

• Benchmarks — MiniCPM5-2B: volledige leverancierssuite (intern gemiddelde 53,9; niet gereproduceerd). LFM2.5 2.6B Base: er is niets gepubliceerd voor de base zelf, bewust.

Licentie — MiniCPM5-2B: Apache-2.0 voor gewichten en vrijgegeven data. LFM2.5 2.6B Base: LFM Open License v1.0, gratis bij een jaarlijkse omzet onder $10M, en de bovengrens geldt ook voor jouw afgeleide werken.

Het scorebord hierboven vertelt hetzelfde verhaal in zes rijen: beide modellen zijn klein, 128K-klasse en Apache-gerelateerd, maar de ene kolom eindigt in een draaiende service en de andere in een beslissing over wie de training uitvoert.

De licentie is de functie.

Voor een bouwer is de licentiekloof de minst glamoureuze en meest beslissende post op die lijst. OpenBMB heeft MiniCPM5-2B en de vrijgegeven data onder Apache-2.0 geplaatst: je kunt het inzetten, finetunen en er een commercieel product op bouwen zonder omzetplafond en zonder andere doorwerkende verplichting dan naamsvermelding. Liquids LFM Open License v1.0 is echt open-weight maar met omzetvoorwaarden: organisaties met een jaaromzet onder de 10 miljoen dollar krijgen een breed commercieel gebruiksrecht; organisaties op of boven die grens niet, en het plafond gaat over op alles wat je finetunt. Dus een product dat op LFM2.5 2.6B Base is gebouwd, houdt hetzelfde plafond naarmate je bedrijf groeit. Dat maakt Liquids licentie niet onredelijk; het maakt het wel tot een voorwaarde waarmee een startup die voorbij het plafond wil opschalen vanaf dag één rekening moet houden, en het is de allerbelangrijkste reden waarom de framing van het 'afgewerkte model' ertoe doet. Als je iets bouwt dat je wilt laten groeien, is Apache-2.0 met open data een ander soort grondstof dan een licentie met een plafond.

De keuze tussen bouwen en kopen, concreet gemaakt.

Bekijk het als bouwen versus kopen, en de keuze wordt niet langer verwarrend. MiniCPM5-2B is het kooppad: het zware werk — het post-training van een klein model voor agentische, langere-context taken — is al gedaan, de licentie is schoon, en wat je nog moet doen is serving en evaluatie. De kost is dat je andermans post-training-keuzes overneemt, en de opvallende cijfers zijn een week oud en door niemand buiten het lab geverifieerd. LFM2.5 2.6B Base is het bouwpad: je koopt Liquid's architectuur en pretraining en doet de post-training zelf, wat de enige eerlijke reden is om voor een base te kiezen boven de instructie-getunede LFM2.5-2.6B-variant die Liquid al verkoopt. Dat pad is zinvol wanneer je een domein, een taal of een gedragsprofiel hebt die kant-en-klare modellen niet dekken. Het is strikt meer werk, het begint met nul gepubliceerde benchmarks, en het neemt de omzetlimiet mee. De beloning is een model dat niemand anders heeft — en, omdat OpenBMB MiniCPM5-2B's eigen data heeft geopend, heb je nu een tweede manier om daar te komen: verder trainen op een bewezen Apache-2.0-recept in plaats van te starten vanaf een kale base.

De routeringsrealiteit voor beide

Geen van beide checkpoints staat vandaag in een gehoste catalogus, dus de vraag over de laag gaat over de wereld eromheen in plaats van over levering. Zodra u MiniCPM5-2B in productie hebt genomen of LFM2.5 2.6B Base hebt gefinetuned tot iets van uzelf, is de omkeerbare manier om een van beide tegen de gehoste modellen die u al gebruikt uit te proberen via één API met automatische failover — een nieuwe of afgeleide stack kan vastlopen zonder de productie stil te leggen, en de lijstprijzen van providers worden zonder opslag doorberekend, dus de A/B-vergelijking is goedkoop. Voor de build-versus-buy-beslissing zelf is de eerlijke aanpak echter dezelfde als altijd bij kleine open modellen: de benchmark die ertoe doet, is degene die u op uw eigen hardware en met uw eigen data draait, niet degene die op een van beide kaarten staat.

Voor welke laag ben je eigenlijk op zoek?

Kies MiniCPM5-2B wanneer je een afgerond, Apache-2.0 on-device model wilt dat je vanavond nog kunt inzetten en op open data kunt fine-tunen — in het besef dat de indrukwekkende modelkaart ongeverifieerd is en dat het jouw eigen reproductie vereist voordat het productievertrouwen verdient. Kies LFM2.5 2.6B Base wanneer je van plan bent je eigen model na te trainen en de hybride architectuur van Liquid en de 16-talige basis als startgewichten wilt — in het besef van de fine-tuningkosten, de nul gepubliceerde benchmarks en de omzetlimiet van $10 miljoen die zal meeliften in wat je ook uitbrengt. De twee zijn geen rivalen voor dezelfde klus; het zijn twee verschillende klussen op dezelfde hardware, en de enige verkeerde keuze is er een kopen terwijl je dacht dat je de andere kocht.