Perceptron Mk1.5 vs LFM2.5-2.6B-Base: Huur de perceptie, of bezit de checkpoint en maak het zelf af

Beide modellen zijn gericht op hardware die je met één hand kunt oppakken. Perceptron Mk1.5 is een perceptiemodel voor belichaamde agenten dat volgens de leverancier terechtkomt op drones, viervoeters, slimme brillen en telefoons. LFM2.5-2.6B-Base is een open-weights checkpoint van 2,69B dat Liquid AI expliciet bouwde voor implementatie op het apparaat zelf — klein genoeg om in minder dan 2,5 GB geheugen te draaien. Die gedeelde fysieke ambitie is het enige dat ze gemeen hebben, en het is een valkuil voor iedereen die ze op een specsheet vergelijkt. Perceptron Mk1.5 is een afgewerkt product dat je per token huurt: tekst, afbeeldingen, video en audio erin, en tekst plus machinaal leesbare geometrie eruit, live sinds 25 september 2026. LFM2.5-2.6B-Base is een ruwe vooraf getrainde basis zonder instructie-afstemming, zonder chatsjabloon en zonder benchmarkclaims — een checkpoint dat is vrijgegeven zodat anderen het kunnen afmaken. Een van hen beantwoordt vandaag een vraag; de andere is het ruwe materiaal voor een model dat dat zal doen.

De vergelijking werkt alleen als je de fase benoemt.

Een geserveerde API naast een basischeckpoint zetten is geen een-op-eenvergelijking, en doen alsof dat wel zo is levert een onzinnige tabel op waarin de ene kant elke rij 'wint' omdat die door zijn leverancier is afgerond en de andere nog niet is begonnen. De nuttige vraag is in welke fase van het werk je zit.

Liquid AI heeft de LFM2.5-familie uitgebracht als een set checkpoints, en het basismodel is de eerste. De modelkaart ervan vermeldt 2,69 miljard totale parameters over 30 lagen — 22 double-gated short convolution-blokken en 8 grouped-query attention-blokken — getraind op ongeveer 34 biljoen tokens, met een vocabulaire van 128.000 tokens, een contextlengte van 131.072 tokens en ondersteuning voor 16 talen, waaronder Engels, Chinees, Japans, Koreaans en Arabisch. Het is alleen tekst, het is een causaal taalmodel en niets meer, en Liquid's eigen aanbeveling is duidelijk: dit checkpoint is voor taken die zware fine-tuning vereisen, zoals een taalspecifieke of domeinspecifieke assistent, training op propriëtaire data, of experimenteren met nieuwe post-trainingsbenaderingen. Wat het omvormt tot de tool-calling-agent die de gepubliceerde scores van de familie draagt, is Liquid's vierfasige post-trainingspijplijn, die het basismodel niet bevat.

Perceptron Mk1.5 bevindt zich aan het andere uiteinde van die boog. Perceptron heeft de post-training al gedaan, het uitvoerformaat bepaald en het resultaat geprijsd — $0,15 per miljoen invoertokens en $1,50 per miljoen uitvoertokens, met gecachte invoer tegen $0,0375. De specificaties zijn concreet op een manier waarop die van het basischeckpoint dat niet zijn: een context van 36.864 tokens, een maximale uitvoer van 8.192 tokens, vier invoermodaliteiten, een reasoning_effort-instelling die standaard op hoog staat, functieaanroepen bij chatcompletions en beperkte antwoorden via JSON Schema en regex.

De reden om beide in het vizier te houden, is dat de total cost of ownership in tegengestelde richtingen beweegt. Mk1.5 is duur per token en gratis om te beginnen. LFM2.5-2.6B-Base is gratis aan de marge en duur in de enige valuta die ertoe doet voor een basis-checkpoint — je engineeringtijd.

Dimensie voor dimensie, met de rollen goed uit elkaar gehouden.

• Wat het is — Perceptron Mk1.5 is een gehoste perceptie-API met gestructureerde ruimtelijke output. LFM2.5-2.6B-Base is een downloadbaar vooraf getraind causaal taalmodel van 2,69 miljard parameters.

• Invoer — Mk1.5 accepteert tekst, afbeeldingen, video en audio (WAV, MP3, FLAC). LFM2.5-2.6B-Base accepteert tekst, en alleen tekst.

• Uitvoer — Mk1.5 retourneert tekst plus optionele punten, boxen, polygonen, clips en van een tijdstempel voorziene <track>-elementen, of door JSON Schema beperkte antwoorden. Het basismodel retourneert tokenkansen voor het volgende token, en er is niets afgestemd om dat nuttig te maken.

• Zelfstandig gebruik — Mk1.5 werkt al op de dag dat je een sleutel krijgt. LFM2.5-2.6B-Base beantwoordt in geen enkele zin als product vragen; het heeft een fine-tune nodig, en meestal een chatsjabloon, voordat het een model is dat je zou uitbrengen.

• Context — 36.864 tokens voor Mk1.5 tegenover 131.072 voor het basismodel. De checkpoint op het apparaat bevat bijna vier keer zoveel tekst als het geserveerde perceptiemodel aan wat dan ook bevat.

Voetafdruk — Mk1.5 draait waar Perceptron het draait, en zijn gepubliceerde werk rond latentie is op een enkele H100. Het basismodel is ontworpen om te draaien op een laptop, een telefoon of een edge-box in minder dan 2,5 GB.

• Bewijs — elk capaciteitscijfer voor Mk1.5 is afkomstig van Perceptron zelf, en er bestaat geen onafhankelijke index voor. Het basismodel heeft helemaal geen benchmarkclaims: Liquid publiceert scores voor de post-getrainde LFM2.5-2.6B, niet voor dit checkpoint.

• Licentie — Mk1.5 is gesloten en wordt per token verhuurd. LFM2.5-2.6B-Base valt onder de LFM Open License v1.0, met gewichten die je downloadt en houdt.

De gewichtenroute, eerlijk doorgerekend.

Als de aantrekkingskracht van LFM2.5-2.6B-Base is dat de gewichten gratis zijn, dan is de eerlijke versie van die zin dat de gewichten het goedkoopste deel van het project zijn. Een fine-tune op propriëtaire data betekent een dataset, een trainingsrun, een evaluatieharnas om te bepalen of de fine-tune werkte, en een serveerpad — Transformers, vLLM of SGLang, of een van de GGUF-, ONNX- en MLX-builds die Liquid publiceert voor respectievelijk CPU-, cross-platform- en Apple Silicon-implementatie. Niets daarvan is exotisch, en met 2,69B past het op hardware die een 70B-fine-tune nooit raakt. Maar een basis-checkpoint is een startpunt, en het planningsrisico ligt volledig aan jouw kant van de transactie.

Wat je ervoor terugkrijgt, is controle. De 16-talige tokenizer en de context van 131K betekenen dat een domein-fine-tune niet met de pretraining om ruimte hoeft te vechten. De voetafdruk van minder dan 2,5 GB betekent dat het implementatiedoel een apparaat is in plaats van een datacenter, wat precies het hele idee achter de familie is. En de LFM Open License laat je het resultaat behouden: een specialist die geen enkele concurrent via dezelfde API kan huren als jij.

Er is één stuk bewijs van derden dat de moeite waard is om te weten voordat je op de afstamming wedt, en één leemte. De post-getrainde LFM2.5-2.6B van Liquid heeft wél een onafhankelijke meting: Artificial Analysis vermeldt het met een Intelligence Index van 8, op de negende plaats van de 49 modellen in zijn klasse. Het basis-checkpoint heeft die niet — er is geen pagina voor, wat normaal is voor een voorgetraind foundationmodel en wat je ronduit moet vermelden in plaats van het als een eindoordeel te behandelen. Wat de index van het post-getrainde model je vertelt, is wat de pipeline vanaf dit startpunt aan de onderkant van de indexband produceert, niet wat jouw fine-tune zal produceren.

De API-route, en wat "on-device" betekent voor een gehost model

Het verhaal over de inzet van Perceptron Mk1.5 is ingewikkelder dan de doelenlijst doet vermoeden, en het loont om precies te zijn. In de aankondiging van de leverancier worden drones, viervoeters, slimme brillen en telefoons genoemd als inzetdoelen. Het model zelf wordt geserveerd vanaf api.perceptron.inc achter een API-sleutel, en het bewijs voor latentie dat Perceptron publiceerde is een mediaan van drie runs op één enkele H100. Eén enkele H100 is geen drone. De realistische interpretatie is dat Mk1.5 de perceptielaag is voor een robot met een netwerkverbinding of een companion-compute-box, niet een model dat in het luchtframe zelf draait — en iedereen die een offlineapparaat rond dit model plant, zou die aanname moeten testen voordat hij de hardware ontwerpt.

Wat de API-route oplevert, als de aanname over het netwerk opgaat, is het ene ding dat een basis-checkpoint je tegen geen enkele prijs kan geven: coördinaten. Mk1.5's <track> uitvoer bevat een ruimtelijke observatie en de bijbehorende tijdstempel, zodat een clip terugkomt als objectposities in de tijd in plaats van een beschrijving van een scène. Voeg het asset_idx veld toe, waarmee één verzoek meerdere afbeeldingen of video's afzonderlijk kan aanspreken, en de vorm van het verzoek komt overeen met een regelus — referentieframe erin, geometrie eruit, geen parseerstap tussen het model en de code die iets in beweging brengt.

De kosten zijn de al genoemde: 36.864 tokens context, een audiomaximum van 16.384 tokens per item dat Perceptrons documentatie op ongeveer 21,8 minuten stelt bij ongeveer 750 tokens per minuut, een reasoning_effort standaardwaarde van high die je voor het duurste redeneerpad laat betalen bij elke aanroep die je niet configureert, en een reeks benchmarkclaims die zijn geproduceerd door het bedrijf dat het model verkoopt. Het hand-trackinggetal is het getal dat je tegen je eigen beeldmateriaal moet testen: 0,9433 op egocentrische hand_box tegen 0,4467 voor Gemini 3.1 Pro in Perceptrons eigen run is een grote marge, en grote marges in leveranciersevaluaties zijn precies de marges die het waard zijn om te reproduceren.

Geen van beide staat in onze catalogus, en dat verandert de beslissing.

Noch Perceptron Mk1.5 noch LFM2.5-2.6B-Base wordt vandaag op OrcaRouter gerouteerd. Mk1.5 heeft helemaal geen route, dus om het te bereiken moet je de eigen API van de leverancier gebruiken — pip install "perceptron>=0.4.0" en PERCEPTRON_API_KEY — en Liquid AI heeft geen model van welke grootte dan ook in onze catalogus, dus het basis-checkpoint is een download van Liquid's Hugging Face in plaats van een aanroep.

Dat maakt minder uit dan het klinkt, want de twee zijn geen uitwisselbare eindpunten en geen enkel prijsargument zal daar iets aan veranderen. Wat een routeringslaag hier bijdraagt, is het deel van de beslissing dat nog open is. Als je een perceptieservice op Mk1.5 bouwt en een tekstspecialist op een fijn afgestemde LFM2.5-2.6B-Base, dan draai je twee integraties en twee faalmodi; een OpenAI-compatibele gateway ervoor maakt een incident bij een provider aan weerszijden tot een fallback in plaats van een mislukte taak, en een routeringsregel kan het vision-verkeer en het tekstverkeer naar verschillende modellen sturen zonder dat de applicatie weet wat wat is. Eén API die meer dan 200 modellen met lijstprijzen van providers die tegen 0% opslag worden doorgegeven dekt, is de versie daarvan waarbij een prijswijziging van een leverancier dezelfde dag doorwerkt in plaats van bij je volgende verlenging — hoewel de gateway voor deze twee specifiek, vandaag, een overweging bij de planning is in plaats van een beschikbare sluiproute.

Wat je moet doen en wat je moet meten

Als je taak is "dit object in dit frame vinden en teruggeven waar het zich bevindt", huur dan Mk1.5 en test de hand-box-claim op je eigen video voordat je er een productiepad aan vastlegt. Houd rekening met de netwerkaanname, stel reasoning_effort bewust in in plaats van high te accepteren, en behandel het venster van 36.864 tokens als de harde beperking die het is. De gestructureerde uitvoer is het product, en als je downstream-code een coördinaat kan verwerken zonder een parseerstap, is dat een echte besparing op een plek waar de meeste vision-pipelines stilletjes nauwkeurigheid verliezen.

Als je taak is 'Ik heb een 2,6B-model nodig dat is getuned op data die niemand anders heeft, en dat ergens zonder GPU draait,' download dan LFM2.5-2.6B-Base en begroot de fine-tune eerlijk voordat je begint. Het checkpoint is gratis en de engineering niet, en de eigen les van de familie — dat het post-trained zusje een 8 scoort op de onafhankelijke index — is een herinnering dat de kloof tussen een base en een afgerond model is waar het echte werk zit. Geen van beide is het verkeerde antwoord. Het zijn verschillende aankopen, en de enige echte fout is een foundation die je nog moet afmaken te behandelen alsof het al een product is.

Twee modellen, twee integraties en twee storingsmodi is een slechtere positie dan het lijkt. Op OrcaRouter kun je automatische failover instellen, zodat een storing bij een van beide providers uitmondt in een fallback in plaats van een mislukte taak.