SubQ Snap 1.1 vs LFM2.5 2.6B Base: De beslissing kopen of bouwen vanaf een checkpoint

Het belangrijkste woord in een vergelijking tussen SubQ Snap 1.1 en LFM2.5 2.6B Base is het laatste. Base betekent voorgetraind. Het betekent dat Liquid AI het checkpoint heeft gepubliceerd na ongeveer 34 biljoen tokens aan training en vóór enige vorm van supervised fine-tuning, distillatie of reinforcement learning die van een taalmodel iets maakt dat een instructie opvolgt. Het beantwoordt geen vraag. Het kiest geen label. Vraag het om een supportticket te routeren, en het zet je prompt voort in de stijl van de tekst waarop het is getraind — dat is geen bug, maar precies waarvoor een base-checkpoint bedoeld is.

SubQ Snap 1.1 is daarentegen een afgerond product: het beslissingsmodel van Subquadratic, uitgebracht op 22 oktober 2026, dat tot 384K tokens aan tekst en afbeeldingen plus een vaste antwoordset opneemt en een gekalibreerde keuze teruggeeft. Ze tegenover elkaar zetten alsof het alternatieven zijn, is een categoriefout, en een nuttige, want die fout is precies de beslissing waar een team voor staat wanneer het classificatie wil die op hardware draait die het zelf beheert. De vraag is niet "welk model is beter". Het is "koop je de beslissing, of bouw je die vanaf een startpunt?"

Wat Liquid AI daadwerkelijk heeft uitgebracht

LFM2.5-2.6B Base is op 4 augustus 2026 verschenen, samen met zijn post-getrainde sibling LFM2.5-2.6B, als onderdeel van een familie die loopt van 230 miljoen parameters tot een 24B mixture-of-experts. De architectuur is het LFM2-ontwerp van Liquid: dertig lagen, waarvan tweeëntwintig dubbel-gegate short-convolutionblokken en acht grouped-query attention-lagen, een vocabulaire van 128.000 tokens en een contextvenster van 128K dat in een mid-training-uitbreidingsfase is toegevoegd. Met 2,69 miljard parameters past het in ongeveer 2,5 gigabyte, draait het op ongeveer 220 tokens per seconde op een Apple M5 Max, rond 113 op een Ryzen AI Max+ en ongeveer 30 op een telefoon.

De instruct-variant is waar de interessante cijfers te vinden zijn, en die zijn het lezen waard als maatstaf voor hoeveel post-training waard is. Liquid rapporteert AIME25 op 51,87, LiveCodeBench v6 op 59,41, IFBench op 59,17, Multi-IF op 80,07, BFCLv4 op 56,88 en ToolSandbox op 77,83 — allemaal door de leverancier gerapporteerd, allemaal op het post-getrainde model. Het basis-checkpoint heeft geen vergelijkbare instructievolgingsscores, omdat het geen instructies kan volgen. Dat gat, tussen een checkpoint en een model waaraan je een vraag kunt stellen, bestaat uit vier post-trainingfasen: twee rondes supervised fine-tuning, specialisatie van leraren per domein, multi-domein on-policy distillatie en agentische reinforcement learning binnen echte harnesses.

Liquid zegt ook ronduit waarvoor het model niet bedoeld is: agentic coding en kennisintensief werk. Dat is een eerlijker positioneringsuitspraak dan de meeste labs publiceren, en het is de moeite waard om die letterlijk te nemen.

De specs, naast elkaar

• Wat het is — LFM2.5 2.6B Base is een voorgetraind checkpoint zonder instructie-afstemming; SubQ Snap 1.1 is een gehost beslissingsmodel met een API met vaste antwoorden.

• Context — 128K tokens voor LFM2.5 2.6B Base; 384K tokens voor Snap 1.1.

• Input — alleen tekst voor LFM2.5 2.6B Base; tekst en afbeeldingen voor Snap 1.1.

• Uitvoer — vrije tokengeneratie, of welke head je er ook bovenop traint, voor LFM2.5 2.6B Base; een keuze of score met een waarschijnlijkheid voor Snap 1.1.

• Prijs — alleen self-hosted, geen factuur per token, voor LFM2.5 2.6B Base; $0,04 per 1 mln. inputtokens, output gratis, voor Snap 1.1.

• Licentie — LFM Open License v1.0, commercieel gebruik toegestaan met een omzetdrempel, voor het Liquid-model; helemaal geen weights voor Snap.

• Voetafdruk — ongeveer 2,5 GB en uitvoerbaar op een telefoon voor LFM2.5 2.6B Base; een netwerkaanroep voor Snap 1.1.

De kloof tussen een checkpoint en een classifier

Om van LFM2.5 2.6B Base iets te maken dat doet wat Snap 1.1 doet, heb je vijf dingen nodig, en slechts één daarvan is het model.

Je hebt gelabelde data nodig — een paar duizend voorbeelden per klasse is een redelijk uitgangspunt voor een smalle routingtaak, en aanzienlijk meer als de klassen ongebalanceerd zijn of de grens subtiel is. Je hebt een trainingsrun nodig: een classificatiehead of een LoRA-adapter, bovenop een basis-checkpoint dat nog nooit een instructie heeft gezien, wat betekent dat de fine-tune tegelijk zowel de taakadaptatie als het instructievolgen doet. Je hebt kalibratie nodig, want een softmax-score is geen gekalibreerde waarschijnlijkheid en een routingdrempel die op een ongekalibreerde score is ingesteld, is een drempel die op giswerk is gebaseerd. Je hebt een evaluatieharness nodig die je zelf onderhoudt, omdat het model gaat driften naarmate je verkeer verandert. En je hebt servinginfrastructuur nodig — llama.cpp, MLX, vLLM of ONNX, die allemaal de architectuur ondersteunen.

Niets daarvan is exotisch. Het is allemaal weken werk door iemand die weet wat hij doet, en het komt elke keer terug wanneer de taak verandert. De eerlijke vergelijking is niet $0,04 per miljoen tokens tegenover gratis. Het is $0,04 per miljoen tokens tegenover vier tot acht weken engineering, plus de doorlopende kosten van het bezitten van een model.

De licentie is niet Apache.

Liquid levert LFM2.5 onder de LFM Open License v1.0. Commercieel gebruik is toegestaan, maar organisaties met een jaaromzet boven de $10 miljoen hebben een afzonderlijke commerciële licentie nodig. Dat is een wezenlijk andere propositie dan de Apache 2.0-licentie van Granite of die van Gemma, en het is het soort clausule dat pas laat wordt ontdekt, door de juridische afdeling, nadat het prototype werkt. Ben je een startup onder de drempel, dan kost het je vandaag niets en kan het je later iets kosten. Zit je erboven, prijs dan de licentie voordat je de GPU prijst.

Waar het basis-checkpoint overtuigend wint

Implementatie in een air-gapped omgeving is het sterkste argument, en dat is niet nipt. Een model van 2,5 gigabyte dat op een telefoon, een laptop of in een container zonder netwerkpad draait, is de enige optie voor een veldtoepassing, een geclassificeerde omgeving of een apparaat dat naar klanten wordt verzonden. Snap 1.1 komt in geen van die gevallen in aanmerking. Het is een API, en er is geen versie ervan die lokaal draait.

Volume-economie is het tweede geval, maar er is echt volume nodig om ertoe te doen. Bij twee miljoen beslissingen per maand met elk 20.000 tokens context — 40 miljard inputtokens — kost Snap 1.1 $1.600 per maand, of iets minder dan $20.000 per jaar. Een enkel fine-tuned 2,6B-model dat dat verkeer afhandelt op hardware die je al bezit, heeft geen marginale kosten. Het break-evenpunt ligt ergens rond het punt waarop de jaarlijkse API-factuur de engineeringkosten van de fine-tune plus de hardware overschrijdt; voor de meeste teams is dat over een jaar of twee, niet over een maand.

Volledige controle is de derde. Een model dat je op je eigen labels hebt getraind, doet wat je het hebt geleerd te doen, en niets anders. Snap 1.1 is een algemeen beslissingsmodel met een nauwkeurigheid van 20% op de Artificial Analysis Decision Index v1.0 — de indexscore van 65 komt vooral doordat het zich onthoudt van wat het niet kan beantwoorden, met een gerapporteerd niet-hallucinatiepercentage van 86%. Een fine-tuned 2,6B-model op jouw domein zal die nauwkeurigheid op jouw taak vaak verslaan, en zal zich nooit onthouden tenzij je het daartoe traint.

Waar Snap 1.1 onbetwist wint

De tijd tot de eerste beslissing wordt gemeten in minuten, niet in sprints. Er zijn geen trainingsgegevens te verzamelen, geen head te fitten, geen kalibratiecurve te plotten. Je stuurt een document en een lijst met opties en je krijgt een waarschijnlijkheid terug, en die waarschijnlijkheid is het product.

Lange context is het tweede verschil, en het is architecturaal in plaats van toevallig. Snap verwerkt 384K tokens in één enkele forward pass met constante rekenkracht per token. LFM2.5 2.6B Base heeft een venster van 128K en, als model met 2,6 miljard parameters, zal het effectieve ophaalbereik een flink stuk korter zijn dan het nominale bereik — het zustermodel van Liquid zelf rapporteert een AA-Omniscience-score van −29.50, wat een maatstaf is voor hoeveel een klein model weet, niet voor hoe goed het leest, maar het schept verwachtingen.

Het derde punt is dat de output van Snap al precies is wat je nodig hebt. Geen parser, geen schema, geen retry-logica voor misvormde antwoorden.

Welke dan?

Koop Snap 1.1 als de beslissing een routing- of classificatieaanroep over lange documenten betreft, als de gegevens je netwerk mogen verlaten, en als je deze capaciteit dit kwartaal wilt. De doe-het-zelfroute is reëel, maar voor de meeste teams is die in het eerste jaar niet goedkoper, en het base-checkpoint is daarvoor het moeilijkst mogelijke startpunt — je zou normaal gesproken beginnen vanaf het post-trained LFM2.5-2.6B en van daaruit fine-tunen, niet vanaf Base.

Neem het Base-checkpoint als je het model wilt laten draaien op een plek waar het netwerk niet komt, of als je de weights permanent wilt bezitten en de engineeringcapaciteit hebt om dat de moeite waard te maken. Houd in dat geval rekening met zowel de licentiekwestie als de trainingrun.

Geen van beide staat in de catalogus van OrcaRouter, en dat zal ook niet gebeuren: LFM2.5 2.6B Base is een lokaal checkpoint, en Snap 1.1 wordt alleen aangeboden via de API van Subquadratic op console.subq.ai. Wat OrcaRouter doet in een pipeline die rond een van beide is gebouwd, is de laag die een beslissing omzet in een actie — 200+ generatiemodellen achter één sleutel, de lijstprijs van de provider doorgegeven met 0% opslag, en automatische failover zodat een routeringsaanroep die bij een model terechtkomt dat tijdelijk niet beschikbaar is, niet leidt tot een verloren verzoek. De beslissingslaag en de schrijflaag hebben verschillende faalmodi; het is verstandig ze niet aan dezelfde afhankelijkheid te koppelen.

Wat de moeite waard is om te volgen, is niet de benchmarkregel van een van beide modellen. Het is of een checkpoint van 2,6 miljard parameters, fijn afgestemd op een paar duizend domeinvoorbeelden, een speciaal gebouwd beslissingsmodel kan evenaren op de enige taak die een team daadwerkelijk heeft. Bij nauwe, goed gelabelde classificatie is het antwoord historisch gezien ja, en dat is de reden dat de kopen-of-bouwen-vraag hier werkelijk open is in plaats van retorisch.