Tell 1 vs LFM2.5 2.6B Base: Een spraakmodel dat je huurt en een checkpoint dat je zelf voltooit

Zet Tell 1 en LFM2.5 2.6B Base naast elkaar en het grootteverschil lijkt het verhaal: de een is het interne redeneermodel van Retell binnen een contactcenterplatform, de ander is een checkpoint van 2,69 miljard parameters van Liquid AI dat alleen tekst aankan en in een bestand van 5,4 GB past. Dat is het verhaal niet. Het verhaal is dat LFM2.5 2.6B Base een basismodel is — er is nooit op instructies afgestemd, en als je er een vraag aan stelt, zet het je tekst voort in plaats van die te beantwoorden — terwijl Tell 1 een afgewerkte component is van een product dat zijn brood verdient met het beantwoorden van telefoontjes. Een van de twee is grondstof. De andere is een werkend onderdeel dat je niet uit elkaar mag halen. Alles hieronder gaat over welke van die twee je probleem eigenlijk nodig heeft, want geen van beide kan de ander vervangen en de prijsvergelijking die voor de hand lijkt te liggen, is het minst nuttige op deze pagina.

De timing doet er ook toe, en dat is precies de reden waarom deze combinatie überhaupt bestaat. Beide zijn recent: Liquid AI publiceerde de LFM2.5-familie in augustus 2026, en Retell's Tell 1 werd in november 2026 publiek zichtbaar toen het bovenaan een benchmark verscheen die Retell publiceert. Geen van beide is een lancering waarover je te laat leest. Beide hebben ook opvallend weinig openbare documentatie, om tegenovergestelde redenen — Liquid leverde een checkpoint zonder instructies omdat instructies nooit het punt waren, en Retell leverde een model zonder documentatie omdat het model geen product is dat je apart kunt kopen.

Begin met wat de Liquid checkpoint niet kan

LFM2.5 2.6B Base is het voorgetrainde checkpoint van Liquid AI's hybride LFM2.5-familie: 30 lagen, waarvan 22 dual-gated short-convolutionblokken en 8 grouped-query attention-lagen, getraind op ongeveer 34 biljoen tokens in 16 talen, met een contextvenster van 131.072 tokens en een Q4_K_M-kwantisatie die op ongeveer 1,67 GB uitkomt. Tekst in, tekst uit. Geen vision, geen audio, geen tool-calling-sjabloon waarop je kunt vertrouwen, geen instruction tuning — en Liquid's eigen modelkaart zegt ronduit dat het bedoeld is voor intensieve fine-tuning en niet voor prompting.

Dat is geen defect, en het als zodanig behandelen is de meest voorkomende fout in beschrijvingen van basismodellen. Een basischeckpoint is het juiste uitgangspunt wanneer je een taak met een duidelijke vorm hebt, een grote hoeveelheid eigen voorbeelden, en geen interesse om een leverancier per token te betalen om die op te lossen. Een model van 2,69B dat op één consumenten-GPU wordt gefinetuned en daarna gequantiseerd op een laptop of telefoon draait, is een ander economisch object dan welke gehoste API dan ook: de marginale kosten per aanroep komen ongeveer neer op de elektriciteit, en de kosten die je daadwerkelijk betaalt, verschuiven naar datalabeling, trainingruns en evaluatie.

Wat het niet kan, is zomaar in een gesprek worden ingezet. Er is geen systeemprompt die van een basis-checkpoint een betrouwbare tool-calling-agent maakt, en geen enkele hoeveelheid prompt engineering vervangt de post-trainingstap. Als je plan is: "download het, stop het in een O​penAI-compatibele server en richt er een spraakagent op," dan mislukt dat plan bij de eerste functieaanroep — en die mislukking ziet eruit als een kwaliteitsprobleem van het model, terwijl er een trainingsfase ontbreekt.

Dan wat Tell 1 is, en waarom je het niet kunt hebben

Tell 1 is de redeneerlaag van de spraakstack van Retell, op de homepage van het bedrijf vermeld onder 'Developed by Retell Labs', naast een agent-harness die modellen, kennis en tools samenbrengt. Het wordt niet als model verkocht. Er is nergens op de site van Retell een modelkaart, repository, contextvensterwaarde, parameteraantal, licentie of prijs per token gepubliceerd. Het enige kwantitatieve openbare bewijs is een rij in de Retell vCX Benchmark, een ranglijst die Retell zelf onderhoudt: 88,6% instructieopvolging, 97,2% op de dimensie met het label hallucinatie, 95,4% tool-aanroepen, 96,6% spreektaal, een gemiddelde van 94,45%, bij een mediane latentie van 72,5 ms en 3,5 cent modelkosten per minuut.

Of Tell 1 een fine-tune is van iets publieks, een model dat vanaf nul is getraind, of een klein model dat uit een groter is gedistilleerd, wordt niet bekendgemaakt. De mediaan van 72 ms wijst op een klein, snel model in plaats van een frontier-generalist, aangezien dat cijfer binnen de band valt waarin de round-trip time naar een externe inference-stack begint te domineren — maar dat is redeneren op basis van een latencygetal, en latencygetallen hebben vele oorzaken. Wat geen inference is, is de verpakking: je krijgt Tell 1 door tijd te kopen op Retell's platform, voor $0.07 tot $0.31 per minuut afhankelijk van de configuratie, en het model is niet los te koppelen van de telefonie, de spraakstack en de harness eromheen.

Dit is de asymmetrie die een koper moet incalculeren. LFM2.5 2.6B Base is van jou op een manier waarop geen enkel gehost model ooit van jou is: je kunt de gewichten inzien, het kwantiseren, het in een app uitbrengen en het blijven draaien als de leverancier verdwijnt. Tell 1 is beschikbaar op een manier waarop geen enkel downloadbaar model beschikbaar is: het is al gekoppeld aan een telefoonnummer, een laag voor beurtwisseling en een stem, en het werk om het tijdens een echt telefoongesprek menselijk te laten klinken, is al door iemand anders gedaan.

De vergelijking die er echt toe doet: waar het latentiebudget naartoe gaat

Deze twee modellen staan of vallen bij een stopwatch, en daarom worden ze in één adem genoemd, ook al vervullen ze verschillende taken. Een telefoongesprek geeft je een budget van ongeveer 800 ms tussen het moment waarop de beller een zin afmaakt en de agent eraan begint, voordat de stilte als een weggevallen verbinding wordt ervaren. Dat budget betaalt spraakherkenning, de modelbeurt, tool-aanroepen en spraaksynthese, in die volgorde.

• Modellatentie — 72,5 ms mediaan voor Tell 1 binnen Retell's harness, de eerste van 62 configuraties op die benchmark; niet gepubliceerd voor LFM2.5 2.6B Base, omdat een basis-checkpoint geen geserveerd product heeft om te meten en de gekwantiseerde doorvoer volledig afhankelijk is van je hardware.

• Wat zit er nog meer in de 800 ms — voor Tell 1 zitten telefonie en spraak vervat in het cijfer dat het platform opgeeft, en Retell noemt een typische end-to-end reactietijd van ongeveer 600 ms; voor een zelfgehoste LFM2.5-stack moet je ASR, T​TS en de servinglaag er zelf nog bij optellen, en elk daarvan is een leverancierskeuze.

• Doorvoer — Het post-trained zustermodel van dit checkpoint van Liquid draait op 220 tokens per seconde op een Apple M5 Max en 113 op een AMD Ryzen-CPU, en de leverancier merkt op dat 30 tokens per seconde haalbaar is op een telefoon; de snelheid van een model met 2,69B parameters is een functie van de machine, niet van een service level.

Die laatste regel is het hele verschil in soort. De latentie van Tell 1 is een belofte die iemand anders nakomt; de latentie van LFM2.5 is een eigenschap van hardware die je zelf kiest. Als je implementatiedoel een callcenter is met 200 gelijktijdige lijnen, dan is het eerste wat je koopt. Als het een apparaat in een magazijn zonder netwerk is, dan is het tweede het enige dat bestaat.

Fine-tuning is de tweesprong

Hier is de beslissing, zo duidelijk als ik kan. Kies LFM2.5 2.6B Base als je een taak hebt die je precies kunt beschrijven, voorbeelden ervan, en een reden om die voorbeelden niet naar een derde partij te sturen — een classificatiestap binnen een gespreksflow, een domeinspecifieke summarizer, een on-device router die bepaalt wat een verzoek is. Het model is klein genoeg dat een fine-tune een middag kost in plaats van een kwartaal, het contextvenster is groot genoeg voor echte documenten, en de licentie staat commercieel gebruik toe onder $10 miljoen jaarlijkse omzet, met een aparte overeenkomst vereist op of boven die grens. Die drempel is een inkoopfeit en hoort in de beslissing, niet in een voetnoot.

Kies Tell 1 als u een telefoonagent koopt in plaats van een model, en specifiek als hetgeen u niet kunt bouwen het gespreksoppervlak is: omgaan met onderbrekingen, alledaagse formuleringen en een eerste lettergreep die snel genoeg aankomt dat de beller geen machine opmerkt. De benchmark van Retell zegt dat dit de twee dimensies zijn waarop Tell 1 vooroploopt — spreektaal rang 1, latentie rang 1 — en zegt even duidelijk dat het niet vooroploopt op het volgen van instructies, grounding of tool calling, waar het respectievelijk tweede, tweede en vijfde staat. Test die drie tegen uw eigen oproepen voordat u standaardiseert, want dat zijn de punten die verkeerde antwoorden opleveren in plaats van alleen maar tragere.

Er is een derde optie, en dat is degene waar de meeste teams met een echte workload uiteindelijk op uitkomen: houd de kleine fine-tune voor het deel van de taak dat smal en repetitief is, en routeer de moeilijke gevallen naar een groter gehost model. Dat is precies de splitsing waarvoor een routinglaag is gebouwd, en dat is waar onze eigen catalogus in past. Noch Tell 1 noch LFM2.5 2.6B Base is routeerbaar via OrcaRouter — we hosten geen van beide — dus de praktische versie van die architectuur zet de Liquid-fine-tune op je eigen hardware en stuurt het escalatiepad naar een model dat we wel aanbieden, met één API-sleutel, tegen de lijstprijs van de provider zonder enige toeslag.

Wat zou het antwoord veranderen

Voor Tell 1 zouden drie publicaties het van "testen binnen het platform" naar "overwegen te standaardiseren" tillen: een modelkaart die de architectuur en de trainingsgegevens benoemt, een prijs per model zodat de kosten los van de per-minuutbundel kunnen worden gezien, en een evaluatie uitgevoerd door iemand anders dan Retell. Het huidige record is één rij op de leaderboard van de leverancier zelf, en dat een leverancier zichzelf bovenaan zet op zijn eigen harness is een hypothese, geen resultaat.

Voor LFM2.5 2.6B Base is het ontbrekende stuk geen documentatie — het is je eigen fine-tune. De checkpoint is compleet en de licentie is leesbaar, wat betekent dat de enige onbekende is of een 2,69B-model dat op jouw data is getraind de lat voor jouw taak haalt. Dat is een vraag die je deze week met één GPU kunt beantwoorden, en geen enkele hoeveelheid leeswerk zal dat voor je beantwoorden. Dat is de afweging in één zin: Tell 1 bespaart je het engineeringwerk en neemt de controle over; LFM2.5 2.6B Base geeft je de controle en laat jou het engineeringwerk doen.