Vyb vs LFM2.5 2.6B Base: Wie de output bezit, is belangrijker dan wie wint

Noch Vyb noch LFM2.5 2.6B Base is een model dat je op een taak kunt richten en vervolgens kunt vergeten, en de manieren waarop ze tekortschieten zijn bijna elkaars tegenpolen. Vyb, op 20 oktober 2026 aangekondigd door Coco Labs, is een afgerond designproduct achter een wachtlijst: het zet de merkassets om in gelaagde, bewerkbare marketinggraphics, en het heeft geen publieke API en geen gepubliceerde prijs. LFM2.5 2.6B Base, op 4 augustus 2026 gepubliceerd door Liquid AI, is een pretrained checkpoint met 2,698 miljard parameters zonder enige instruction tuning — vandaag downloadbaar onder de LFM Open License v1.0, bruikbaar op het moment dat je er een training op kunt richten, en daarvoor nutteloos. Noch een wachtlijstproduct noch een base-checkpoint legt vast hoe een designpipeline in productie faalt, en die incidenten zijn gecatalogiseerd in het OrcaRouter AI Incident Archive waar elke vermelding eigen bronnen, ernst, betrouwbaarheidsgraad en betwistmarkering heeft.

De vergelijking die er dus toe doet, is niet kwaliteit, en ook niet snelheid. Het is eigenaarschap: wat je met het artefact mag doen, wat je met de output ervan kunt doen, en welke van die twee beperkingen je project daadwerkelijk blokkeert.

Twee artefacten, in de eigen woorden van hun makers

Vyb wordt door Coco Labs beschreven als "het eerste designmodel dat de smaak van een gebruiker begrijpt." Het bouwt ontwerpen in lagen op met een intern gestructureerd formaat dat het bedrijf Cocolang noemt, houdt tekst als tekst en vectoren als vectoren, en exporteert verliesvrij naar tools zoals Figma. Het neemt de website en bestanden van een merk in zich op, zodat het logo, de lettertypen en de kleuren in de uitvoer dezelfde zijn als die het merk al bezit. Toegang is via een wachtlijst met $10 aan generatiecredits. Geen parameteraantal, geen openbaarmaking van de architectuur, geen tariefkaart, geen API.

LFM2.5 2.6B Base heeft de volledigere naam LFM2.5-2.6B-Base. Op de modelkaart staan 2,698 miljard totale parameters over 30 lagen, waarvan 22 dubbel-gegate short-convolutionblokken en acht grouped-query attention, een context van 131.072 tokens, een vocabulaire van 128.000 tokens, training op 34 biljoen tokens en dekking van 16 talen. Het model is alleen voor tekst. Het is een van een tweetal — Liquid AI levert ook LFM2.5-2.6B, nagetraind voor agentisch werk — en volgens de beschrijving op de kaart zelf is dit basis-checkpoint het model waarvan elke variant in de familie afstamt. Op Hugging Face bestaan er al zestien fijngetunede afgeleiden onder dit model.

Lees die twee alinea's samen en de vorm wordt zichtbaar. Liquid AI publiceerde een component en vertelde je precies waaruit het bestaat. Coco Labs publiceerde een product en vertelde je bijna niets over wat erin zit. Beide zijn legitieme manieren om een model uit te brengen; ze leggen het werk op verschillende plekken.

Wat de licentie daadwerkelijk toestaat

Dit is het deel van de vergelijking met de meest directe praktische gevolgen, en het splitst zich in twee richtingen.

• Herverdeling — LFM2.5 2.6B Base valt onder de LFM Open License v1.0, een aangepaste licentie met het label license:other op de Hub. Deze is geschreven voor open gebruik en staat commercieel gebruik onder voorwaarden toe, maar het is een document dat iemand bewust heeft opgesteld en dat je moet lezen voordat je een afgeleide herverdeelt. Vyb publiceert helemaal geen voorwaarden, omdat er niets te herverdelen valt: je krijgt ontwerpen, geen gewichten.

• Output-eigendom — dit is het punt dat je moet controleren voordat je je vastlegt. Een ontwerp dat door {{1}}Vyb{{/1}} is geproduceerd, is een ontwerp dat op andermans infrastructuur wordt geproduceerd onder een overeenkomst die je nog niet hebt gezien, want de wachtlijst is geen contract. Tekst die door een {{2}}fijngetunede LFM2.5 2.6B Base{{/2}} wordt geproduceerd, wordt op jouw hardware geproduceerd uit gewichten die je bezit. Voor een merk waarvan de campagne-assets het product zijn, is dat verschil niet academisch.

• Wijziging — elk gewicht in het LFM-checkpoint is van jou om verder te pretrainen, fine-tunen, kwantiseren of distilleren. Vyb kan helemaal niet worden gewijzigd. Je kunt de uitvoer ervan bewerken, dat is juist het hele punt, maar je kunt het model dat die uitvoer heeft geproduceerd niet wijzigen.

• Hardware — LFM2.5 2.6B Base is dense en klein genoeg dat Liquid AI de familie positioneert voor telefoons en laptops; een 2.69B-checkpoint past op één consumenten-GPU of op een edge-apparaat bij vier bits. Vyb vereist geen hardware, wat afhankelijk van of je beperking kapitaal of controle is, ofwel de beste ofwel de slechtste eigenschap op deze lijst is.

Waarvoor je LFM2.5 2.6B Base daadwerkelijk zou trainen

Het voor de hand liggende gebruik is ook het gebruik dat aansluit bij een ontwerppijplijn in plaats van ermee te concurreren. Vyb plaatst tekst; iets moet de tekst schrijven, in een stem die het merk herkent, in een volume dat een marketingkalender vereist. Dat is een fine-tuningklus met een kleine, goed afgebakende dataset: twaalf maanden goedgekeurde headlines, een stijlgids en de afwijzingen. Een basis-checkpoint van 2,69B is de juiste maat daarvoor — groot genoeg om een stem vast te houden, klein genoeg om in één middag op één GPU te trainen, en klein genoeg om te draaien voor minder dan de prijs van een kop koffie per duizend generaties.

De 131.072-tokencontext is ruim voor die taak. Een brandbook plus honderd goedgekeurde voorbeelden is ruim voldoende, wat betekent dat de fine-tune op de gids kan worden geconditioneerd in plaats van te hopen dat die is opgenomen.

Wat LFM2.5 2.6B Base niet zal doen, is een vraag beantwoorden zonder training. Het zet tekst voort. Het volgt geen formaat, roept geen tool aan en stopt niet wanneer jij dat wilt, omdat niets daarvan erin is getraind. Elk artikel over base-checkpoints zegt dit en elk team probeert het toch, dus: als je een model wilt dat vandaag een kop schrijft, fine-tune het eerst of gebruik een post-trained zustermodel. Het base-checkpoint is een uitgangspositie, geen dienst.

De kosten van elk pad, uitgewerkt

De kosten van Vyb zijn op dit moment één getal: $10 aan credits, gratis, zodra je van de wachtlijst bent. Alles daarna is onbekend, en dat onbekende is niet gering — een marketingteam dat veertig assets per maand maakt, heeft een bedrag per asset nodig om te kunnen beslissen of de tool een middag van een ontwerper vervangt of een ontwerper.

De kosten van LFM2.5 2.6B Base zijn tot op de cent bekend en vrijwel volledig vast. De gewichten zijn gratis. De trainingsrun bestaat uit je GPU-uren. De serving is je inferentie, en bij 2,69B dense is de rekensom onglamoureus: één midrange-kaart verwerkt een copygeneratie-workload zonder moeite, en de marginale kosten van de duizendste kop zijn feitelijk de elektriciteit. Wat je daarentegen uitgeeft, is engineeringtijd — de datapipeline, de evaluatieset, de guardrails — en dat is de kostenpost die mensen vergeten wanneer ze "gratis gewichten" vergelijken met "goedkope API".

Er is een derde pad waar de meeste teams op uitkomen, en het is de moeite waard om het te benoemen. Gebruik een gehost model voor copy terwijl de merkstem nog wordt gedefinieerd, en fine-tune LFM2.5 2.6B Base zodra je genoeg goedgekeurde voorbeelden hebt om de training de opzet waard te maken. Dat is een routeringsvraagstuk, geen modelvraagstuk: één sleutel voor 200+ gehoste modellen, met de lijstprijzen van providers doorgegeven tegen 0% markup, brengt je van prototype naar productie zonder een tweede contract, en de lokale checkpoint neemt het over wanneer het kostenplaatje doorslaat.

De eerlijke lezing van de cijfers van Vyb

Omdat deze pagina een vier dagen oude leveranciersbenchmark naast een twee maanden oude open checkpoint plaatst, verdient de herkomst het om ronduit te worden vermeld in plaats van weggemoffeld.

Coco Labs heeft VybBench gepubliceerd, met 145 Google-lettertypen, 100 kleuren en 200 bewerkingen, en meldt een lettertypegetrouwheid van 90,3% tegenover 76,0% voor ChatGPT Image, een kleurfout van 0,00 tegenover 3,94, en een gemiddelde pixelwijziging bij bewerkingen van 11,9% tegenover 95,5%. Het bedrijf schreef de benchmark en zijn model won die. Het maakt ook bekend dat Vyb gelaagde SVG-invoer kreeg voor de bewerkingstest, terwijl de vergelijkingsmodellen afgeplatte PNG's kregen, omdat zij geen lagen kunnen accepteren. Niets daarvan maakt de uitkomst onjuist — het laagformaat is het product — maar het betekent wel dat de cijfers een ander invoercontract meten, niet twee modellen die identiek werk kregen. Geen enkele onafhankelijke partij heeft er iets van gereproduceerd.

LFM2.5 2.6B Base daarentegen is een checkpoint dat je vanmiddag zelf kunt downloaden en evalueren. Dat is geen kwaliteitsclaim; het is een claim over verifieerbaarheid, en op dat vlak zijn de twee niet met elkaar te vergelijken.

Welke blokkeert je?

Als uw probleem is dat goedgekeurde ontwerpen niet kunnen worden bewerkt zonder ze opnieuw te genereren, is Vyb de enige van deze twee met een antwoord, en de wachtlijst kost u een week van uw tijd in plaats van een kwartaalbudget. Als uw probleem is dat elk asset een headline in uw tone of voice nodig heeft in een volume dat geen mens wil schrijven, is LFM2.5 2.6B Base plus een fine-tuningrun het antwoord, en die is nu beschikbaar.

Als je probleem beide is, zijn ze geen rivalen — het zijn twee fasen van dezelfde pijplijn, de ene gehuurd en de andere in eigendom. De beslissing die echt genomen moet worden, is niet welk model je moet kiezen. Het is of de campagne-assets van een merk geproduceerd moeten worden door een model dat het bezit of door een model waarvoor het een account op een wachtlijst heeft, en het feit dat die vraag in oktober 2026 nog steeds open is, is het nuttigste dat deze vergelijking je kan vertellen.