ZwZ2-9B vs LFM2.5 2.6B Base: Een categorievergissing die het waard is te begrijpen

Als je ZwZ2-9B naast LFM2.5 2.6B Base zet, lijkt het op een groottevergelijking, maar dat is het niet. ZwZ2-9B is een vision-language-checkpoint met 9,41 miljard parameters dat inclusionAI op 16 oktober 2026 heeft gepost zonder modelkaart; LFM2.5 2.6B Base is een vooraf getraind model met 2,697 miljard parameters dat alleen tekst verwerkt en dat Liquid AI op 1 augustus 2026 heeft gepubliceerd, met een kaart die in zijn eigen woorden zegt dat het de checkpoint is "die is gebruikt om alle LFM2.5-2.6B-varianten te maken". Het ene is iets dat je overneemt. Het andere is iets waarop je voortbouwt. Kiezen tussen die twee is niet hetzelfde als kiezen tussen twee auto's — het is als kiezen tussen een auto en een motorblok, en de enige nuttige vraag is welke van die twee je eigenlijk nodig had.

Dus dit stuk doet twee dingen. Het geeft je de echte cijfers voor beide, want je kwam hier voor een vergelijking en die cijfers zijn het waard. En dan legt het het onderscheid uit dat de vergelijking verbergt, want als je dat verkeerd doet, belanden teams drie weken in een fine-tune die ze niet nodig hadden, of draaien ze een 9.4B-servermodel voor een taak die een 3B-laptopmodel zou hebben afgehandeld.

Wat elk van deze artefacten eigenlijk is

LFM2.5 2.6B Base is bewust onafgerond. Het is het vooraf getrainde checkpoint aan de basis van de LFM2.5-2.6B-familie van Liquid AI — 30 lagen die afwisselen tussen korte-convolutieblokken met dubbele gates en grouped-query attention, 34 biljoen tokens aan pretraining, een vocabulaire van 128.000 tokens en een bovengrens van 128.000 posities. Het is alleen tekst. Het is ontworpen voor implementatie op het apparaat, de formulering die Liquid AI in de modelkaart gebruikt, en het hele punt van het achtervoegsel 'Base' is dat de nagetrainde conversationele variant en de agentische variant afzonderlijke downloads zijn die daarvan zijn afgeleid. Je wordt geacht het te fine-tunen of erin te distilleren. Uit de doos is het geen assistent.

ZwZ2-9B is het tegenovergestelde soort object. Het is een checkpoint in eindvorm dat niet is beschreven. De config bevat een visiontoren met 27 lagen, token-id's voor afbeeldingen en video's, een videoprocessor met een limiet van 768 frames, een chatsjabloon met een ingebakken standaard systeemprompt, en 24 van zijn 32 lagen die lineaire attention gebruiken in plaats van een groeiende key-value-cache. Dat is een deployment-target, geen trainingssubstraat. Wat ontbreekt, is alles waar een koper naar zou vragen: geen licentieveld, geen evaluatieresultaten, geen verklaring over waarop het is getraind, en geen enkele vermelding in een van de tien openbare collecties van inclusionAI.

• Parameters — ZwZ2-9B: 9.409.813.744. LFM2.5 2.6B Base: 2,697 miljard.

• Doel — een voor deployment ingericht multimodaal checkpoint versus een vooraf getrainde basis voor fine-tuning.

• Modaliteiten in — tekst, afbeelding en video versus alleen tekst.

• Contextplafond — 262.144 posities versus 128.000 (de kaart van Liquid AI rondt dit af naar 131.072).

• Woordenschat — 248.320 vs 128.000.

• Attention-ontwerp — 24 lineaire lagen plus 8 full-attention-lagen versus 22 convolutielagen plus 8 attention-lagen.

• Licentie — geen opgegeven versus de LFM Open License v1.0, wat een aangepaste licentie is in plaats van Apache-2.0.

• Documentatie — geen versus een modelkaart, een technisch rapport en een vermeld trainingsbudget.

Twee regels daarin zijn interessanter dan ze lijken. Beide modellen komen uit op precies 8 attentionlagen, en beide vullen de rest met iets goedkopers — ZwZ2-9B met recurrente lineaire attention, LFM2.5 2.6B Base met korte convoluties. Die convergentie is geen toeval; het is wat "efficiënte architectuur" de afgelopen twee jaar heeft betekend, bereikt vanuit tegenovergestelde richtingen en op tegenovergestelde schalen. En de contextplafonds zijn geen wedstrijd: 262.144 tegenover 128.000 zegt bijna niets, want het 2,7B-model is gebouwd om op een laptop te draaien waar een cache van een kwart miljoen tokens geen realistische werkset is.

Het woord "Base" is de hele beslissing

Als je één ding uit deze combinatie meeneemt, laat het dan dit zijn. Een basischeckpoint heeft geen instructieopvolging, geen chatopmaak waarop je kunt vertrouwen, en geen veiligheidstuning — en dat is een voordeel als je een domeinmodel bouwt, want het betekent dat je niet tegen de alignment van iemand anders vecht wanneer je de jouwe traint. Het is een defect als je een assistent wilde, want je zult je eerste twee weken besteden aan het herontdekken dat voorgetrainde modellen tekst aanvullen in plaats van vragen te beantwoorden.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

De deployment-wiskunde, waar het echte verschil zit

Een 2,697B-tekstmodel en een 9,41B-visiemodel zijn geen alternatieven op dezelfde hardware. De LFM2.5-basis is gebouwd voor telefoons, laptops en singleboardcomputers; de insteek van Liquid AI is inferentie op het apparaat, en een 2,7B-checkpoint dat naar vier bits is gekwantiseerd, is een paar gigabytes groot. ZwZ2-9B behoudt een visietoren met 27 lagen naast 32 taallagen en ongeveer 2 GB aan embeddingmatrix in elke richting — alleen al de vocabulaire is een tabel van 248.320 bij 4.096 — dus het hoort op een server, of op zijn minst op een desktop met een echte accelerator.

Daarom is de eerlijke architectuur voor de meeste teams niet "kies er één". Het zijn twee lagen. Zet het kleine gedocumenteerde model waar latentie en privacy belangrijk zijn en de taak nauw afgebakend is, en routeer de moeilijke gevallen naar een gehost model waar de variabele kosten pas opduiken wanneer het moeilijke geval zich voordoet. Die splitsing goed krijgen is waardevoller dan welke afzonderlijke modelkeuze dan ook op deze pagina, en het is ook het ding dat later het moeilijkst te veranderen is, omdat het degene is die je code raakt.

Het achter één enkele interface regelen is nu juist het hele punt van een router. OrcaRouter ontsluit meer dan 200 modellen via één OpenAI-compatibel endpoint en één API-sleutel, met automatische failover, zodat de goedkope tier en de dure tier slechts één modelstring van elkaar verwijderd zijn in plaats van twee afzonderlijke integraties — en de lijstprijzen van providers worden doorgegeven met 0% opslag, dus het draaien van de dure tier kost hetzelfde als waar dan ook. We hosten LFM2.5 2.6B Base niet en we hosten ZwZ2-9B niet, dus geen van beide is iets wat wij voor je kunnen regelen — Liquid AI distribueert zijn eigen gewichten via de eigen kanalen van de leverancier, en inclusionAI heeft helemaal geen endpoint gepubliceerd. Wat we vandaag aan de gehoste kant van die splitsing kunnen zetten, is qwen/qwen3-vl-8b-instruct, een 8B vision-language-model met een context van 131K tokens voor $0.18 per miljoen inputtokens en $0.70 per miljoen output, wat de dichtstbijzijnde gedocumenteerde vervanger is voor de kleine multimodale tier.

Licentiëring is waar deze twee het scherpst uiteenlopen

Geen van beide licenties is Apache-2.0, en de redenen verschillen op een manier die ertoe doet. LFM2.5 2.6B Base wordt uitgebracht onder de LFM Open License v1.0, een aangepaste licentie — hij is gepubliceerd, leesbaar, en het is dezelfde licentie die de rest van de familie gebruikt, wat betekent dat één juridische beoordeling elk LFM2.5-model dat je aanraakt dekt. ZwZ2-9B verklaart niets. Een ontbrekende licentie is geen permissieve licentie; zonder een expliciete toekenning is de conservatieve lezing dat er geen rechten zijn verleend, en dat is een wezenlijk slechtere positie dan een aangepaste licentie die je kunt lezen en beoordelen.

Voor een basischeckpoint dat u wilt fine-tunen en mogelijk wilt herdistribueren, is dit geen voetnoot. De voorwaarden voor afgeleide werken zijn precies de clausule waarover aangepaste licenties doorgaans een mening hebben, en het volledig ontbreken van enige clausule valt niet in uw voordeel uit.

Hoe te kiezen, eenvoudig uitgelegd

Kies LFM2.5 2.6B Base als je een beperkte teksttaak hebt, een doelapparaat, en de zin om je eigen training te draaien — en accepteer dat jij degene bent die zorgt voor het volgen van instructies. Het gedocumenteerde trainingsbudget en de vermelde licentie betekenen dat je weet waar je aan begint.

Kies ZwZ2-9B als je afbeeldingen of video in de invoer nodig hebt, als je over de GPU's beschikt om een model van 9,4B te serveren, en als je bereid bent de eerste organisatie op aarde te zijn die het evalueert. Die laatste clausule is niet retorisch. Voordat je je vastlegt, zijn de vragen die je moet beantwoorden: of het jouw afbeeldingsformaten accepteert, of het de uitvoervorm teruggeeft die je nodig hebt met denken uitgeschakeld, en onder welke licentie je feitelijk zou opereren. Twee van die drie hebben antwoorden in de repository. De derde niet.

Benchmarks verouderen en prijzen veranderen; het faalregister niet: de gedocumenteerde AI-incidenten en agentfouten achter modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding haar eigen bronnen, ernstniveau, betrouwbaarheidsklasse en betwistingsmarkering bevat.