Beam 1.0 vs LFM2.5 2.6B Base: niedokończony substrat i ukończony gigant

Model, którego nie nauczono odpowiadać na pytania, jest porównywany z modelem, którego nauczono planować. LFM2.5 2.6B Base to wstępnie wytrenowany checkpoint Liquid AI o 2,698 miliarda parametrów, opublikowany 4 sierpnia 2026 r. na licencji LFM Open License v1.0 i wprost opisany jako podstawa do dostrajania — jest tekstowy, składa się z 30 warstw hybrydowej konwolucji i uwagi z grupowanymi zapytaniami, i nie został poddany treningowi po wstępnym. Reflection Beam 1.0 to rzadki model typu mixture-of-experts o łącznej liczbie 501,3 miliarda parametrów i 23,4 miliarda aktywnych, poddany treningowi po wstępnym na etapach nadzorowanym i ze wzmocnieniem oraz udostępniony jako wagi do pobrania 16 października 2026 r. na licencji Apache 2.0, po ogłoszeniu z 5 października 2026 r. Różnica w rozmiarze wynosi 185 do jednego. Różnicą, która faktycznie rozstrzyga o tym porównaniu, nie jest rozmiar — jest nią to, że jeden z nich to surowy substrat, na który kierujesz przebieg treningu, a drugi to produkt, który obsługujesz.

Oba są na Hugging Face. Oba można dziś pobrać. Oba zakładają, że przyniesiesz własny sprzęt. Na tym kończy się cała ich zbieżność, a czytanie ich w zestawieniu ze sobą to przydatny sposób, by zobaczyć, jak różnie ekosystem open-weights etykietuje dwie rzeczy, które podciąga pod ten sam tag.

Te dwa wydania, opisane tak, jak opisują je ich wydawcy

LFM2.5 2.6B Base nosi pełniejszą nazwę LFM2.5-2.6B-Base. W jej karcie podano 2,698 miliarda łącznych parametrów, 30 warstw, z których 22 to podwójnie bramkowane bloki krótkiej konwolucji, a osiem to uwaga z grupowanymi zapytaniami, budżet treningowy wynoszący 34 biliony tokenów, słownik 128 000 tokenów i długość kontekstu 131 072 tokenów. Obsługuje 16 języków. Jest jedną z pary: Liquid AI publikuje również LFM2.5-2.6B, dostrojony po treningu do zadań agentowych, a to surowy punkt kontrolny, od którego wywodzi się każdy wariant w rodzinie. W karcie modelu bazowego napisano, że jest to wstępnie wytrenowany punkt kontrolny wyłącznie tekstowy używany do tworzenia wszystkich pozostałych wariantów. Na Hubie istnieje już pod nim szesnaście dostrojonych pochodnych.

Beam 1.0 to odwrotny układ. Reflection dostarcza łącznie 501,3 mld parametrów, z czego 23,4 mld aktywnych na token, w 52 warstwach — trzech gęstych i 49 typu mixture-of-experts, 256 ekspertów kierowanych po ośmiu na raz w tej konfiguracji. Okno kontekstowe wynosi 1 000 000 tokenów. Modalność to wyłącznie tekst, a karta modelu mówi to bez ogródek. Jest dostępny w trzech precyzjach: BF16, FP8 i NVFP4, oraz 2B DFlash2, drafter dekodowania spekulacyjnego. Jego szablon czatu wykorzystuje zmodyfikowany format Harmony z kanałami analysis i final oraz ustawieniem reasoning-effort z sześcioma nazwanymi poziomami. Jego cztery repozytoria opublikowano tego samego dnia, 16 października 2026 r., a Artificial Analysis odnotowało premierę na swojej stronie modelu jako 16 października 2026 r.

Przeczytaj jeszcze raz te dwa akapity, a kształt tej rzeczy się wyłania. Liquid AI opublikowało komponent. Reflection opublikowało gotowy system z formatem transmisji i regulatorem wysiłku. Oba nazywa się „open”, a to słowo pełni dwie różne funkcje.

Licencja to obszar, w którym te dwa są najmniej podobne.

To jest porównanie, którego nie uzyskasz na podstawie liczby parametrów, i to właśnie ono ma największe praktyczne znaczenie.

Beam 1.0 jest na licencji Apache 2.0. To standardowa licencja permisywna bez limitów użytkowników, bez progu miesięcznie aktywnych użytkowników i bez osobnego poziomu komercyjnego. Pobierz go, dostrój, redystrybuuj utwór pochodny, sprzedaj rezultat. Karta zawiera również Responsible Use Guide i osobny raport techniczny dotyczący bezpieczeństwa, które są dokumentami polityki, a nie ograniczeniami licencyjnymi — regulują one dopuszczalne użycie, a nie wagi.

LFM2.5 2.6B Base nie jest. Hub oznacza go tagiem license:other i podaje nazwę licencji jako LFM Open License v1.0. Praktyczna różnica nie polega na tym, że jedna jest permisywna, a druga nie — licencja Liquid AI jest napisana z myślą o otwartym użytkowaniu — ale na tym, że obie licencje trzeba czytać inaczej i tylko jedną z nich można podsumować w jednym zdaniu. Jeśli Twój plan obejmuje komercyjną redystrybucję utworu pochodnego, część tej strony dotycząca Apache 2.0 nie wymaga żadnej analizy. Część dotycząca LFM wymaga przeczytania licencji, ponieważ licencja niestandardowa z definicji jest dokumentem, który ktoś napisał celowo.

Ta asymetria przebiega odwrotnie na drugiej osi. Checkpoint Liquid AI to 2,698 miliarda parametrów gęstego modelu tekstowego, co oznacza, że kwestia licencji dotyczy czegoś, co można umieścić na pojedynczym konsumenckim GPU lub urządzeniu brzegowym. Licencja Apache 2.0 firmy Reflection dotyczy modelu o 501 miliardach parametrów, którego wagi bfloat16 zajmują około terabajta, a którego wariant czterobitowy wciąż figuruje jako 255B. Permisywna licencja na model, którego nie można hostować, to inny rodzaj wolności niż niestandardowa licencja na model, który można hostować.

Co model bazowy może, a czego nie może zrobić

Artykuł o bazowym checkpointcie musi to powiedzieć wprost, ponieważ to najczęstszy sposób, w jaki ludzie marnują popołudnie. LFM2.5 2.6B Base nie został dostrojony do instrukcji. Będzie kontynuować twój tekst. Nie odpowie na twoje pytanie, nie zastosuje się do twojego formatu, nie wywoła twojego narzędzia ani nie zatrzyma się, kiedy tego chcesz. To punkt wyjścia, którego zachowanie jest takie, jakie w nim wytrenujesz, a Liquid AI mówi o tym w opisie modelu, zamiast pozostawiać to do odkrycia.

To nie jest defekt i nie jest to mniejsza wersja Beam 1.0. Przebieg pretrenowania na 34 bilionach tokenów i 30-warstwowa architektura hybrydowa są produktem; brak dostrojenia jest tu sednem, ponieważ dostrojenie jest zależne od zadania, a laboratorium, które udostępnia model bazowy, celowo przekazuje tę decyzję temu, kto odpowiada za zadanie. Szesnaście pochodnych na Hubie to, jak to rozwiązanie wygląda w praktyce.

Konsekwencją dla oceny jest to, że nie ma tabeli benchmarków do porównania. Karta Beam 1.0 zawiera pełną taką tabelę — SWE-bench Verified 81,6% na BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, wszystkie raportowane przez dostawcę i żadne nieodtworzone przez stronę trzecią — ponieważ jest to model po treningu dostrajającym zbudowany dla nazwanych obciążeń i to jest dowód, którego oczekuje jego nabywca. LFM2.5 2.6B Base nie ma żadnej, z założenia. Nie ma czego oceniać: jakość checkpointu jest tym, co zrobi z niego twoje dostrajanie, a uczciwym punktem porównania jest przebieg treningu, a nie wiersz w rankingu.

Dokąd trafiają pieniądze

Żaden z nich nie znajduje się w katalogu OrcaRouter. To, co routujemy, to świat obsługiwanych modeli wokół nich: ponad 200 modeli za jednym kluczem kompatybilnym z OpenAI, cena katalogowa dostawcy przekazywana dalej przy 0% marży, z automatycznym przełączaniem awaryjnym między dostawcami, dzięki czemu trasa, która ulega degradacji, jest przekierowywana zamiast zawodzić. Warto o tym tutaj wspomnieć z konkretnego powodu, ponieważ dwa modele na tej stronie znajdują się na przeciwnych biegunach tego samego pytania zakupowego.

LFM2.5 2.6B Base można pobrać za darmo, ale jego obsługa kosztuje wszystko — w tym sensie, że koszt to przebieg treningu i urządzenie. Beam 1.0 można pobrać za darmo, ale jego obsługa kosztuje wszystko — w tym sensie, że koszt to serwowanie 501B MoE, a w chwili pisania Reflection nie publikuje stawek API. Artificial Analysis odnotowuje na stronie Beam pola cen jako niedostępne i zauważa, że nie ma publicznie dostępnego API. Dwanaście dni po ogłoszeniu model z tabelą benchmarków dla 501 miliardów parametrów wciąż nie ma na niej liczby, której mógłby użyć zespół finansowy.

Dla czytelnika, którego rzeczywistym wymaganiem jest wnioskowanie w tym tygodniu na obciążeniu, do którego żaden z tych modeli nie jest dostosowany — sumaryzator, klasyfikator, interfejs czatu — decyzja nie dotyczy wyboru między tymi dwoma. Chodzi o wybór między samodzielnym dostrojeniem 2,698 miliarda parametrów a wynajęciem czegoś, co jest już dopasowane i wycenione, a druga opcja jest tą, którą można zmierzyć, zanim się zdecydujesz.

Którego właściwie szukasz?

Wybierz LFM2.5 2.6B Base jeśli twój problem jest węższy niż w przypadku ogólnego asystenta. Powód, dla którego warto wybrać mały bazowy checkpoint, jest taki, że masz zadanie, masz dane i wolisz być właścicielem artefaktu, niż wynajmować wywołanie. Kontekst 131 072 tokenów jest hojny jak na ten rozmiar, obsługa 16 języków jest realna, hybrydowy stos konwolucyjny wybrano z myślą o przepustowości na urządzeniu, a licencja pozwala ci dystrybuować to, co zbudujesz. Na co się piszesz, to pipeline fine-tuningu, środowisko ewaluacyjne i decyzje dotyczące alignmentu — których checkpoint nie zapewnia.

Wybierz Beam 1.0, jeśli Twoje zadanie należy do tych, które wymienia jego karta: kodowanie, korzystanie z narzędzi, rozumowanie w skali repozytorium, długodystansowe wykonanie agentowe. Tabela ewaluacji jest wycelowana dokładnie w tę pracę, kontekst 1M tokenów do niej pasuje, a kompilacje FP8 i NVFP4 czynią rozmowę o sprzęcie łatwiejszą niż sugeruje 501B, zaś licencja Apache 2.0 otwiera drogę do komercyjnego utworu pochodnego. Na co się decydujesz: infrastruktura serwująca, stale aktywny budżet rozumowania, którego szablon nie pozwoli Ci wyłączyć, oraz kosztorys, który musisz przygotować samodzielnie, bo dostawca go nie opublikował.

Te dwa modele nie konkurują ze sobą, a porównanie warto przeprowadzić właśnie dlatego, że pokazuje, jak niewiele mówi samo „otwarte wagi”. Jeden wydawca przekazał komponent i budżet na trening; drugi przekazał system z protokołem komunikacyjnym i licencją, którą można wkleić do przeglądu prawnego. Odczytanie, który z nich ci zaoferowano, zanim go pobierzesz, to większość pracy.

Co zmieniłoby obraz sytuacji

Opublikowana cena API Beam 1.0 albo hostowane wdrożenie FP8 z cennikiem przeniosłoby ten model z kolumny „zbuduj szacunek” do kolumny „porównaj liczby”, a to jedyny brakujący wiersz w jego dokumentacji. Niezależny benchmark na wagach Beam — teraz możliwy, ponieważ są publiczne — dałby tabeli dostawców arbitra, czego LFM2.5 2.6B Base nigdy nie może mieć, bo nie ma jeszcze czego oceniać. Dopóki któreś z nich się nie pojawi, trafne podsumowanie jest takie, że bazowy checkpoint z 2,7 mld parametrów i MoE po treningu końcowym z 501 mld parametrów można oba pobrać bezpłatnie, oba są kosztowne w eksploatacji w zupełnie różnych walutach, i żadne z nich nie jest substytutem drugiego.

Takie porównania jak to są również miejscem, w którym ujawniają się tryby awarii: udokumentowane incydenty AI i awarie agentów stojące za modelami w tej klasie są gromadzone w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, wagę, ocenę pewności i znacznik sporności.