HiRO-ACEv2 vs LFM2.5 2.6B Base: Żaden z nich nie jest produktem i nie są niedokończone w ten sam sposób

Postaw HiRO-ACEv2 i LFM2.5 2.6B Baseobok siebie, a pierwsze, co zauważysz, to że żadnego z nich deweloper nie może po prostu wywołać. HiRO-ACEv2 to drugiej generacji emulator klimatu od Ai2, wgrany jako 10,9 GB repozytorium Hugging Face 12 października 2026 r. bez żadnej zapowiedzi, z preprintem datowanym na dzień następny; LFM2.5 2.6B Base to pretrenowany checkpoint Liquid AI o 2,69 miliarda parametrów, utworzony 1 sierpnia 2026 r., który sam jego dostawca opisuje wprost jako checkpoint, po który sięgasz tylko wtedy, gdy potrzebujesz gruntownej adaptacji. Jedno i drugie to surowiec. Jedno i drugie można dziś pobrać. A sposoby, w jakie każde z nich nie jest gotowym produktem, są niemal przeciwstawne — i to jedyny powód, dla którego warto napisać to porównanie, zamiast je z góry odrzucić.

Punkt kontrolny Base jest nieukończony, ponieważ nie nauczono go jeszcze wykonywać poleceń. HiRO-ACEv2 jest nieukończony w tym sensie, że nigdy nie będzie modelem ogólnego przeznaczenia — to aplikacja, która dotarła już wytrenowana, już wyspecjalizowana i już opakowana w zadeklarowane ograniczenia. Jeden jest substratem czekającym na cel. Drugi jest celem bez substratu dla czegokolwiek innego.

Co tak naprawdę zawiera każde repozytorium

Repozytorium Base firmy Liquid AI to model. Karta modelu wymienia 2,69 miliarda parametrów w 30 warstwach — 22 bloki krótkiej konwolucji z podwójnym bramkowaniem i 8 warstw grouped-query attention, czyli hybrydowy układ, na którym opiera się rodzina LFM2 — z oknem kontekstu wynoszącym 131 072 tokeny, słownikiem liczącym 128 000 pozycji, 34 bilionami tokenów pretreningu oraz obsługą 16 języków, w tym angielskiego, arabskiego, chińskiego, francuskiego, niemieckiego, włoskiego, japońskiego, koreańskiego, portugalskiego, hiszpańskiego, wietnamskiego, tajskiego, indonezyjskiego, hindi, rosyjskiego i polskiego. Obsługuje wyłącznie tekst i nie jest dostrojony do wykonywania instrukcji. Formaty do pobrania obejmują natywny checkpoint Transformers, GGUF dla llama.cpp, ONNX do wdrożeń wieloplatformowych oraz MLX dla Apple silicon; kwantyzacja Q4_K_M zajmuje około 1,67 GB.

Repozytorium Ai2 nie jest w tym sensie modelem. Zawiera dwa checkpointy — HiROv2.ckpt o rozmiarze około 1,28 GiB i ACE2S-X-SHiELD.ckpt o rozmiarze około 2,98 GiB — a także dziesięć lat danych wymuszających NetCDF, około 609 MB na plik, dwa pliki warunków początkowych, trzy konfiguracje YAML i skrypt powłoki. Około 4,3 GiB rzeczywistych wag to mniejszość z łącznej liczby 10,9 GB; większość tego, co pobierasz, to okno danych wejściowych, do którego przetwarzania zbudowano framework. Nie ma kwantyzacji, alternatywnego środowiska uruchomieniowego, eksportu do ONNX ani mniejszego wariantu. Jest jeden sposób, aby to uruchomić, i README go opisuje: zainstalować od Ai2 fme-pakiet, edytować cztery ścieżki w konfiguracji, wykonać skrypt.

Dwa różne rodzaje problemu z licencją

Tagi licencyjne to miejsce, w którym kontrast staje się praktyczny, a nie filozoficzny, i w którym ta para naprawdę różni się od modelu takiego jak wydania Apache-2.0, których można by się tutaj spodziewać.

• HiRO-ACEv2 — Apache 2.0, z Wytycznymi Odpowiedzialnego Wykorzystania Ai2, które wiążą z udzieleniem licencji cel badawczy i edukacyjny, a dane treningowe przypisane do X-SHIELD, dostarczone przez GFDL.

• LFM2.5 2.6B Base — LFM Open License v1.0, a nie permisywna licencja w stylu OSI. Jej warunki znajdują się w pliku LICENSE samego repozytorium, a warunki komercyjne są powodem, aby przeczytać ten plik, a nie tag, zanim zbudujesz produkt na tym checkpoincie.

• Co to oznacza dla forka, którego za chwilę dokonasz — w przypadku HiRO-ACEv2 pytanie brzmi, czy twoje użycie ma charakter badawczy; w przypadku LFM2.5 2.6B Base pytanie brzmi, czy twoje użycie ma charakter komercyjny i na jaką skalę. Różne pytania, różne odpowiedzi, a na żadne z nich nie odpowiada słowo „open”.

Kształty wyjściowe nie mają ze sobą nic wspólnego, a to jest właśnie to, co użyteczne.

Bazowy punkt kontrolny generuje tekst. Token po tokenie, autoregresyjnie, z typowym zestawem parametrów próbkowania — karta sugeruje temperaturę 0,6 i top-p 0,95 dla stylu generowania modelu siostrzanego po treningu, a bazowy punkt kontrolny prosi, abyś zdecydował o tym samodzielnie. Wszystko, co następuje po nim, to zadanie językowe: kontynuować dokument, klasyfikować fragment, tłumaczyć, generować dane strukturalne lub służyć jako punkt wyjścia do dostrajania, które nauczy go dziedziny albo języka, którego obecnie nie obejmuje dobrze.

HiRO-ACEv2 generuje siatkowe pola fizyczne w rozdzielczości 3 km — uśredniane co sześć godzin natężenia opadów przy powierzchni, chwilowe wschodnie i północne składowe wiatru na wysokości 10 metrów oraz ciśnienie na poziomie morza — przeskalowane w dół z danych wejściowych o rozdzielczości 100 km przez model dyfuzyjny, przy czym sam zgrubny stan jest generowany autoregresyjnie przez osobny emulator X-SHIELD. Nic w tym potoku nie jest tekstem. Istotna ocena polega na tym, czy rozkład wyników odpowiada symulacji referencyjnej aż do jej dalekiego ogona, a artykuł stojący za tym udostępnieniem dotyczy dokładnie tego: autorzy donoszą, że śledzą referencyjne rozkłady opadów i wiatru przy powierzchni aż do 99,9999 percentyla oraz zasadniczo podążają za referencyjnym rozkładem intensywności cyklonów tropikalnych, przy deklarowanym koszcie wnioskowania ponad 300 razy niższym niż w konwencjonalnym numerycznym globalnym modelu rozwiązującym burze.

Oba te twierdzenia pochodzą od dostawców lub autorów i nie zostały odtworzone. Różnica polega na tym, co musiałby zrobić ktoś, kto chciałby je odtworzyć. Weryfikacja twierdzenia o checkpointcie Base oznacza zestaw zadań oraz liczbę godzin GPU odpowiadającą jednemu checkpointowi. Weryfikacja twierdzenia o HiRO-ACEv2 oznacza dziesięcioletni zbiór danych wymuszeń, symulację referencyjną do porównania oraz analizę rozkładu w dalekim ogonie — dlatego drugie twierdzenie prawdopodobnie pozostanie niepodważone znacznie dłużej.

Co właściwie zbudowałbyś na każdym z nich

Naturalne zastosowanie checkpointu Base to adaptacja, a Liquid AI mówi o tym wyjątkowo wprost: asystenci wyspecjalizowani językowo lub dziedzinowo, trenowanie na danych własnościowych albo testowanie nowych metod dostrajania po treningu. To checkpoint, którego wartość pojawia się po twojej pracy, a nie przed nią. Jego dostrojony następca — LFM2.5 2.6B, utworzony trzy dni wcześniej, 28 lipca — został stworzony do obciążeń agentowych, a liczby pobrań mówią wszystko o tym, którego z tych dwóch chciała społeczność: model dostrojony po treningu przekroczył 114 000 pobrań i 823 polubienia do połowy października, w porównaniu z 6282 pobraniami i 51 polubieniami dla Base. Base to narzędzie specjalisty, a rynek wycenił je odpowiednio.

Naturalnym zastosowaniem HiRO-ACEv2 jest uruchamianie ensemblu. Atutem tego frameworku nie jest jedna prognoza, lecz wiele: motywacją artykułu jest generowanie dużych ensembli wystarczająco tanio, by badać zachowanie i ekstrema cyklonów tropikalnych w rozdzielczości 3 km, w wielodekadowych okresach i dla dowolnych regionów globu. Nie dostraja się go, a karta modelu do tego nie zachęca. Uruchamiasz go i albo ufasz jego ograniczeniom — dziewięć lat danych treningowych, brak stosowalności poza obszarem od 66°S do 70°N, artefakty na granicach patchy powyżej kafelka treningowego 16 na 16 o rozdzielczości jednego stopnia — albo nie.

Inaczej mówiąc: jeden z tych modeli to punkt wyjścia, który modyfikujesz, a drugi to instrument, którym się posługujesz. Traktowanie ich jako wymiennych „otwartych modeli” tylko dlatego, że oba można pobrać, to błąd, któremu ta strona ma zapobiec.

Jedyne, co je łączy: żadne z nich nie jest rozliczane za token.

To, w czym te dwa modele naprawdę się zbiegają, to struktura kosztów. Żaden z nich nie ma cennika. LFM2.5 2.6B Base można pobrać bezpłatnie i jest tani w eksploatacji właśnie dlatego, że jest mały — kilka gigabajtów w bf16 i znacznie poniżej dwóch gigabajtów po kwantyzacji, co jest całym sensem konstrukcji LFM2.5 i powodem, dla którego istnieje obok modelu bliźniaczego po treningu końcowym, dostrojonego do pracy na urządzeniu. HiRO-ACEv2 jest tani z innego powodu: to wąski emulator, a jego ekonomika wynika z zastąpienia niezwykle kosztownej symulacji numerycznej, a nie z tego, że mieści się na telefonie.

Jeśli więc twoim obciążeniem jest tekst, checkpoint Base to kwestia dostrajania, a codzienna wersja takiego obciążenia — ta, w której chcesz, żeby model odpowiadał, a nie żeby trenować checkpoint — wygląda jak wywołanie, a nie pobranie. To warstwa, w której działa OrcaRouter: jeden klucz API dla ponad dwustu hostowanych modeli, z ceną listową dostawcy przekazywaną bez marży i automatycznym przełączaniem awaryjnym między dostawcami, gdy jeden z nich zawodzi. Żaden z modeli w tym porównaniu nie znajduje się w tym katalogu i żaden nie mógłby się w nim znaleźć w swojej obecnej formie; LFM2.5 2.6B Base to checkpoint, a nie usługa, a HiRO-ACEv2 nie ma w ogóle interfejsu opartego na żądaniach. To, co ruterujemy, to wszystko wokół nich — streszczanie, ekstrakcja, kod harnessa i pętla agenta, która zamienia pobrany artefakt w pipeline.

Kompletacja w praktyce

Jeśli masz dane z dziedziny lub w języku, których model bazowy widział zbyt mało, i masz zasoby obliczeniowe na dotrenowanie, LFM2.5 2.6B Base jest tańszym punktem wyjścia niż większość konkurencji — przeczytaj plik licencji, zanim przeczytasz benchmark, na który liczyłeś, bo w przypadku tego checkpointu licencja jest dokumentem, który decyduje, czy twój projekt jest dozwolony. Jeśli chcesz mały model agentowy do uruchomienia na urządzeniu, chcesz raczej wersję po dotrenowaniu niż Base, a liczby pobrań sugerują, że społeczność doszła do tego wniosku przed tobą. Jeśli chcesz pole atmosferyczne o rozdzielczości 3 km dla trzech dekad symulowanego klimatu, żaden z nich nie jest istotny, a tylko jeden plik w tym artykule jest.

Pożyteczny wniosek jest taki, że „open weights” przestało być samo w sobie użyteczną kategorią. Bazowy checkpoint, siostrzany model po treningu i emulator badawczy mogą wszystkie mieć etykietę brzmiącą permisywnie, a oznaczać przez nią trzy całkowicie różne rzeczy.

Właśnie przy takich porównaniach ujawniają się też tryby awarii: udokumentowane incydenty związane z AI i awarie agentów stojące za modelami z tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, wagę, ocenę wiarygodności i flagę sporu.