LFM2.5-24B-A2B vs Granite 4.2 30B: rzadki model na laptopa czy gęsty model na stację roboczą

„Open weights" pełni dwie różne funkcje w LFM2.5-24B-A2B i Granite 4.2 30B. Model Liquid AI, ogłoszony 13 października 2026 r., to liczący 24 miliardy parametrów model typu mixture-of-experts, który uaktywnia 2,45 mld parametrów na token i jest udostępniany na własnej licencji dostawcy lfm1.0. Granite 4.2 30B firmy IBM, opublikowany na Hugging Face 25 sierpnia 2026 r., to gęsty model rozumujący typu decoder-only — około 29 miliardów parametrów w jego safetensors BF16, z których każdy jest aktywny przy każdym tokenie — udostępniany na licencji Apache 2.0. Jedna z tych licencji to standardowa licencja Apache bez żadnych warunków. Druga nie, i ta różnica przetrwa każdy spór o benchmarki, jaki moglibyście toczyć na temat tych dwóch.

Druga różnica to arytmetyka, której nie ukryje żadna ewaluacja. MoE o 2,45 mld aktywnych parametrów jest dopasowany rozmiarem do maszyny, którą już posiadasz. Gęsty model 29B potrzebuje GPU z pamięcią wystarczającą, by go pomieścić, co sprawia, że porównanie jest mniej pytaniem „który jest mądrzejszy”, a bardziej „który z nich faktycznie uruchomisz na sprzęcie, który masz przed sobą”.

Gdzie trafiają parametry

LFM2.5-24B-A2B to 40 warstw podzielonych między 30 podwójnie bramkowanych bloków krótkiej konwolucji i 10 warstw uwagi z grupowanymi zapytaniami, z 64 ekspertami na blok i routingiem top-4. Liquid wytrenował go na 33 bilionach tokenów według wyliczeń z posta premierowego — albo 36 bilionach według wyliczeń z karty modelu Hugging Face dla tego samego wydania, rozbieżność, której nie rozstrzyga żaden z dokumentów — następnie przeprowadził trening pośredni w dwóch etapach i zakończył pięcioetapowym potreningowym pipeline'em, który kończy się agentowym uczeniem ze wzmocnieniem w prawdziwych harnessach agentowych. Ma okno kontekstowe o rozmiarze 131 072 tokenów i słownik o rozmiarze 128 000 tokenów.

Granite 4.2 30B to pojedynczy, gęsty stos bez konieczności wykonywania routingu, zbudowany na checkpointcie bazowym Granite-4.1-30B-Base i wytrenowany w trzech wybieralnych trybach rozumowania: pełnym myśleniu opakowanym w znaczniki <think>, myśleniu o niskim nakładzie pracy oraz całkowitym braku myślenia. Ma natywny kontekst 128K z udokumentowanym rozszerzeniem długiego kontekstu do 512K, obsługuje dwanaście przetestowanych języków, a jego karta modelu zaleca temperaturę 1.0 z top_p 0.95 we wszystkich zadaniach.

Praktyczną konsekwencją jest kształt przepustowości, a nie tylko sama przepustowość. Rzadkie routowanie oznacza, że LFM2.5-24B-A2B odczytuje plik wag 24B, aby wykonać obliczenia arytmetyczne odpowiadające 2,45B na token — dobre dla przepustowości pamięci, a pod żadnym konkretnym względem niezłe. Gęstość oznacza, że Granite 4.2 30B wykonuje pełną pracę 29B dla każdego emitowanego tokenu. Jeśli Twoje obciążenie to długa pętla agenta z wieloma krótkimi turami, ta różnica się kumuluje.

Numery dostawców, obok siebie, z dołączonym zastrzeżeniem.

Nikt nie przeprowadził bezpośredniego testu porównawczego tych dwóch. Liczby IBM pochodzą z karty modelu Granite 4.2; liczby Liquid pochodzą z tabeli vLLM z dnia premiery, w której Granite nie występuje jako kolumna. Wiersze poniżej to zatem dwie odrębne deklaracje dostawców umieszczone obok siebie, a nie bezpośrednie porównanie, a dwa z czterech benchmarków korzystają z częściowo pokrywających się, ale nieidentycznych zestawów testowych.

• Parametry — 24,0 mld łącznie, z czego 2,45 mld aktywnych, w porównaniu z ~29 mld gęstych, wszystkie aktywne. Jedna liczba, która decyduje o twoim sprzęcie.

• Kontekst — 131 072 tokeny w porównaniu z 128 tys. natywnych i 512 tys. rozszerzonych.Mniej więcej na tym samym poziomie w natywnym oknie; Granite idzie dalej, jeśli tego potrzebujesz.

• Licencja — lfm1.0 a Apache 2.0. Apache 2.0 nie ma progu przychodowego ani kwestii zakresu zastosowania. Porównaj warunki Liquid z własnymi liczbami.

• Agentowe użycie narzędzi — BFCLv4 65,01 w porównaniu z BFCL v4 61,39. Wynik Liquid pochodzi z własnego środowiska testowego; wynik IBM z karty 4.2. Wystarczająco blisko, by środowisko testowe miało większe znaczenie niż różnica.

• Kodowanie — SWE-Bench Verified 51,00 w porównaniu z 57,00. Przewaga Granite'a, co wpisuje się w schemat: LFM2.5-24B-A2B to model wywołujący narzędzia, a Granite 4.2 30B to model rozumujący, który również wywołuje narzędzia.

• Realizacja instrukcji — IFEval 96,75 i IFBench 74,69 w porównaniu z IFBench 77,17. Oba są mocne; obaj dostawcy stosują różne pary wierszy, więc porównaj ten wspólny.

Tam, gdzie karta Granite'a podaje szczegóły, których Liquid nie publikuje, potraktuj to jako argument modelu rozumującego: AIME 2025 – 89,17; GPQA – 66,41; LiveCodeBench v6 – 75,77; MMLU-Pro – 77,60; SciCode – 38,76; a RULER – 89,96 dla 64K i 81,38 dla 128K. Ta ostatnia para to rodzaj dowodu na długi kontekst, którego LFM2.5-24B-A2B po prostu jeszcze nie ma — Liquid nie opublikował żadnych danych dotyczących wyszukiwania dla żadnej długości kontekstu dla swojego okna 131K.

Ile kosztuje cię przechowywanie każdego z nich

Dostęp do API w cenach Liquid za 0,10 USD za milion tokenów wejściowych — 0,05 USD z cache — oraz 1,00 USD za milion tokenów wyjściowych we własnym Console, z 2 USD początkowego kredytu. Ale hostowany endpoint tak naprawdę nie jest produktem; produktem jest sam plik 24B-A2B, a deklaracje przepustowości dostawcy dotyczą wyłącznie pracy na urządzeniu: 184 tokeny na sekundę na Apple M5 Max i 114 tokenów na sekundę na AMD Ryzen AI Max+ 395. Jedne i drugie są podane przez dostawcę i niepowtórzone przez nikogo innego, a niezależnie od tego, czy się potwierdzą, argument architektoniczny się broni: aktywny MoE o 2,45B działa na pamięci ujednoliconej w sposób, w jaki gęsty model 29B nie potrafi.

IBM nie podaje ceny za token na karcie modelu — Granite 4.2 30B jest pozycjonowany jako checkpoint do samodzielnego hostowania, dystrybuowany jako BF16 oraz kwantyzacje FP8, NVFP4/MXFP4 i GGUF. Całkowity koszt to GPU, które trzeba kupić lub wynająć, aby utrzymać około 29 mld gęstych wag, a gęsty model 30B w FP8 wymaga znacznie więcej pamięci niż skwantyzowany MoE z 2,45 mld aktywnych parametrów. W przeliczeniu na obsłużony token model rzadki jest tańszy w eksploatacji; pod względem zimnego startu i opóźnienia w najgorszym przypadku model gęsty nie ma routingu, który trzeba rozgrzewać. To, które z tych kryteriów jest dla ciebie istotne, zależy w całości od tego, czy endpoint działa bez przerwy.

Jeśli chcesz przetestować jedno lub drugie, nie wiążąc się z żadnym z nich, obie drogi są dostępne. Granite 4.2 30B można hostować samodzielnie na licencji Apache 2.0 bez limitu przychodów, a serwowana strona każdej z powyższych liczb — qwen/qwen3.6-35b-a3b i google/gemma-4-26b-a4b-it wśród nich — znajduje się w naszym katalogu za jednym kluczem przy 0% narzutu względem własnej ceny katalogowej każdego dostawcy, więc zmiana ceny przez dostawcę trafia do punktu końcowego tego samego dnia, w którym zostanie ogłoszona, a nie dopiero w kolejnym cyklu rozliczeniowym.

Który wybrać

Wybierz LFM2.5-24B-A2B, jeśli ograniczeniem jest maszyna, a obciążeniem — wywołania narzędzi. Wygrywa tam, gdzie mierzy się pracę w formie harnessu, utrzymuje 131K kontekstu w rozmiarze, jaki udźwignie laptop, a Liquid trenował go na prawdziwych szkieletach agentów, a nie na statycznym zbiorze testowym — szczegół, który ma większe znaczenie dla routera niż dla modelu rozumującego. Decydując się na to, zaakceptuj dwie rzeczy: licencja lfm1.0 nie jest Apache 2.0, a nikt spoza Liquid nie ocenił jeszcze tego checkpointu.

Wybierz Granite 4.2 30B, jeśli masz odpowiedni sprzęt, potrzebujesz modelu, który najpierw rozumuje, a potem działa, lub potrzebujesz, aby licencja była tą, którą twój zespół prawny już zna. Prowadzi w kodowaniu, jest jedynym z dwóch z opublikowanymi wynikami wyszukiwania długiego kontekstu, a jego rozszerzenie 512K to prawdziwa dokumentacja, a nie zabieg marketingowy. Jego wyniki agentowe są niższe — 61,39 w BFCL v3 wobec 65,01 Liquid — co jest dokładnie odwrotne od tego, co sugerowałyby liczby parametrów, i przypomina, że gęstość daje rozumowanie, ale nie automatycznie dyscyplinę w posługiwaniu się narzędziami.

Uczciwe podsumowanie jest takie, że te dwa nie są substytutami. LFM2.5-24B-A2B został stworzony, by być modelem, który wykonuje pętlę na urządzeniu bez połączenia z chmurą. Granite 4.2 30B został stworzony, by być modelem, który intensywnie myśli o problemie i ma licencję, by udowodnić, że można go wdrożyć. Jeśli masz oba, pytanie o routing brzmi: który z nich otrzyma żądanie — i to jest decyzja, którą ma podejmować warstwa routingu, a nie tabela benchmarków.

Śledź na bieżąco awarie i degradacje modeli w naszym archiwum incydentów i sprawdź, które trasy przełączyły się bezproblemowo.