Nemotron 3.5 Bolt E4B 4GB kontra LFM2.5 2.6B Base: gotowa postać przeciw czystej karcie

Jeden z tych modeli będzie prowadzić rozmowę zaraz po pobraniu. Drugi nie będzie prowadzić rozmowy, dopóki go nie wytrenujesz. To jest całe porównanie między NVIDIA-Nemotron-3.5-Bolt-E4B-4GB a Liquid AI LFM2.5-2.6B-Base, a każda różnica w specyfikacji wynikająca z tego jest drugorzędna.

Model NVIDIA to poddany treningowi końcowemu konwersacyjny mały model językowy: szablon czatu, przełącznik rozumowania, zachowanie przy wywoływaniu narzędzi, dostrajanie persony i tabela wyników benchmarku z 21 wierszami. Model Liquid to wstępnie wytrenowany bazowy checkpoint, opublikowany wyraźnie z myślą o intensywnym dostrajaniu, bez zachowań czatowych i bez wyników benchmarków na karcie modelu. Wrzucanie ich do jednego worka „mały otwarty model” to błąd kategorii, który prowadzi ludzi do pobrania niewłaściwego artefaktu i stwierdzenia, że model jest zły.

Krótka odpowiedź, zanim przejdziemy do szczegółów

• Potrzebujesz w tym miesiącu działającego asystenta głosowego, persony lub asystenta urządzenia — weź NVIDIA-Nemotron-3.5-Bolt-E4B-4GB. To gotowe zachowanie, a nie surowy materiał.

• Masz dane dziedzinowe, budżet na trening i wymaganie, że model ma być Twój — weź LFM2.5-2.6B-Base. Jest tańszy w dostrajaniu i ma okno kontekstu 128K.

• Chcesz najlepszego małego modelu konwersacyjnego, jaki tworzy Liquid — nie chcesz żadnego z nich osobno. Chcesz modelu LFM2.5-2.6B po treningu końcowym, a następnie zdecyduj, czy punktem wyjścia będzie dla Ciebie Base, czy checkpoint agenta.

• Chcesz bezpośredniego porównania — ale takiego nie ma. Karta Base nie publikuje żadnych wyników, a żadna strona trzecia nie porównała obu kart ze sobą. Każdy artykuł, który ogłasza zwycięzcę na podstawie wspólnego testu, po prostu ten test wymyśla.

Dlaczego to niedopasowanie jest sednem sprawy

Liquid AI udostępniło rodzinę LFM2.5-2.6B w trzech częściach: wstępnie wytrenowany Base, checkpoint agenta po treningu oraz model szkicujący do dekodowania spekulatywnego. Base to pierwszy etap tego pipeline'u, a nie produkt. W karcie modelu Base napisano, że jest „zalecany wyłącznie do zadań wymagających intensywnego dostrajania” — asystentów językowych lub dziedzinowych, trenowania na danych zastrzeżonych i podobnych prac. Bazowy checkpoint bardzo dobrze przewiduje następny token i nigdy nie uczono go odpowiadać na pytania, wykonywać instrukcji ani emitować wywołania narzędzia zgodnie ze schematem.

E4B firmy NVIDIA to przeciwległy koniec tego potoku. Wyszedł od Gemma-4-E4B-it, który był już dostrojony do instrukcji, a NVIDIA ponownie go dotrenowała za pomocą uczenia ze wzmocnieniem na podstawie weryfikowalnych nagród i informacji zwrotnych od ludzi. Karta dokumentuje dziedziny nagród, stosunek partii rozumowania do nierozumowania oraz kary za długość stosowane w celu kontrolowania rozwlekłości. Cokolwiek jeszcze jest prawdą, model został ukształtowany pod konkretne zadanie.

Zatem uczciwe pytanie nie brzmi: „który jest mądrzejszy”. Brzmi ono: „który etap potoku musisz kupić”.

Specyfikacje, wymiar po wymiarze

• Parametry — NVIDIA-Nemotron-3.5-Bolt-E4B-4GB ma łącznie 8 mld parametrów, przy 4 mld parametrów efektywnych w architekturze Gemma-4-E4B; LFM2.5-2.6B-Base ma 2,69 mld gęstych parametrów w 30-warstwowym stosie hybrydowym złożonym z 22 bloków krótkiej konwolucji z podwójną bramką i 8 bloków uwagi z grupowanymi zapytaniami.

• Okno kontekstu — 64K tokenów na wejściu i 64K na wyjściu dla Bolt; 131 072 tokeny dla bazowego modelu LFM.

• Modalność — tekst na wejściu, tekst na wyjściu w obu przypadkach. Żaden z nich nie obsługuje obrazów ani dźwięku.

• Słownictwo — 128 000 tokenów w przypadku LFM2.5-2.6B-Base; NVIDIA nie podaje rozmiaru słownika dla modelu E4B, który dziedziczy tokenizer po Gemmie.

• Wstępne trenowanie — 34 biliony tokenów dla bazy LFM, z fazą trenowania pośredniego, która rozszerza kontekst do 128K. NVIDIA nie podaje liczby tokenów użytych do wstępnego trenowania E4B, ponieważ nie trenowała tego modelu wstępnie; przeprowadziła jedynie trenowanie następcze (post-training) Gemmy.

• Po treningu — szeroko zakrojone prace nad RLVR i informacją zwrotną od ludzi dla Bolt, z jawnym rozumowaniem i trybami konwersacyjnymi. Brak w przypadku bazowego modelu LFM, z założenia.

• Opublikowana precyzja — Q4_K_M GGUF o rozmiarze 6,18 GB i BF16 safetensors o rozmiarze 15,88 GB dla Bolt; pojedynczy plik BF16 safetensors o rozmiarze 5,39 GB dla bazy LFM, z osobnymi konwersjami GGUF, ONNX i MLX w innych miejscach rodziny.

• Licencja — OpenMDW-1.1 dla wkładu NVIDIA, z komponentem Gemma 4 objętym licencją Apache 2.0; LFM Open License 1.0, niestandardowa licencja z warunkami komercyjnymi, dla modelu Liquid.

• Języki — 34 w metadanych E4B, z czego siedem określono jako główne języki po treningu; 16 dla bazy LFM.

• Wydanie — 23 października 2026 dla E4B; rodzina LFM2.5-2.6B została opublikowana 4 sierpnia 2026.

Różnica w liczbie parametrów jest realna, ale nie przekłada się na oczekiwaną różnicę w rozmiarze pobierania. Model Base 2.69B to plik do pobrania BF16 o rozmiarze 5.39GB; „4GB” E4B to czterobitowy plik do pobrania o rozmiarze 6.18GB. Porównywanie liczby parametrów między gęstą architekturą hybrydową a rzadką architekturą z efektywnymi parametrami mówi mniej niż porównywanie bajtów na dysku.

Co każda karta faktycznie publikuje

To tutaj asymetria staje się mierzalna.

NVIDIA udostępnia 21 wierszy benchmarków, cztery modele porównawcze i osobną kolumnę Q4_K_M. Wyniki zostały uzyskane przez dostawcę w ramach NeMo-Gym i wyraźnie oznaczono je jako potencjalnie różniące się od liczb deklarowanych przez innych dostawców. Obejmują utrzymanie persony, hierarchię instrukcji, synchronizację wywołań narzędzi, ugruntowanie, wyszukiwanie w długim kontekście oraz realizację zadań agentowych.

Karta Base od Liquid nie zawiera żadnej tabeli benchmarków. To nie jest przeoczenie; taka jest natura bazowego checkpointu. Liczby krążące wokół LFM2.5-2.6B — IFBench 59,17, ToolSandbox 77,83, BFCLv4 56,88, LiveCodeBench v6 59,41, AIME25 51,87 — dotyczą dostrojonego checkpointu agenta, a nie Base, i pochodzą od dostawcy. Artificial Analysis wymienia LFM2.5-2.6B z Intelligence Index wynoszącym 8, oznaczonym jako szacunek, z niezależną ewaluacją w przygotowaniu; nie ma tam w ogóle strony dla Bolt E4B.

Zatem uczciwa karta wyników wygląda tak: jeden model ma dużą, nieaudytowaną tabelę dostawcy, a drugi nie ma tabeli i ma niezależne oszacowanie przypisane do innego checkpointu w swojej rodzinie. Żadna z kolumn nie pozwala na bezpośrednie porównanie.

Pamięć i szybkość są mierzone na różnych planetach

Obaj dostawcy publikują dane dotyczące opóźnień, ale nie są one porównywalne. Należy je traktować jako odrębne deklaracje dotyczące odrębnych konfiguracji.

• Zamontuj kartę RTX 5070 12GB — od 3,5 do 4,3 GB VRAM, od 548 do 1 238 ms do pierwszego tokenu, od 106,2 do 133,4 tokenów na sekundę, zmierzone przez NVIDIA za pomocą llama.cpp i CUDA przy batchu 1.

• Zamocuj na Jetson Orin Nano 8GB — od 4,2 do 4,9 GB VRAM, od 5,8 do 6,3 sekundy do pierwszego tokenu, od 13,0 do 15,5 tokenów na sekundę. Wbudowany, ale nie w tempie konwersacyjnym.

• LFM2.5-2.6B na M5 Max — około 220 tokenów na sekundę, dekodowanie na CPU według danych producenta.

• LFM2.5-2.6B na chipie klasy telefonicznej — około 30 tokenów na sekundę, według danych producenta.

Wynik dla M5 Max nie jest porównaniem GPU, wynik dla Orin Nano nie jest porównaniem laptopów, a żaden z dostawców nie opublikował długości promptów, rozmiarów batchy ani ustawień kwantyzacji w formie, która pozwoliłaby je zestawić. Jedyną liczbą, którą można bezpośrednio zweryfikować, jest wartość na dysku: 6,18 GB dla Q4_K_M od Bolta w porównaniu z 5,39 GB dla bazowego LFM w BF16.

Licencje: obie otwarte, żadna z nich nie jest Apache

Model NVIDIA to OpenMDW-1.1 plus komponent Apache 2.0 dla Gemma 4. OpenMDW jest permisywna i pozwala na użycie komercyjne, ale nie jest zatwierdzona przez OSI, a dziedziczenie Gemma oznacza, że warunki Apache dotyczą części stosu. Karta NVIDIA stwierdza, że model jest gotowy do użytku komercyjnego lub niekomercyjnego.

Liquid's LFM Open License 1.0 to niestandardowa licencja z progiem 10 mln USD rocznego przychodu dla użytku komercyjnego. To nie Apache ani MIT, a karta Base wskazuje na plik LICENSE, zamiast streszczać warunki. W przypadku projektu badawczego rzadko ma to znaczenie; w przypadku produktu z przeglądem prawnym to pierwsza rzecz do przeczytania.

Praktyczna różnica nie polega na „otwarte kontra zamknięte”. Oba można pobrać i oba pozwalają na użycie komercyjne w ramach swoich warunków. Różnica polega na tym, które warunki musi zatwierdzić Twój radca prawny oraz czy model, który wdrażasz, zawiera w sobie licencję innego dostawcy.

Rachunek za dostrajanie, który jest prawdziwą decyzją

Jeśli wybierzesz LFM base, pobranie jest tanią częścią. Kupujesz 2,69 mld parametrów surowej, wstępnie wytrenowanej zdolności, a następnie płacisz za nauczenie jej zadania: zbierania danych, czyszczenia, nadzorowanego dostrajania, oceny i następującej po tym pętli iteracji. Argumentacja Liquid jest taka, że 34 biliony tokenów i kontekst 128K sprawiają, że ten punkt wyjścia jest wystarczająco mocny, by był wart tej pracy.

Jeśli wybierzesz Bolt E4B, kupujesz post-training NVIDIA jako punkt wyjścia. Wersja BF16 ma 15,88 GB, a NVIDIA publikuje dwa przepisy na jej modyfikację: trening pełnoparametrowy na 8× H100 80GB z FSDP2 i współczynnikiem uczenia 1e-5 albo LoRA na 2× H100 80GB z wymiarem 16, alfa 32 i współczynnikiem uczenia 2e-4. Oba przepisy zamrażają wieże wizyjne i audio, co przypomina, że baza Gemma 4 E4B jest multimodalna, mimo że wydanie Bolt jest tylko tekstowe.

To wyższy próg dostrajania niż w przypadku bazowego modelu LFM 2.69B i znacznie lżejsze zadanie budowania zachowań. E4B już obsługuje personę, hierarchię instrukcji i wywoływanie narzędzi we właściwym momencie; dostosowujesz działający model, a nie tworzysz nowy.

Jeśli budujesz produkt, a nie model

Domyślnym wyborem powinien być gotowy checkpoint. Asystent głosowy, NPC, interfejs kiosku lub agent urządzenia potrzebuje zachowania od pierwszego dnia, a E4B jest jedynym z tych dwóch, który je ma. Jego słabości są udokumentowane i konkretne: Tau2-Bench 55.10 wobec 75.06 Qwen3.5 4B, RULER 86.99 wobec 95.15, LongBench v2 50.50 wobec 59.93. To model konwersacyjny, który potrafi wywoływać narzędzia, a nie agent, który potrafi planować.

Wersja bazowa LFM to właściwy zakup tylko wtedy, gdy produktem jest sam model: asystent dziedzinowy w języku lub słownictwie, z którymi modele ogólne radzą sobie źle, model dostrojony na danych zastrzeżonych albo bazowy punkt odniesienia do badań, który zamierzasz posiadać. W takim przypadku brak zachowań czatowych jest zaletą, ponieważ nie płacisz za zachowanie, które i tak nadpiszesz.

Istnieje trzeci przypadek, którego nie uwzględnia żadna z kart: chcesz porównać je na własnym zadaniu. Zrób to z odłożonym zbiorem ewaluacyjnym i tymi samymi ustawieniami dekodowania, a nie z tabelami dostawców. Karta modelu E4B zaleca temperaturę 1.0 i top_p 0.95 w obu trybach myślenia; Liquid publikuje własne ustawienia dla checkpointu po treningu. Dopasowanie ich to minimum uczciwego testu, a nawet wtedy porównujesz model po treningu z modelem bazowym, co wcale nie jest uczciwym testem.

Gdzie kończy się lokalny model, a zaczyna reszta stosu

Niezależnie od tego, który checkpoint wybierzesz, będzie on działać w aplikacji, która potrzebuje również modeli, których nie może uruchomić. Model bazowy 2,6B lub model konwersacyjny 4B obsługuje lokalną warstwę odruchową; nie obsłuży jednak dokumentu o 200 tys. tokenów, trudnego zadania programistycznego ani żądania wymagającego osądu modelu frontier. Kierowanie tych żądań przez jedno API — ponad 200 modeli, 0% narzutu na cenę katalogową dostawcy, automatyczne przełączanie awaryjne między dostawcami — pozwala zachować lokalny model jako szybką ścieżkę bez wymuszania drugiej umowy dla wolniejszego modelu.

Które pobranie jest twoje?

Wybierz E4B, jeśli potrzebujesz małego modelu, który już dziś rozmawia, wykonuje instrukcje i wywołuje narzędzia, a możesz zaakceptować pobieranie o rozmiarze 6,18 GB oraz udokumentowane słabości w zakresie długiego kontekstu i działania agentowego. Wybierz LFM2.5-2.6B-Base, jeśli rozpoczynasz projekt dostrajania, chcesz okno 128K i tokenizator obsługujący 16 języków oraz masz dane i moc obliczeniową, by nauczyć model jego zadania.

Błędem, którego należy unikać, jest pobranie Base, traktowanie go jak chatbota i wyciągnięcie wniosku, że 2.6B Liquid jest gorszy niż 4B NVIDIA. Nie jest gorszy. Jest wcześniej w pipeline. Porównaniem, które faktycznie rozstrzygnęłoby kwestię rodziny, jest zestawienie Bolt E4B z dotrenowanym LFM2.5-2.6B, a nikt jeszcze nie opublikował takiego przebiegu.