Perceptron Mk1.5 vs LFM2.5-2.6B-Base: Wynajmij percepcję albo miej checkpoint na własność i dokończ go sam

Oba te modele są skierowane na sprzęt, który mógłbyś podnieść jedną ręką. Perceptron Mk1.5 to model percepcji dla agentów ucieleśnionych, który według jego dostawcy trafia na drony, czworonogi, inteligentne okulary i telefony. LFM2.5-2.6B-Base to 2,69B checkpoint o otwartych wagach, który Liquid AI zbudował specjalnie do wdrożeń na urządzeniach — wystarczająco mały, aby działać w mniej niż 2,5 GB pamięci. Ta wspólna fizyczna ambicja to jedyna rzecz, która je łączy, i jest to pułapka dla każdego, kto porównuje je na karcie specyfikacji. Perceptron Mk1.5 to gotowy produkt, który wynajmujesz za token: tekst, obrazy, wideo i audio na wejściu, a na wyjściu tekst plus geometria czytelna maszynowo, dostępny od 25 września 2026. LFM2.5-2.6B-Base to surowy, wstępnie wytrenowany fundament bez dostrajania instrukcji, bez szablonu czatu i bez deklaracji benchmarkowych — checkpoint wydany, aby inni mogli go dokończyć. Jeden z nich odpowiada na pytanie już dziś; drugi jest surowcem dla modelu, który będzie to robił.

Porównanie działa tylko wtedy, gdy nazwiesz etap.

Zestawienie serwowanego przez API modelu z bazowym checkpointem nie jest bezpośrednim porównaniem, a udawanie, że jest inaczej, daje bezsensowną tabelę, w której jedna strona „wygrywa” każdy wiersz, bo została ukończona przez swojego dostawcę, a druga nie została nawet rozpoczęta. Przydatne pytanie brzmi: na jakim etapie pracy jesteś.

Liquid AI udostępniło rodzinę LFM2.5 jako zestaw checkpointów, a wersja bazowa jest pierwszą z nich. Jej karta wymienia 2,69 mld parametrów łącznie w 30 warstwach — 22 bloki krótkiej konwolucji z podwójną bramką i 8 bloków uwagi z grupowanymi zapytaniami — wytrenowanych na około 34 bilionach tokenów, ze słownikiem liczącym 128 000 tokenów, długością kontekstu 131 072 tokenów i obsługą 16 języków, w tym angielskiego, chińskiego, japońskiego, koreańskiego i arabskiego. Jest wyłącznie tekstowy, to przyczynowy model językowy i nic więcej, a własna rekomendacja Liquid jest bez ogródek: ten checkpoint jest przeznaczony do zadań wymagających intensywnego dostrajania, takich jak asystent dla konkretnego języka lub domeny, trenowanie na własnościowych danych albo eksperymentowanie z nowatorskimi podejściami do post-trainingu. To, co czyni go agentem wywołującym narzędzia, który odpowiada za publikowane wyniki rodziny, to czteroetapowy potok post-trainingu Liquid, którego wersja bazowa nie zawiera.

Perceptron Mk1.5 znajduje się na drugim końcu tego łuku. Perceptron przeprowadził już post-training, zdecydował o formacie wyjściowym i wycenił wynik — 0,15 USD za milion tokenów wejściowych i 1,50 USD za milion tokenów wyjściowych, a buforowane wejście po 0,0375 USD. Jego specyfikacje są konkretne w sposób, w jaki specyfikacje bazowego checkpointu nie są: kontekst 36 864 tokenów, maksymalne wyjście 8 192 tokenów, cztery modalności wejściowe oraz reasoning_effort jako kontrolę domyślnie ustawioną na wysoką, wywoływanie funkcji w uzupełnieniach czatu oraz odpowiedzi z ograniczeniami poprzez JSON Schema i wyrażenia regularne.

Powód, dla którego warto mieć oba na uwadze, jest taki, że całkowity koszt posiadania działa w przeciwnych kierunkach. Mk1.5 jest drogi w przeliczeniu na token i darmowy na start. LFM2.5-2.6B-Base jest darmowy w ujęciu krańcowym, a drogi w jedynej walucie, która ma znaczenie dla bazowego checkpointu — Twojego czasu inżynierskiego.

Wymiar po wymiarze, z zachowaniem właściwych ról

• Co to jest — Perceptron Mk1.5 to hostowany interfejs API percepcji ze strukturalnym wyjściem przestrzennym. LFM2.5-2.6B-Base to pobieralny, wstępnie wytrenowany przyczynowy LM o 2,69 mld parametrów.

• Wejście — Mk1.5 przyjmuje tekst, obrazy, wideo i audio (WAV, MP3, FLAC). LFM2.5-2.6B-Base przyjmuje tekst i tylko tekst.

• Wynik — Mk1.5 zwraca tekst oraz opcjonalne punkty, ramki, wielokąty, klipy i oznaczone znacznikami czasu <track> elementy lub odpowiedzi ograniczone przez JSON Schema. Model bazowy zwraca prawdopodobieństwa tokenów dla następnego tokenu, i nic nie zostało dostrojone, aby było to użyteczne.

• Użycie samodzielne — Mk1.5 działa w dniu, w którym otrzymasz klucz. LFM2.5-2.6B-Base nie odpowiada na pytania w żadnym sensie produktowym; potrzebuje dostrojenia, a zwykle także szablonu czatu, zanim stanie się modelem, który nadawałby się do wydania.

• Kontekst — 36 864 tokeny dla Mk1.5 w porównaniu z 131 072 dla wersji bazowej. Checkpoint na urządzeniu przechowuje niemal cztery razy więcej tekstu, niż serwowany model percepcji przechowuje czegokolwiek.

• Ślad — Mk1.5 działa tam, gdzie uruchamia go Perceptron, a jego opublikowane prace nad opóźnieniami dotyczą pojedynczego H100. Model bazowy jest zaprojektowany do działania na laptopie, telefonie lub urządzeniu brzegowym w mniej niż 2,5 GB.

• Dowody — każda wartość dotycząca możliwości Mk1.5 pochodzi od samego Perceptrona i nie istnieje dla niej niezależny indeks. Model bazowy nie ma żadnych deklaracji dotyczących benchmarków: Liquid publikuje wyniki dla dostrojonego LFM2.5-2.6B, a nie dla tego checkpointu.

• Licencja — Mk1.5 jest zamknięty, wynajmowany za token. LFM2.5-2.6B-Base jest udostępniany na licencji LFM Open License v1.0 wraz z wagami, które pobierasz i zachowujesz.

Trasa wagowa, uczciwie wyceniona

Jeśli atutem LFM2.5-2.6B-Base jest to, że wagi są darmowe, uczciwa wersja tego zdania brzmi: wagi są najtańszą częścią projektu. Dostrojenie na danych zastrzeżonych oznacza zbiór danych, przebieg treningu, środowisko oceny, które powie ci, czy dostrojenie zadziałało, oraz ścieżkę udostępniania — Transformers, vLLM lub SGLang albo jedną z kompilacji GGUF, ONNX i MLX, które Liquid publikuje odpowiednio dla wdrożeń na CPU, międzyplatformowych i na Apple Silicon. Nic z tego nie jest egzotyczne, a przy 2,69B mieści się na sprzęcie, którego dostrojenie 70B nigdy nie dotknie. Ale bazowy checkpoint to punkt wyjścia, a ryzyko harmonogramu spoczywa w całości po twojej stronie transakcji.

W zamian dostajesz kontrolę. Tokenizer obsługujący 16 języków i kontekst 131K sprawiają, że dostrajanie do domeny nie walczy z pretreningiem o miejsce. Rozmiar poniżej 2,5 GB oznacza, że celem wdrożenia jest urządzenie, a nie centrum danych — i to jest cały sens tej rodziny. A LFM Open License pozwala ci zachować wynik — specjalistę, którego żaden konkurent nie może wynająć z tego samego API co ty.

Jest jeden dowód zewnętrzny, o którym warto wiedzieć, zanim postawisz na tę linię rozwojową — i jedna luka. Model LFM2.5-2.6B od Liquid po treningu końcowym rzeczywiście ma niezależny pomiar: Artificial Analysis wymienia go z Intelligence Index równym 8, na 9. miejscu wśród 49 modeli w swojej klasie. Checkpoint bazowy nie ma takiego pomiaru — nie istnieje dla niego strona, co jest normalne dla wstępnie wytrenowanego modelu fundamentowego i warto powiedzieć to wprost, a nie traktować jako wyrok. Indeks modelu po treningu końcowym mówi ci, co wytwarza pipeline z tego punktu startowego na dolnym końcu pasma indeksu, a nie co wytworzy twoje dostrojenie.

Ścieżka API, a co oznacza „na urządzeniu" w przypadku hostowanego modelu

Historia wdrożenia Perceptron Mk1.5 jest bardziej skomplikowana, niż sugeruje lista jego celów, i warto być precyzyjnym. Ogłoszenie dostawcy wymienia drony, roboty czworonożne, inteligentne okulary i telefony jako cele wdrożenia. Sam model jest udostępniany z api.perceptron.inc za kluczem API, a opublikowane przez Perceptron dowody dotyczące opóźnień to mediana z trzech przebiegów na jednym H100. Pojedynczy H100 to nie dron. Realistyczna interpretacja jest taka, że Mk1.5 to warstwa percepcji dla robota, który ma połączenie sieciowe lub towarzyszący komputer obliczeniowy, a nie model działający wewnątrz kadłuba — i każdy, kto planuje urządzenie offline w oparciu o niego, powinien przetestować to założenie przed projektowaniem sprzętu.

To, co daje trasa API — jeśli założenie o sieci się utrzyma — to rzecz, której bazowy checkpoint nie może dać ci za żadną cenę: współrzędne. Mk1.5<track> na wyjściu niesie obserwację przestrzenną i jej znacznik czasu, więc klip wraca jako pozycje obiektów w czasie, a nie opis sceny. Dodaj pole asset_idx, które pozwala jednemu żądaniu zaadresować osobno kilka obrazów lub filmów, a kształt żądania odpowiada pętli sterowania — ramka referencyjna na wejściu, geometria na wyjściu, żadnego etapu parsowania między modelem a kodem, który czymś porusza.

Koszty to te już wymienione: 36 864 tokenów kontekstu, limit 16 384 tokenów na element audio, który dokumentacja Perceptrona określa na około 21,8 minuty przy około 750 tokenach na minutę, oraz reasoning_effort na high, co obciąża cię kosztem najdroższej ścieżki rozumowania przy każdym wywołaniu, którego nie skonfigurujesz, a także zestaw twierdzeń benchmarkowych przedstawionych przez firmę sprzedającą model. Wynik dla śledzenia dłoni to ten, który warto przetestować na własnym materiale filmowym: 0,9433 na egocentrycznym hand_box wobec 0,4467 dla Gemini 3.1 Pro we własnym przebiegu Perceptrona to duża przewaga, a duże przewagi w ocenach dostawców to dokładnie te, które warto odtworzyć.

Żaden z nich nie znajduje się w naszym katalogu, a to zmienia decyzję.

Ani Perceptron Mk1.5, ani LFM2.5-2.6B-Base nie są dziś routowane w OrcaRouter. Mk1.5 nie ma żadnej trasy, więc dotarcie do niego oznacza użycie własnego API dostawcy — pip install "perceptron>=0.4.0" i PERCEPTRON_API_KEY — a Liquid AI nie ma w naszym katalogu żadnego modelu, niezależnie od rozmiaru, więc bazowy checkpoint pobiera się z Hugging Face Liquid, a nie wywołuje.

To ma mniejsze znaczenie, niż się wydaje, ponieważ te dwa elementy nie są wymiennymi punktami końcowymi i żaden argument cenowy tego nie zmieni. Warstwa routingu wnosi tutaj tę część decyzji, która wciąż pozostaje otwarta. Jeśli zbudujesz usługę percepcji na Mk1.5, a specjalistę od tekstu na dostrojonym LFM2.5-2.6B-Base, uruchamiasz dwie integracje i dwa tryby awarii; brama zgodna z OpenAI umieszczona przed nimi zamienia awarię dostawcy po którejkolwiek stronie w mechanizm awaryjny, a nie w nieudane zadanie, a reguła routingu może kierować ruch wizyjny i tekstowy do różnych modeli, a aplikacja nie musi wiedzieć, który jest który. Jedno API obejmujące ponad 200 modeli z cenami listowymi dostawców przekazywanymi przy 0% marży to wersja tego, w której zmiana ceny dostawcy wchodzi w życie tego samego dnia, a nie dopiero przy następnym odnowieniu — choć w przypadku tych dwóch konkretnie, dziś, brama jest kwestią planowania, a nie dostępnym skrótem.

Co powinieneś zrobić i co powinieneś mierzyć

Jeśli Twoim zadaniem jest „znaleźć ten obiekt w tej klatce i zwrócić, gdzie się znajduje”, wypożycz Mk1.5 i przetestuj twierdzenie dotyczące hand-box na własnym wideo, zanim zwiążesz z tym ścieżkę produkcyjną. Zaplanuj budżet na założenie dotyczące sieci, ustaw reasoning_effort świadomie, zamiast akceptować high i traktuj okno 36 864 tokenów jako twarde ograniczenie, którym jest. Ustrukturyzowane dane wyjściowe są produktem, a jeśli Twój kod dalszego przetwarzania może wykorzystać współrzędną bez etapu parsowania, to prawdziwa oszczędność w miejscu, w którym większość potoków wizyjnych po cichu traci dokładność.

Jeśli Twoim zadaniem jest „Potrzebuję modelu 2,6B dostrojonego na danych, których nikt inny nie ma, działającego gdzieś bez GPU”, pobierz LFM2.5-2.6B-Base i uczciwie oszacuj koszt dostrojenia, zanim zaczniesz. Checkpoint jest darmowy, a inżynieria już nie, a własna lekcja tej rodziny — że siostrzany model po treningu końcowym uzyskuje 8 w niezależnym indeksie — przypomina, że luka między modelem bazowym a gotowym modelem to miejsce, w którym tkwi właściwa praca. Żadna z tych opcji nie jest złą odpowiedzią. To różne zakupy, a jedynym prawdziwym błędem jest traktowanie fundamentu, który musisz dokończyć, tak jakby był już produktem.

Dwa modele, dwie integracje i dwa tryby awarii to gorsza pozycja, niż się wydaje. W OrcaRouter możesz skonfigurować automatyczne przełączanie awaryjne, dzięki czemu awaria dostawcy po którejkolwiek stronie przekształci się w rozwiązanie zastępcze, a nie w nieudane zadanie.