Tell 1 kontra LFM2.5 2.6B Base: model głosowy, który wynajmujesz, i checkpoint, który kończysz samodzielnie

Postaw Tell 1 i LFM2.5 2.6B Base obok siebie, a różnica rozmiarów wygląda jak cała historia: jeden to wewnętrzny model rozumowania Retell w platformie centrum kontaktowego, drugi to tekstowy checkpoint od Liquid AI z 2,69 mld parametrów, który mieści się w pliku 5,4 GB. To nie jest cała historia. Cała historia polega na tym, że LFM2.5 2.6B Base jest modelem bazowym — nigdy nie był dostrajany do instrukcji, a jeśli zadasz mu pytanie, będzie kontynuować twój tekst, zamiast na nie odpowiedzieć — podczas gdy Tell 1 jest gotowym komponentem produktu, którego codzienna praca polega na odbieraniu telefonów. Jeden z nich to surowiec. Drugi to działająca część, której nie wolno rozmontować. Wszystko poniżej dotyczy tego, której z tych dwóch rzeczy naprawdę potrzebuje twój problem, ponieważ żadna nie może zastąpić drugiej, a porównanie cen, które wydaje się oczywiste, jest najmniej użyteczną rzeczą na tej stronie.

Znaczenie ma też czas — i to on jest powodem, dla którego ta para w ogóle istnieje. Obie są świeże: Liquid AI opublikowała rodzinę LFM2.5 w sierpniu 2026 r., a Tell 1 od Retell trafił do publicznego obiegu w listopadzie 2026 r., gdy pojawił się na szczycie publikowanego przez Retell benchmarku. Żadna z tych premier nie jest czymś, o czym czytasz z opóźnieniem. Obie są też wyjątkowo ubogie w publiczną dokumentację, z przeciwnych powodów — Liquid wydała checkpoint bez instrukcji, bo instrukcje nigdy nie były tu istotą, a Retell wydała model bez dokumentacji, bo model nie jest produktem, który można kupić osobno.

Zacznij od tego, czego nie potrafi zrobić Liquid checkpoint.

LFM2.5 2.6B Base to wstępnie wytrenowany checkpoint hybrydowej rodziny LFM2.5 firmy Liquid AI: 30 warstw, z których 22 to bloki krótkiej konwolucji z podwójnym bramkowaniem, a 8 to uwaga z grupowanymi zapytaniami, wytrenowany na około 34 bilionach tokenów w 16 językach, z oknem kontekstowym 131 072 tokenów i kwantyzacją Q4_K_M, która daje około 1,67 GB. Tekst na wejściu, tekst na wyjściu. Brak obsługi obrazu, brak audio, brak szablonu wywoływania narzędzi, na którym można polegać, brak dostrajania do instrukcji — a własna karta modelu Liquid mówi wprost, że jest przeznaczony do intensywnego dostrajania, a nie do promptowania.

To nie jest defekt, a traktowanie go jako defektu to najczęstszy błąd w opracowaniach dotyczących modeli bazowych. Bazowy checkpoint jest właściwym punktem wyjścia, gdy masz zadanie o konkretnym kształcie, duży zbiór własnych przykładów i nie chcesz płacić dostawcy za token za jego rozwiązanie. Model 2,69B, który dostraja się na jednej konsumenckiej karcie GPU, a następnie działa skwantyzowany na laptopie lub telefonie, jest innym obiektem ekonomicznym niż jakiekolwiek hostowane API: koszt krańcowy na wywołanie sprowadza się w przybliżeniu do kosztu energii elektrycznej, a koszt, który faktycznie ponosisz, przenosi się na etykietowanie danych, przebiegi treningowe i ewaluację.

Nie można go po prostu wrzucić do rozmowy. Nie istnieje prompt systemowy, który zamienia bazowy checkpoint w niezawodnego agenta wywołującego narzędzia, a żadna ilość inżynierii promptów nie zastąpi etapu po treningu. Jeśli twój plan brzmi „pobierz go, opakuj w serwer kompatybilny z OpenAI i skieruj na niego agenta głosowego”, plan zawiedzie przy pierwszym wywołaniu funkcji — a ta porażka będzie wyglądać jak problem z jakością modelu, podczas gdy w rzeczywistości brakuje etapu treningu.

Zatem czym jest Tell 1 i dlaczego nie możesz go mieć

Tell 1 to warstwa rozumowania w stosie głosowym Retell, wymieniona na stronie głównej firmy pod nagłówkiem „Developed by Retell Labs", obok środowiska agenta, które łączy modele, wiedzę i narzędzia. Nie jest sprzedawany jako model. Nigdzie w witrynie Retell nie opublikowano karty modelu, repozytorium, wartości okna kontekstu, liczby parametrów, licencji ani ceny za token. Jedynym publicznym dowodem ilościowym jest wiersz w Retell vCX Benchmark — rankingu utrzymywanym przez samą Retell: 88,6% w realizacji instrukcji, 97,2% w wymiarze oznaczonym jako halucynacja, 95,4% w wywoływaniu narzędzi, 96,6% w języku potocznym, średnia 94,45%, przy medianie opóźnienia 72,5 ms i koszcie modelu 3,5 centa na minutę.

Nie ujawniono, czy Tell 1 jest dostrojeniem czegoś publicznego, modelem trenowanym od zera, czy małym modelem destylowanym z większego. Mediana 72 ms sugeruje mały, szybki model, a nie czołowy model ogólnego przeznaczenia, ponieważ ta wartość mieści się w przedziale, w którym czas rundy do zewnętrznego stosu inferencyjnego zaczyna dominować — ale to jest wnioskowanie na podstawie liczby opóźnienia, a liczby opóźnień mają wiele przyczyn. To, co nie jest inferencją, to pakowanie: Tell 1 otrzymujesz, kupując czas na platformie Retell, za od 0,07 do 0,31 USD za minutę w zależności od konfiguracji, a modelu nie można oddzielić od telefonii, stosu mowy i otaczającego go harnessu.

To asymetria, którą kupujący musi uwzględnić w cenie. LFM2.5 2.6B Base jest twój w sposób, w jaki żaden hostowany model nigdy nie będzie: możesz odczytać jego wagi, skwantyzować go, dostarczyć w aplikacji i nadal go uruchamiać, jeśli dostawca zniknie. Tell 1 jest dostępny w sposób, w jaki nie jest żaden model do pobrania: jest już podłączony do numeru telefonu, warstwy naprzemiennego mówienia i głosu, a praca nad tym, by brzmiał po ludzku w prawdziwej rozmowie, została wykonana przez kogoś innego.

Porównanie, które naprawdę ma znaczenie: gdzie trafia budżet opóźnień

Oba te modele żyją lub umierają według stopera, dlatego wymienia się je jednym tchem, mimo że wykonują różne zadania. Rozmowa telefoniczna daje budżet około 800 ms między zakończeniem zdania przez dzwoniącego a rozpoczęciem zdania przez agenta, zanim pauza zacznie być odbierana jako zerwane połączenie. Ten budżet pokrywa rozpoznawanie mowy, turę modelu, wywołania narzędzi i syntezę mowy — w tej kolejności.

• Opóźnienie modelu — mediana 72,5 ms dla Tell 1 w środowisku testowym Retell, pierwsza z 62 konfiguracji w tym benchmarku; nieopublikowane dla LFM2.5 2.6B Base, ponieważ bazowy checkpoint nie ma wdrożonego produktu do pomiaru, a jego przepustowość po kwantyzacji zależy wyłącznie od Twojego sprzętu.

• Co jeszcze mieści się w 800 ms — w przypadku Tell 1 telefonia i mowa są wliczone w liczbę platformy, a Retell podaje typowy czas odpowiedzi end-to-end na około 600 ms; w przypadku samodzielnie hostowanego stosu LFM2.5 ASR, TTS i warstwa serwowania są do dodania po Twojej stronie, a każdy z tych elementów to decyzja dotycząca dostawcy.

• Przepustowość — siostrzany model Liquid po treningu końcowym tego checkpointu działa z szybkością 220 tokenów na sekundę na Apple M5 Max i 113 na procesorze AMD Ryzen, a dostawca zauważa, że 30 tokenów na sekundę jest osiągalne na telefonie; szybkość modelu 2,69B jest funkcją maszyny, a nie poziomu usługi.

Ta ostatnia linia to cała różnica w rodzaju. {{1}}Opóźnienie Tell 1 to obietnica, którą dotrzymuje ktoś inny{{/1}}; opóźnienie LFM2.5 to właściwość wybieranego przez ciebie sprzętu. Jeśli twoim celem wdrożenia jest call center z 200 równoczesnymi liniami, to pierwsze jest tym, co kupujesz. Jeśli jest to urządzenie w magazynie bez sieci, to drugie jest jedynym, które istnieje.

Dostrajanie to rozdroże

Oto decyzja, wyrażona tak jasno, jak potrafię. Wybierz LFM2.5 2.6B Base, jeśli masz zadanie, które potrafisz precyzyjnie opisać, przykłady takiego zadania i powód, by nie wysyłać tych przykładów stronie trzeciej — krok klasyfikacji w przepływie połączeń, sumaryzator dziedzinowy, router działający na urządzeniu, który decyduje, czym jest żądanie. Model jest wystarczająco mały, że dostrojenie to popołudnie, a nie kwartał, okno kontekstu jest wystarczająco duże dla prawdziwych dokumentów, a licencja pozwala na wykorzystanie komercyjne przy rocznym przychodzie poniżej 10 milionów dolarów, przy czym na tym progu lub powyżej wymagana jest odrębna umowa. Ten próg jest faktem zakupowym i należy do decyzji, a nie do przypisu.

Wybierz Tell 1, jeśli kupujesz agenta telefonicznego, a nie model, i konkretnie jeśli tym, czego nie potrafisz zbudować, jest warstwa konwersacyjna: obsługa przerwań, potoczny styl wypowiedzi oraz pierwsza sylaba docierająca wystarczająco szybko, by dzwoniący nie zauważył maszyny. Benchmark Retell mówi, że to dwa wymiary, w których Tell 1 prowadzi — pierwsze miejsce pod względem potoczności, pierwsze pod względem latencji — i równie jasno stwierdza, że nie prowadzi w podążaniu za instrukcjami, ugruntowaniu ani wywoływaniu narzędzi, gdzie zajmuje odpowiednio drugie, drugie i piąte miejsce. Przetestuj te trzy obszary na własnych rozmowach, zanim przyjmiesz standard, ponieważ to one powodują błędne odpowiedzi, a nie tylko wolniejsze.

Istnieje trzecia opcja i to ta, na której ostatecznie ląduje większość zespołów z realnym obciążeniem: zachować mały fine-tune dla tej części zadania, która jest wąska i powtarzalna, a trudne przypadki kierować do większego modelu hostowanego. To dokładnie taki podział, do jakiego zbudowana jest warstwa routingu, i to jest miejsce, w którewpisuje się nasz własny katalog. Ani Tell 1, ani LFM2.5 2.6B Base nie da się routować przez OrcaRouter — nie hostujemy żadnego z nich — więc praktyczna wersja tej architektury umieszcza fine-tune Liquid na własnym sprzęcie i kieruje ścieżkę eskalacji do modelu, który mamy w ofercie, na jednym kluczu API, w cenie listowej dostawcy bez żadnych dodatków.

Co zmieniłoby odpowiedź

W przypadku Tell 1 trzy publikacje przeniosłyby go z „testowania wewnątrz platformy” do „rozważenia standaryzacji”: karta modelu wskazująca architekturę i dane treningowe, cena za model, dzięki której koszt można oddzielić od pakietu rozliczanego za minutę, oraz ocena przeprowadzona przez kogoś innego niż Retell. Obecny zapis to jeden wiersz na własnym rankingu dostawcy, a to, że dostawca plasuje sam siebie na pierwszym miejscu we własnym środowisku testowym, jest hipotezą, nie wynikiem.

Dla LFM2.5 2.6B Base brakującym elementem nie jest dokumentacja — jest nim Twoje własne dostrojenie. Checkpoint jest kompletny, a licencja czytelna, co oznacza, że jedyną niewiadomą jest to, czy model 2,69B wytrenowany na Twoich danych spełni wymagania w Twoim zadaniu. To pytanie, na które możesz odpowiedzieć w tym tygodniu za pomocą jednego GPU, a żadna ilość czytania nie odpowie na nie za Ciebie. Oto cały kompromis w jednym zdaniu: Tell 1 oszczędza Ci pracy inżynierskiej i odbiera kontrolę; LFM2.5 2.6B Base daje Ci kontrolę i zmusza Cię do wykonania pracy inżynierskiej.