Beam 1.0 vs LFM2.5 2.6B Base: Um Substrato Inacabado e um Gigante Acabado

Um modelo que não foi ensinado a responder perguntas está sendo comparado a um modelo que foi ensinado a planejar. LFM2.5 2.6B Base é o checkpoint pré-treinado de 2,698 bilhões de parâmetros da Liquid AI, publicado em 4 de agosto de 2026 sob a LFM Open License v1.0 e explicitamente descrito como a base para fine-tuning — é somente texto, são 30 camadas de convolução híbrida e atenção de consulta agrupada, e não passou por pós-treinamento. Reflection Beam 1.0 é um modelo esparso de mistura de especialistas com 501,3 bilhões de parâmetros totais e 23,4 bilhões ativos, pós-treinado por meio de etapas supervisionadas e de reforço e disponibilizado como pesos baixáveis em 16 de outubro de 2026 sob a Apache 2.0, após seu anúncio em 5 de outubro de 2026. A diferença de tamanho é de 185 para um. A diferença que de fato decide a comparação não é o tamanho — é que um deles é um substrato bruto para o qual você aponta uma execução de treinamento, e o outro é um produto que você serve.

Ambos estão no Hugging Face. Ambos podem ser baixados hoje. Ambos esperam que você traga o seu próprio hardware. Essa é toda a sobreposição, e lê-los um contra o outro é uma forma útil de ver como o ecossistema de pesos abertos rotula de maneiras tão diferentes duas coisas que ele arquiva sob a mesma etiqueta.

Os dois lançamentos, descritos tal como as suas editoras os descrevem.

LFM2.5 2.6B Base tem o nome mais completo LFM2.5-2.6B-Base. Seu cartão lista 2,698 bilhões de parâmetros totais, 30 camadas das quais 22 são blocos de convolução curta com portas duplas e oito são atenção de consulta agrupada, um orçamento de treinamento de 34 trilhões de tokens, um vocabulário de 128.000 tokens e um comprimento de contexto de 131.072 tokens. Ele cobre 16 idiomas. Faz parte de um par: a Liquid AI também publica o LFM2.5-2.6B, pós-treinado para cargas de trabalho agênticas, e este é o checkpoint bruto do qual todas as variantes da família descendem. As próprias palavras do cartão para o modelo base são que ele é o checkpoint pré-treinado somente de texto usado para criar todas as outras variantes. Dezesseis derivados com ajuste fino já existem sob ele no Hub.

Beam 1.0 é o arranjo oposto. O Reflection traz 501,3B de parâmetros totais com 23,4B ativos por token em 52 camadas — três densas e 49 de mistura de especialistas, 256 especialistas roteados oito por vez nesta configuração. A janela de contexto é de 1.000.000 de tokens. A modalidade é somente texto, e o card diz isso sem rodeios. Ele chega em três precisões, BF16, FP8 e NVFP4, além de um modelo de rascunho DFlash2 de 2B para decodificação especulativa. Seu template de chat usa um formato Harmony modificado com canais de análise e final e uma configuração de esforço de raciocínio com seis níveis nomeados. Seus quatro repositórios foram publicados no mesmo dia, 16 de outubro de 2026, e a Artificial Analysis registrou o lançamento em sua página do modelo como 16 de outubro de 2026.

Leia esses dois parágrafos de novo e a forma da coisa aparece. Liquid AI publicou um componente. Reflection publicou um sistema finalizado com um formato de transmissão e um controle de esforço. Ambos são chamados de "aberto", e a palavra está desempenhando duas funções diferentes.

A licença é onde os dois são menos parecidos.

Esta é a comparação que você não consegue obter de uma contagem de parâmetros, e é a que tem a consequência mais prática.

O Beam 1.0 é Apache 2.0. Trata-se de uma licença permissiva padrão, sem limites de utilizadores, sem limiar de utilizadores ativos mensais e sem um plano comercial separado. Descarregue-o, faça fine-tuning, redistribua o derivado, venda o resultado. O cartão também inclui um Guia de Uso Responsável e um relatório técnico de segurança separado, que são documentos de política e não restrições de licença — regulam o uso aceitável, não os pesos.

O LFM2.5 2.6B Base não é. O Hub o etiqueta como license:other e designa a licença como LFM Open License v1.0. A diferença prática não é que uma seja permissiva e a outra não — a licença da Liquid AI foi escrita para uso aberto —, mas que as duas licenças precisam ser lidas de modo diferente, e apenas uma delas pode ser resumida em uma frase. Se o seu plano envolve redistribuir um derivado comercialmente, o lado Apache 2.0 desta página não exige análise. O lado LFM exige que você leia a licença, porque uma licença personalizada é, por definição, um documento que alguém escreveu de propósito.

Essa assimetria vai na direção oposta no outro eixo. O checkpoint da Liquid AI é um modelo de texto denso de 2,698 bilhões de parâmetros, o que significa que a questão da licença está atrelada a algo que você pode colocar em uma única GPU de consumidor ou em um dispositivo de borda. A concessão Apache 2.0 da Reflection está atrelada a um modelo de 501 bilhões de parâmetros cujos pesos bfloat16 chegam a cerca de um terabyte e cuja variante de quatro bits ainda é listada em 255B. Uma licença permissiva em um modelo que você não pode hospedar é um tipo diferente de liberdade em relação a uma licença personalizada em um modelo que você pode.

O que o modelo base pode e não pode fazer

Um artigo sobre um checkpoint base precisa dizer isso claramente, porque é a forma mais comum de as pessoas desperdiçarem uma tarde. O LFM2.5 2.6B Base não foi ajustado por instruções. Ele continuará o seu texto. Ele não responderá à sua pergunta, não seguirá o seu formato, não chamará a sua ferramenta nem parará quando você quiser. É um ponto de partida cujo comportamento é aquilo que você treina nele, e a Liquid AI diz isso na descrição do modelo em vez de deixar para ser descoberto.

Isso não é um defeito e não é uma versão menor do Beam 1.0. A execução de pré-treinamento com 34 trilhões de tokens e a arquitetura híbrida de 30 camadas são o produto; a falta de alinhamento é o ponto, porque o alinhamento é específico da tarefa e o laboratório que lança um modelo base está deliberadamente entregando essa decisão a quem é dono da tarefa. Dezesseis derivados no Hub é como esse arranjo se parece na prática.

A consequência para a avaliação é que não há uma tabela de benchmarks para comparar. O cartão do Beam 1.0 traz uma completa — SWE-bench Verified 81,6% em BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, todos reportados pelo fornecedor e nenhum reproduzido por terceiros — porque é um modelo pós-treinado criado para cargas de trabalho específicas e essa é a evidência que o seu comprador pede. O LFM2.5 2.6B Base não tem nenhuma, por design. Não há nada para pontuar: a qualidade do checkpoint é o que o seu fine-tune faz dela, e o ponto de comparação honesto é uma execução de treino, não uma linha de leaderboard.

Para onde vai o dinheiro

Nenhum destes está no catálogo da OrcaRouter. O que roteamos é o mundo servido ao redor deles: mais de 200 modelos por trás de uma única chave compatível com OpenAI, preço de lista do provedor repassado com 0% de acréscimo, com failover automático entre provedores, para que uma rota que se degrada seja redirecionada em vez de falhar. Vale a pena citar isso aqui por um motivo específico, porque os dois modelos nesta página estão em extremos opostos da mesma questão de compra.

LFM2.5 2.6B Base não custa nada para baixar e custa tudo para operar, no sentido de que o custo é uma execução de treinamento e um dispositivo. Beam 1.0 não custa nada para baixar e custa tudo para operar, no sentido de que o custo é servir um MoE de 501B e, no momento em que escrevo, a Reflection não publica nenhuma tarifa de API. A Artificial Analysis registra os campos de preço na página do Beam como indisponíveis e observa que não há API disponível publicamente. Doze dias após o anúncio, o modelo com a tabela de benchmark de 501 bilhões de parâmetros ainda não exibe nenhum número que uma equipe financeira possa usar.

Para um leitor cujo requisito real é inferência esta semana numa carga de trabalho para a qual nenhum dos dois modelos foi moldado — um resumidor, um classificador, uma interface de chat —, a decisão não é entre estes dois. É entre fazer você mesmo o ajuste fino de 2,698 bilhões de parâmetros e alugar algo que já está alinhado e precificado, e a segunda opção é a que você consegue medir antes de se comprometer.

Qual deles você está realmente procurando?

Escolha LFM2.5 2.6B Base se o seu problema for mais específico do que o de um assistente geral. A razão para escolher um checkpoint base pequeno é que você tem uma tarefa, tem dados e prefere possuir o artefato a alugar uma chamada. O contexto de 131.072 tokens é generoso para o tamanho, a cobertura de 16 idiomas é real, a pilha de convolução híbrida foi escolhida para throughput em dispositivo, e a licença permite distribuir o que você criar. O que você está assumindo é o pipeline de ajuste fino, a estrutura de avaliação e as decisões de alinhamento — nada disso é fornecido pelo checkpoint.

Escolha Beam 1.0 se a sua tarefa for uma das que o cartão dele nomeia: programação, uso de ferramentas, raciocínio à escala de repositório, execução agêntica de longo horizonte. A tabela de avaliação aponta diretamente para esse trabalho, o contexto de 1 milhão de tokens corresponde a isso, as builds FP8 e NVFP4 tornam a conversa sobre hardware mais tratável do que 501B sugere, e a licença Apache 2.0 abre caminho para uma derivada comercial. O que você está assumindo é infraestrutura de serving, um orçamento de raciocínio sempre ativo que o template não deixa desligar, e uma estimativa de custo que você mesmo tem de montar, porque o fornecedor não publicou nenhuma.

Os dois modelos não estão em competição, e a comparação vale a pena precisamente porque mostra quão pouco «open weights» diz por si só. Um publicador entregou um componente e um orçamento de treino; o outro entregou um sistema com um protocolo de rede e uma licença que se pode colar numa revisão jurídica. Perceber qual deles lhe foi oferecido antes de o descarregar é a maior parte do trabalho.

O que mudaria o cenário?

Um preço de API publicado do Beam 1.0, ou uma implantação FP8 hospedada com uma tabela de preços, moveria esse modelo da coluna "construir uma estimativa" para a coluna "comparar os números", e é a única linha que falta em sua documentação. Um benchmark independente sobre os pesos do Beam — agora possível, já que eles são públicos — daria à tabela de fornecedores um árbitro, que é o que o LFM2.5 2.6B Base nunca poderá ter porque ainda não há nada para pontuar. Até que um desses se concretize, o resumo preciso é que um checkpoint base de 2,7 bilhões de parâmetros e um MoE pós-treinado de 501 bilhões de parâmetros são ambos gratuitos para baixar, ambos caros de operar em moedas completamente diferentes, e nenhum é substituto do outro.

Também é em comparações como esta que os modos de falha aparecem: os incidentes de IA documentados e as falhas de agentes por trás de modelos nesta classe são coletados no OrcaRouter AI Incident Archive, onde cada entrada carrega suas próprias fontes, gravidade, grau de confiança e sinalização de disputa.