HiRO-ACEv2 vs LFM2.5 2.6B Base: Nenhum dos dois é um produto, e não estão inacabados da mesma forma

Coloque HiRO-ACEv2 e LFM2.5 2.6B Base lado a lado e a primeira coisa que você percebe é que nenhum dos dois é algo que um desenvolvedor possa chamar. HiRO-ACEv2 é o emulador climático de segunda geração da Ai2, enviado como um repositório de 10,9 GB no Hugging Face em 12 de outubro de 2026 sem anúncio e com um preprint datado do dia seguinte; LFM2.5 2.6B Base é o checkpoint pré-treinado de 2,69 bilhões de parâmetros da Liquid AI, criado em 1º de agosto de 2026, descrito explicitamente por seu próprio fornecedor como o checkpoint a que você recorre apenas quando precisa de adaptação substancial. Ambos são matéria-prima. Ambos podem ser baixados hoje. E as formas pelas quais cada um não é um produto final são quase opostas, o que é a única razão pela qual esta comparação vale a pena ser escrita em vez de descartada.

O checkpoint Base está inacabado porque ainda não foi ensinado a seguir instruções. O HiRO-ACEv2 está inacabado no sentido de que nunca será um modelo de propósito geral — é uma aplicação que chegou já treinada, já especializada e já envolta em limites declarados. Um é um substrato à espera de um propósito. O outro é um propósito sem substrato para qualquer outra coisa.

O que cada repositório realmente contém

O repositório Base da Liquid AI é um modelo. O cartão do modelo lista 2,69 bilhões de parâmetros em 30 camadas — 22 blocos de convolução curta com porta dupla e 8 camadas de atenção com consulta agrupada, um arranjo híbrido em torno do qual a família LFM2 foi construída — com uma janela de contexto de 131.072 tokens, um vocabulário de 128.000 entradas, 34 trilhões de tokens de pré-treinamento e cobertura de 16 idiomas, incluindo inglês, árabe, chinês, francês, alemão, italiano, japonês, coreano, português, espanhol, vietnamita, tailandês, indonésio, hindi, russo e polonês. É somente texto e não é ajustado para instruções. Os formatos de download vão desde o checkpoint nativo do Transformers até GGUF para llama.cpp, ONNX para implantação multiplataforma e MLX para Apple silicon; a quantização Q4_K_M fica em torno de 1,67 GB.

O repositório da Ai2 não é um modelo nesse sentido. Ele contém dois checkpoints — HiROv2.ckpt com cerca de 1,28 GiB e ACE2S-X-SHiELD.ckpt com cerca de 2,98 GiB — além de dez anos de dados de forçamento NetCDF a aproximadamente 609 MB por arquivo, dois arquivos de condições iniciais, três configurações YAML e um script de shell. Os cerca de 4,3 GiB de pesos reais são uma minoria do total de 10,9 GB; a maior parte do que você baixa é a janela de dados de entrada que o framework foi criado para consumir. Não há quantização, nem runtime alternativo, nem exportação ONNX, nem variante menor. Há uma única maneira de executá-lo, e o README a descreve: instale o pacote fme da Ai2, edite quatro caminhos na configuração, execute o script.

Dois tipos diferentes de problema de licença

As tags de licença são onde o contraste se torna prático em vez de filosófico, e onde este par difere genuinamente de um modelo como os lançamentos Apache-2.0 que você poderia esperar encontrar aqui.

• HiRO-ACEv2 — Apache 2.0, com as Diretrizes de Uso Responsável da Ai2 vinculando à concessão uma finalidade de pesquisa e educacional, e dados de treinamento atribuídos a X-SHIELD, fornecidos por GFDL.

• LFM2.5 2.6B Base — a LFM Open License v1.0, não uma licença permissiva no estilo OSI. Seus termos estão no próprio arquivo LICENSE do repositório, e as condições comerciais são o motivo para ler esse arquivo em vez da tag antes de criar um produto sobre o checkpoint.

• O que isso significa para o fork que você está prestes a fazer — com HiRO-ACEv2, a questão é se o seu uso é de pesquisa; com LFM2.5 2.6B Base, a questão é se o seu uso é comercial e em que escala. Questões diferentes, respostas diferentes, e nem uma nem outra é respondida pela palavra "open".

As formas de saída não têm nada em comum, e essa é a parte útil

O checkpoint Base produz texto. Token a token, de forma autorregressiva, com a superfície de amostragem usual — o card sugere temperatura 0.6 e top-p 0.95 para o estilo de geração do irmão pós-treinado, e um checkpoint base pede que você decida isso por conta própria. Tudo o que vem depois dele é uma tarefa de linguagem: continuar um documento, classificar um trecho, traduzir, emitir dados estruturados ou servir como ponto de partida para um fine-tune que lhe ensina um domínio ou um idioma que ele ainda não cobre bem.

HiRO-ACEv2 produz campos físicos em grade com resolução de 3 km — taxas de precipitação à superfície médias de seis em seis horas, ventos instantâneos de 10 metros para leste e para norte, e pressão ao nível do mar — reduzidos de escala a partir de uma entrada de 100 km por um modelo de difusão, com o próprio estado grosseiro gerado de forma autorregressiva por um emulador separado do X-SHIELD. Nada nesse pipeline é texto. A avaliação que importa é se a distribuição da saída coincide com uma simulação de referência até a sua cauda extrema, e o artigo por trás do lançamento trata exatamente disso: os autores relatam acompanhar distribuições de referência de precipitação e de vento próximo à superfície até o percentil 99,9999, e acompanhar em linhas gerais a distribuição de referência de intensidade de ciclones tropicais, com um custo de inferência alegado mais de 300 vezes inferior ao de um modelo numérico global convencional que resolve tempestades.

Ambas são alegações de fornecedor ou de autor, não reproduzidas. A diferença está no que alguém que queira reproduzir teria de fazer. Verificar uma alegação sobre o checkpoint Base exige uma suíte de tarefas e o equivalente a um checkpoint em horas de GPU. Verificar uma alegação sobre o HiRO-ACEv2 exige um conjunto de dados de forçamento de dez anos, uma simulação de referência com a qual comparar e uma análise distribucional na cauda extrema — e é por isso que a segunda alegação provavelmente ficará sem contestação por consideravelmente mais tempo.

O que você realmente construiria em cada um

O uso natural do checkpoint Base é a adaptação, e a Liquid AI é invulgarmente direta quanto a isso: assistentes específicos de idioma ou domínio, treino com dados proprietários, ou teste de novos métodos de pós-treino. É um checkpoint cujo valor chega depois do seu trabalho, não antes. O irmão pós-treinado — LFM2.5 2.6B, criado três dias antes, em 28 de julho — é o que foi concebido para cargas de trabalho agênticas, e os números de downloads dizem tudo sobre qual dos dois a comunidade queria: o modelo pós-treinado tinha ultrapassado 114 000 downloads e 823 likes em meados de outubro, contra 6 282 downloads e 51 likes do Base. O Base é uma ferramenta de especialista e o mercado atribuiu-lhe o preço correspondente.

O uso natural do HiRO-ACEv2 é executar um ensemble. O principal atrativo do framework não é uma única previsão, mas muitas: a motivação do artigo é gerar grandes ensembles de forma barata o suficiente para estudar o comportamento e os extremos de ciclones tropicais a 3 km, ao longo de períodos de várias décadas e em regiões globais arbitrárias. Você não faz fine-tuning nele, e a ficha do modelo não convida você a fazer isso. Você o executa, e ou você confia em seus limites — nove anos de dados de treinamento, nenhuma aplicabilidade fora de 66°S a 70°N, artefatos de fronteira de patch acima do tile de treinamento de 16 por 16 de um grau — ou não.

Dito de outra forma: um desses modelos é um ponto de partida que você modifica, e o outro é um instrumento que você opera. Lê-los como "modelos abertos" intercambiáveis porque ambos podem ser baixados é o erro que esta página existe para evitar.

A única coisa que eles têm em comum: nenhum dos dois é cobrado por token.

Onde os dois realmente convergem é no formato de custo. Nenhum dos dois tem tabela de preços. O LFM2.5 2.6B Base é gratuito para baixar e barato de executar justamente porque é pequeno — alguns gigabytes em bf16 e bem menos de dois gigabytes quantizado, o que é o ponto central do design do LFM2.5 e a razão pela qual ele existe ao lado de um irmão pós-treinado ajustado para trabalho no dispositivo. O HiRO-ACEv2 é barato por um motivo diferente: é um emulador estreito, e sua economia vem de substituir uma simulação numérica extremamente cara, e não de caber em um telefone.

Portanto, se a sua carga de trabalho é texto, o checkpoint Base é uma questão de fine-tuning, e a versão cotidiana dessa carga de trabalho — aquela em que você quer um modelo que responda em vez de um checkpoint para treinar — parece uma chamada, não um download. É nessa camada que o OrcaRouter se situa: uma única chave de API para mais de duzentos modelos hospedados, com o preço de tabela do provedor repassado sem margem e failover automático entre provedores quando um deles degrada. Nenhum dos modelos desta comparação está nesse catálogo, e nenhum poderia estar na sua forma atual; o LFM2.5 2.6B Base é um checkpoint e não um serviço, e o HiRO-ACEv2 não tem nenhuma interface em formato de requisição. O que roteamos é tudo o que os cerca — a sumarização, a extração, o código do harness e o loop de agente que transforma um artefato baixado em um pipeline.

Picking, na prática

Se você tem dados de um domínio ou de um idioma com que o modelo base não teve contato suficiente, e tem capacidade de computação para fazer pós-treinamento, o LFM2.5 2.6B Base é um ponto de partida mais barato do que a maior parte da concorrência — leia o arquivo de licença antes de ler o benchmark que você esperava, porque, neste checkpoint, a licença é o documento que decide se seu projeto é permitido. Se você quer um modelo agêntico pequeno para rodar em um dispositivo, você quer o modelo irmão pós-treinado em vez do Base, e os números de downloads sugerem que a comunidade chegou a essa conclusão antes de você. Se você quer um campo atmosférico de 3 km ao longo de três décadas de clima simulado, nenhum destes dois é relevante, e apenas um arquivo neste artigo é.

O ponto útil a reter é que "pesos abertos" deixou de ser uma categoria útil por si só. Um checkpoint base, um irmão pós-treinado e um emulador de pesquisa podem todos ostentar uma tag que soa permissiva e significar três coisas completamente diferentes com ela.

É também em comparações como esta que os modos de falha aparecem: os incidentes de IA documentados e as falhas de agentes por trás dos modelos desta classe são reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz as suas próprias fontes, severidade, grau de confiança e sinalizador de disputa.