Kolibri vs LFM2.5 2.6B Base: uma Implantação Soberana de 78B Contra um Checkpoint do Tamanho de um Celular

Coloque Kolibri ao lado do LFM2.5 2.6B Base e a leitura óbvia é Davi e Golias: 78,1 bilhões de parâmetros contra 2,69 bilhões, um piso de implantação de duas GPUs contra um modelo que a Liquid AI diz rodar em um celular. A leitura óbvia está errada, e não na direção que você esperaria. Nenhum dos dois é um modelo que você possa apontar para uma tarefa hoje. O Kolibri foi lançado pela Aleph Alpha em 3 de outubro de 2026 como um assistente completo, pós-treinado, de chamada de ferramentas, em alemão e inglês, com um plugin de serviço e uma configuração de amostragem recomendada. O LFM2.5 2.6B Base, publicado pela Liquid AI no início de agosto de 2026, é um checkpoint pré-treinado sem nenhum ajuste por instruções, lançado especificamente para ser ajustado. Um é um produto que você implanta. O outro é matéria-prima. Comparar a qualidade deles é um erro de categoria, e a pergunta interessante é que tipo de matéria-prima seu projeto realmente precisa.

A diferença que decide a maioria das aquisições reais entre esses dois não está nos parâmetros. É a licença. O Kolibri é distribuído sob a Apache 2.0. O LFM2.5 2.6B Base é distribuído sob a LFM Open License v1.0, uma licença sob medida (o cartão do modelo a registra como "license: other"), e essa diferença é a que vai para uma equipe jurídica em vez de uma equipe de engenharia.

Dois significados diferentes de "pesos abertos"

Ambos os modelos permitem que você baixe os pesos e os execute. O que você tem permissão para fazer depois é onde eles divergem.

• Kolibri — Apache 2.0, sem cláusula adicional de uso aceitável, sem limite de número de usuários, sem termos comerciais separados. A ficha da Aleph Alpha observa apenas que o laboratório é signatário do Código de Prática de GPAI da UE.

• LFM2.5 2.6B Base — a LFM Open License v1.0, que é a licença própria da Liquid AI, e não uma licença padrão da OSI. É a mesma licença que rege o LFM2.5 2.6B pós-treinado e o restante da família.

Para uma equipe de pesquisa, tanto faz. Para uma empresa que precisa declarar sua posição de licenciamento em um documento de aquisição, uma é algo já conhecido e a outra é um documento que alguém precisa ler. Esse é um custo real, que é pago antes que um único token seja gerado, e é invisível em qualquer tabela de benchmark.

Há uma segunda distinção na mesma categoria, e é justamente a que o próprio card da Liquid AI faz questão de deixar clara. O Base não é um assistente. Ele não carrega ajuste por instruções, o que significa que não seguirá um prompt, não se absterá, não emitirá uma chamada de ferramenta e não se manterá no tópico — não porque seja fraco, mas porque nunca foi treinado para isso. O card diz claramente que ele é recomendado apenas para tarefas que exigem ajuste fino pesado: assistentes específicos de idioma ou de domínio, treinamento com dados proprietários ou experimentação com novas abordagens de pós-treinamento. Tudo o que vem depois do checkpoint base — ajuste fino supervisionado, especialização do professor, destilação on-policy, aprendizado por reforço agêntico — é problema do comprador. Kolibri chega com tudo isso já feito, em quatro níveis de esforço de raciocínio, com um parser de chamadas de ferramentas no estilo Hermes fornecido junto com os pesos.

O que os tamanhos realmente oferecem

Retire o enquadramento e os dois modelos estão otimizados para restrições opostas.

• Parâmetros — 78.103.074.560 no total, com 3.457.573.120 ativos por token no Kolibri, contra 2,69 bilhões no total no LFM2.5 Base, que usa uma pilha híbrida de 22 blocos de convolução curta com duplo gate e 8 camadas de atenção com consultas agrupadas, em vez de um transformer de blocos uniformes.

Contexto — 131.072 tokens no LFM2.5 Base, contra uma janela nativa de 262.144 tokens no Kolibri e 1.048.576 validados além dela.

• Dados de treinamento — 34 trilhões de tokens no LFM2.5 Base, contra 20 trilhões no Kolibri extraídos de um conjunto bruto de mais de 200 trilhões após filtragem e deduplicação, dos quais 13,6% eram código.

• Idiomas — dezesseis no LFM2.5 Base, incluindo árabe, chinês, japonês, coreano, tailandês e vietnamita, contra exatamente dois no Kolibri, alemão e inglês, por design explícito.

• Memória — o LFM2.5 Base tem builds GGUF, ONNX e MLX publicados junto com ele e foi projetado para implantação em edge; os pesos FP8 do Kolibri têm uma pegada de aproximadamente 78 GB, com um mínimo de duas placas A100 de 80 GB, duas H100 SXM5, uma H200, uma B200 ou uma B300.

Leia essas cinco linhas em conjunto e o quadro deixa de estar desequilibrado. O modelo da Liquid AI cobre dez vezes mais idiomas em hardware três ordens de magnitude menor. O modelo da Aleph Alpha cobre dois idiomas com uma janela de contexto oito vezes maior e uma profundidade de especialização que só se manifesta dentro das suas próprias avaliações verticais. Nenhum deles é uma versão pior do outro; são respostas a perguntas diferentes, e as perguntas são "isto consegue funcionar sem um servidor" e "isto consegue raciocinar através de um documento regulatório alemão".

Apenas um deles tem uma pontuação medida, e não é o Base

Aqui está a parte que o pareamento esconde. O Artificial Analysis tem, sim, uma página de modelo para o LFM2.5-2.6B — mas para o modelo pós-treinado, não o Base. Essa página reporta um Intelligence Index de 8, classificado em #9 de 49 modelos da sua classe, com um contexto de 128.000 tokens, 2,7 bilhões de parâmetros e a LFM Open License v1.0. É uma pontuação modesta e honesta: o modelo é medido, tem preço efetivamente zero e é avaliado pelo que é — um pequeno modelo de raciocínio.

O checkpoint Base não tem pontuação, e não pode ter uma. Um Índice de Inteligência é calculado ao executar um modelo em tarefas de raciocínio e conhecimento; um checkpoint que não foi ajustado por instruções não tem comportamento significativo nessas tarefas. A Liquid AI não publica nenhuma tabela de avaliação para ele, e essa ausência é uma afirmação sobre o artefato, não uma lacuna no lançamento.

A posição do Kolibri é mais uma vez diferente, e vale a pena declará-la com precisão porque é fácil interpretá-la mal. Também não existe uma página da Artificial Analysis para o Kolibri — nós verificamos, e o modelo está totalmente ausente dessa comparação. O que existe é a tabela de pós-treinamento da própria Aleph Alpha, na qual o Kolibri obtém 75,5 na média de inglês e 70,8 na média de alemão em todo o seu harness, contra 54,1 e 46,4 do seu próprio predecessor Kolibri Origin. Esses são números obtidos pelo fornecedor em uma suíte de avaliação construída pelo fornecedor, e não podem ser convertidos em um Intelligence Index. Portanto, dos dois modelos nesta manchete, um tem uma pontuação independente para uma versão irmã, o outro tem uma tabela do fornecedor, e nenhum dos artefatos exatos que estão sendo comparados tem qualquer medição independente.

O irmão que altera a recomendação

Julgar o LFM2.5 2.6B Base por si só é a maneira errada de avaliar o lançamento da Liquid AI, porque o Base existe para servir o LFM2.5 2.6B pós-treinado, e os dois são lançados juntos. Se você não tem intenção de escrever um pipeline de ajuste fino, o Base não é o seu modelo — o irmão pós-treinado é, e é ele que tem uma pontuação pública e um preço publicado de praticamente nada por token quando você mesmo o hospeda.

Essa é a mesma relação que o Kolibri tem com o Kolibri Origin, e vale fazer a comparação porque a Aleph Alpha publicou a linha do tempo. O Origin concluiu o pré-treinamento com 30,6 bilhões de parâmetros e 3,27 bilhões ativos em 11 de junho de 2026 e nunca foi lançado; o Kolibri terminou em 11 de setembro de 2026 com 78,1 bilhões e foi lançado em 3 de outubro. Dois modelos, três meses, um deles apenas interno. A divisão equivalente da Liquid AI é pública nos dois casos: Base e pós-treinado, lado a lado, com builds quantizadas para llama.cpp, ONNX Runtime e MLX da Apple publicadas junto com o checkpoint nativo. Se o seu plano é fazer ajuste fino, esse conjunto de ferramentas ao redor vale mais do que uma linha de benchmark, porque determina quanto do trabalho você mesmo precisa fazer.

O que implantar, por requisito

Este reduz-se a uma curta lista de decisões em vez de um vencedor.

• Se o modelo precisar ser executado sem um servidor — num telefone, num laptop, num dispositivo numa fábrica — o LFM2.5 2.6B Base é o único dos dois que sequer é um candidato, e o LFM2.5 2.6B pós-treinado é aquele com que você realmente começaria. O Kolibri não consegue rodar aí em nenhuma quantização.

• Se a carga de trabalho for raciocínio sobre documentos em alemão ou inglês dentro do seu próprio perímetro, com restrições de dados regulamentados e necessidade de comportamento de abstenção, o LFM2.5 Base não é o tipo certo de artefato e o Kolibri visa exatamente isso — desde que você possa fornecer dois aceleradores de 80 GB e aceitar uma posição de licença que você possa declarar em uma linha.

• Se você precisar de mais do que alemão e inglês, a família da Liquid AI cobre dezesseis idiomas em 2,6B, e o argumento de cobertura de idiomas se inverte nesse tamanho.

• Se você precisa de um assistente implantado neste trimestre e não quer executar um pipeline de pós-treinamento, o Kolibri é pós-treinado; o LFM2.5 Base não é, e o modelo pós-treinado LFM2.5 é um assistente muito menor do que o Kolibri, em vez de uma versão mais barata dele.

Para equipes cuja carga de trabalho fica genuinamente no meio — alguns bilhões de tokens por mês, contexto moderado, sem exigência regulatória de possuir o hardware — nenhuma dessas opções é a primeira a que se recorrer. Modelos com menos de 4B são baratos para hospedar por conta própria e incômodos de rotear em escala, porque o custo operacional de uma implantação pode superar a fatura de tokens; um modelo de 78B tem o problema oposto. A faixa que de fato entra no roteamento é a intermediária, e essa faixa está em OrcaRouter hoje: Qwen3.5 35B-A3B a US$ 0,057 por milhão de tokens de entrada e US$ 0,459 de saída, Qwen3.8-Flash a US$ 0,15 e US$ 0,47 com contexto de 1 milhão de tokens, ou o modelo de mistura de especialistas Gemma 4 26B-A4B IT a US$ 0,06 e US$ 0,33. Esses são preços de tabela dos provedores repassados sem nada acrescentado por token, em uma única chave compatível com OpenAI com failover, e são a resposta honesta para uma equipe que quer medir seu volume real de tokens antes de se comprometer com um projeto de ajuste fino ou com um rack.

Para deixar claro o que não oferecemos: nem o Kolibri nem o LFM2.5 2.6B Base podem ser roteados no OrcaRouter hoje. Pesquisamos o catálogo em busca de ambos com todas as grafias de fornecedor e modelo, e nenhum dos dois está lá. O Kolibri é exclusivo para auto-hospedagem, e o LFM2.5 Base é um artefato de ajuste fino que nunca foi feito para ficar atrás de uma API.

A escolha em uma linha

Kolibri é um modelo de raciocínio alemão-inglês de 78 bilhões de parâmetros, finalizado, licenciado e documentado, que custa dois aceleradores para executar. LFM2.5 2.6B Base é um ponto de partida multilíngue inacabado de 2,69 bilhões de parâmetros que custa um pipeline de ajuste fino e cabe no seu bolso. A proporção de parâmetros entre eles é de 29 para 1, e é o número menos informativo deste artigo.