LBS-27B vs LFM2.5 24B A2B: A Questão dos Parâmetros Ativos

O número mais importante do LFM2.5 24B A2B não é 24. É 2,45 — os bilhões de parâmetros que o modelo realmente lê para cada token. É por isso que a Liquid AI pode afirmar 184 tokens de saída por segundo num Apple M5 Max enquanto o modelo detém 24 bilhões de parâmetros de conhecimento, e por que a empresa o posiciona como um agente no dispositivo e não como um cavalo de batalha de data centre. Esse mesmo número está ausente do LBS-27B, e a sua ausência é a razão pela qual esta comparação ainda não pode ser resolvida: sem uma contagem de parâmetros ativos, não há forma de colocar o modelo da inclusionAI na curva de eficiência que o LFM2.5 define.

O LFM2.5 24B A2B está disponível para download desde 13 de outubro de 2026, com um cartão de modelo, dezesseis linhas de benchmark e uma licença que a maioria das empresas precisará ler com atenção. O LBS-27B é um repositório criado em 26 de outubro de 2026 que contém um arquivo .gitattributes padrão e um README de 28 bytes que declara Apache-2.0. Sem pesos, sem configuração, sem cartão, sem anúncio. O que se segue é, portanto, uma comparação entre uma aposta de eficiência totalmente especificada e um nome que ainda não disse que tipo de modelo é.

Para o que o Liquid está otimizando

LFM2.5 24B A2B é um decodificador mixture-of-experts com 64 especialistas e roteamento top-4, 40 camadas, tamanho oculto de 2.048 e vocabulário de 128.000 tokens. A contagem de parâmetros ativos é de 2,45 bilhões. Ele aceita 131.072 tokens de contexto, acima dos 32K da geração anterior, e foi pré-treinado em 33 trilhões de tokens, aproximadamente o dobro dos 17 trilhões usados para o LFM2.

A mudança de vocabulário é um detalhe que vale a pena notar. Passar de 65K para 128K tokens é caro — significa treinar novamente as camadas de embedding e de saída — e o motivo usual para fazê-lo é texto não latino. O cartão lista dezesseis idiomas: inglês, árabe, chinês, francês, alemão, italiano, japonês, coreano, português, espanhol, vietnamita, tailandês, indonésio, híndi, russo e polonês. Um vocabulário maior torna esses idiomas mais baratos por palavra e geralmente melhores na cauda.

É também um modelo apenas de raciocínio. O pipeline de pós-treinamento da Liquid executa ajuste fino supervisionado, especialização de professor, destilação não agêntica e agêntica e, em seguida, aprendizado por reforço agêntico dentro de harnesses como OpenClaw, Hermes Agent, Pi e OpenCode. O modelo produz uma cadeia de pensamento antes de responder; não há um modo separado "rápido, sem pensamento" documentado no cartão.

Um perfil de benchmark deliberadamente irregular

Os próprios números da Liquid, não reproduzidos por nós, descrevem um modelo excelente naquilo que um agente no dispositivo faz e fraco naquilo de que um trabalhador do conhecimento precisa. Essa configuração não é acidental; é o projeto.

• Seguimento de instruções — IFEval 96,75, IFBench 74,69, Multi-IF 84,38. Este é o grupo mais forte do cartão e o que mais importa para um agente que precisa obedecer a um esquema de ferramenta.

• Uso de ferramentas — ToolSandbox 80,71, PinchBench 83,18, BFCL v4 65,01, AutomationBench 27,69. Bom, mas desigual entre os harnesses.

• Navegação agêntica e uso de computador — LiveClaw 48,09, WebArena Verified 26,75, tau3-Bench Banking 8,04. O resultado bancário é o ponto fora da curva: uma pontuação de um dígito numa suíte de tarefas que outros modelos agênticos lidam muito melhor. É um lembrete de que "agêntico" não é uma única capacidade.

• Engenharia de software — SWE-Bench Verified 51.00 no OpenCode, SciCode 32.71. Faixa intermediária.

• Matemática — MATH-500 96,04. Forte para o tamanho.

• Conhecimento — GPQA Diamond 74,42, HLE 7,40, AA-Omniscience −24,90. A pontuação negativa no Omniscience é o sinal honesto aqui: em um benchmark que penaliza respostas erradas dadas com confiança, o modelo perde mais do que ganha. O próprio posicionamento da Liquid reconhece isso — o modelo deve ser combinado com recuperação de informação, não tratado como uma enciclopédia confiável.

Lidas em conjunto, essas linhas indicam que o modelo é competente em seguir instruções e chamar ferramentas, mas tem uma base de conhecimento limitada. Para um agente local que lê seus arquivos e chama suas APIs, essa é a troca certa. Para um assistente de pesquisa, é a errada.

A alegação de eficiência, com suas ressalvas

A Liquid informa 184 tokens por segundo em um Apple M5 Max usando cerca de 15 GB de memória, e 114 tokens por segundo em um Ryzen AI Max+ 395. Esses são números do fabricante em hardware específico, não um benchmark geral, e mudarão com a quantização e o tamanho do lote. A direção ainda é significativa: um modelo de 24B com 2,45B ativos pode rodar em um laptop de uma forma que um 24B denso não consegue.

O trade-off é a largura de banda de memória. Modelos esparsos ainda precisam manter todos os 24 bilhões de parâmetros na memória — a economia está na computação por token, não no armazenamento. É por isso que o número de 15 GB importa tanto quanto a taxa de transferência: trata-se, aproximadamente, de uma quantização de 4 bits do conjunto completo de pesos, e ele define o piso de hardware.

Onde o LBS-27B teria de ficar

Tudo sobre este confronto depende de dois campos que ainda não existem no repositório LBS-27B: o número de especialistas e a contagem de parâmetros ativos.

Se o LBS-27B for esparso, com algo como 2B a 4B ativos, ele cai diretamente no território do LFM2.5 — uma base de conhecimento da classe 27B com o custo computacional de um modelo pequeno — e a comparação se torna um confronto direto de qualidade por parâmetro ativo. Se for denso, é um produto completamente diferente: um modelo do lado do servidor, com computação previsível e um footprint de memória que descarta a maioria dos laptops. Se for esparso com uma grande contagem de ativos, fica entre os dois e compete por qualidade, não por eficiência.

Não há como inferir qual a partir do repositório. O nome diz 27B, o README diz Apache-2.0, e a árvore de arquivos não diz mais nada. A inclusionAI não publicou um card, um post de blog ou um artigo que pudéssemos encontrar.

A comparação, na medida em que puder ser feita

• Total de parâmetros — 24,0B para o LFM2.5 24B A2B; um valor não verificado de 27B para o LBS-27B.

• Parâmetros ativos — 2,45B para o LFM2.5; desconhecido para o LBS-27B, e esta é a incógnita decisiva.

• Arquitetura — 64 especialistas com roteamento top-4 e 40 camadas para o LFM2.5; desconhecido para o LBS-27B.

• Contexto — 131.072 tokens para o LFM2.5; desconhecido para o LBS-27B.

• Modalidade — somente texto para o LFM2.5; desconhecida para o LBS-27B.

• Idiomas — dezesseis listados para o LFM2.5; desconhecidos para o LBS-27B.

• Raciocínio — cadeia de pensamento por padrão, sem modo sem pensamento documentado, para LFM2.5; desconhecido para LBS-27B.

• Licença — a licença LFM 1.0, com exigência de licença comercial para receita anual acima de US$ 10 milhões, referente ao LFM2.5; Apache-2.0 declarada para o LBS-27B.

• Avaliações publicadas — dezesseis linhas relatadas pelo fornecedor para o LFM2.5; nenhuma para o LBS-27B.

A licença é uma questão de compras, não uma nota de rodapé

Esta é a única dimensão em que o repositório vazio já confere ao LBS-27B uma vantagem. A licença LFM 1.0 não é open source no sentido da OSI: empresas com receita anual superior a US$ 10 milhões precisam de uma licença comercial separada antes de implantá-lo. Para um desenvolvedor individual ou uma startup abaixo do limite, isso não é problema. Para uma empresa de médio porte, é uma análise jurídica, uma negociação e um item de orçamento.

O LBS-27B declara Apache-2.0 em seu README. Trata-se de uma licença permissiva, com concessão explícita de patente e sem limite de receita e, caso sobreviva até o lançamento dos pesos, elimina toda uma etapa do processo de aquisição. É a única vantagem concreta que o LBS-27B detém atualmente nesta comparação, e vale a pena afirmá-la com clareza porque é real — uma declaração de licença feita na criação do repositório é evidência fraca, mas não é nada.

No dispositivo versus API: dois produtos diferentes

O LFM2.5 24B A2B foi criado para rodar onde os dados estão. A proposta é privacidade e latência: um modelo em um laptop ou workstation que nunca envia uma requisição a terceiros, com chamada de ferramentas boa o suficiente para viabilizar automação local. A pegada de memória de 4 bits e o contexto de 131K têm o tamanho certo para essa tarefa.

A LBS-27B não disse para que serve. Se a inclusionAI lançar um modelo projetado para serviço no lado do servidor, o argumento de execução no dispositivo não se transfere, e os dois modelos são complementares, não substitutos. Se ela lançar um MoE de pequena ativação com uma proposta de implantação local, a comparação é direta, e a vantagem de duas gerações da Liquid em ferramentas para dispositivo — suporte a llama.cpp, MLX, ONNX e vLLM, além de um arnês de agente documentado — passa a ser o critério de desempate.

O suporte a frameworks é uma parte subestimada disso. Um modelo que não está no llama.cpp ou no MLX desde o primeiro dia não é, na prática, um modelo para execução no dispositivo, independentemente do seu número de parâmetros ativos.

Testando um modelo não comprovado sem apostar nele

Nem o LBS-27B nem o LFM2.5 24B A2B estão no OrcaRouter hoje, então não há endpoint hospedado para nenhum dos dois e não vamos sugerir o contrário. O motivo de mencionar a plataforma aqui é o problema de avaliação que vem a seguir: se você quer saber se um novo modelo pequeno com poucos parâmetros ativos pode substituir o seu atual, é preciso executar os dois no seu próprio tráfego, não em um leaderboard.

A DSL de roteamento do OrcaRouter permite enviar uma porcentagem das solicitações para um modelo candidato, mantendo o modelo atual como padrão, e o failover automático faz com que um candidato que atinja o tempo limite ou apresente erros reverta para o modelo conhecido em vez de falhar a solicitação. Para os casos difíceis em que um único modelo não basta, a fusão de modelos permite que um painel de modelos responda em conjunto e retorna um resultado combinado — útil quando a tarefa é intensiva em conhecimento e o ponto fraco do modelo barato é exatamente o que você está testando. O catálogo com mais de 200 modelos e o markup de 0% importam menos aqui do que a capacidade de comparar com suas próprias entradas sem uma segunda integração.

Isso é uma forma de gerar as evidências que faltam nesta página. Não substitui a existência do modelo.

Três leitores, três respostas

Se você está criando um agente no dispositivo e precisa de algo que rode em um laptop hoje, o LFM2.5 24B A2B é um candidato sério: forte seguimento de instruções, boa chamada de ferramentas em vários harnesses, contexto de 131K e um caminho documentado para os runtimes locais habituais. Verifique primeiro o limite da licença e não espere que ele saiba fatos sem recuperação.

Se você está escolhendo um 27B do lado do servidor e precisa de uma licença permissiva, o LBS-27B vale a pena acompanhar justamente porque o Apache-2.0 já está declarado. Mas não há nada para avaliar, e uma declaração de licença não é um modelo.

Se você for uma empresa com mais de US$ 10 milhões em receita e um processo de aquisições rigoroso, a diferença de licença pode ser mais importante do que qualquer linha de benchmark neste artigo. A licença personalizada do LFM2.5 é um custo real; a Apache-2.0 do LBS-27B é uma vantagem real, condicionada a ela sobreviver até o lançamento.

O número que mudaria todas as três respostas é a contagem de parâmetros ativos. Até que ela exista, a posição honesta é que um modelo tem uma narrativa de eficiência e o outro tem um repositório.