LFM2.5-24B-A2B vs LFM2.5-8B-A1B-DSpark: Um destes não é um modelo que você pode executar

Coloque LFM2.5-24B-A2B e LFM2.5-8B-A1B-DSpark em uma tabela de comparação e a tabela já é uma mentira antes mesmo de você preencher uma única célula. O LFM2.5-24B-A2B da Liquid AI, lançado em 13 de outubro de 2026, é um modelo de linguagem: 24,0B de parâmetros, 2,45B ativos por token, 131.072 tokens de contexto, e responde a prompts. LFM2.5-8B-A1B-DSpark, lançado em 20 de agosto de 2026, é um checkpoint de rascunho de 327,7 milhões de parâmetros que não consegue responder nada sozinho — ele existe para adivinhar os próximos tokens para um modelo diferente, LFM2.5-8B-A1B, e ser verificado por ele. Confundir os dois é a maneira mais comum de essa versão ser mal interpretada, e vale a pena esclarecer isso no primeiro parágrafo porque o resto desta página depende disso: um deles tem um preço por milhão de tokens e um cartão do Hugging Face para o qual você pode apontar um agente, e o outro vive dentro da pilha de inferência de outra pessoa.

O que torna esse pareamento genuinamente digno de uma página, porém, é que ele é a comparação que a Liquid AI preparou para si mesma. A ficha do modelo LFM2.5-24B-A2B lista um rascunho de decodificação especulativa DSpark para o 24B como "em breve". Quando ele chegar, a pergunta exata que esta página responde será a que as pessoas farão sobre ele — será que o truque de rascunho que tornou o modelo 8B até 3,18× mais rápido em uma GPU de data center realmente compensa em um modelo 24B cuja razão de existir é um laptop? Os números do 8B já contêm a forma da resposta, e não é a forma que a manchete sugere.

O que um checkpoint de rascunho realmente é, em três frases

A decodificação especulativa coloca um modelo barato na frente de um caro: o rascunhador propõe um bloco de tokens candidatos, o modelo real verifica o bloco inteiro em uma única passagem direta e mantém tudo com que concorda. Como o alvo verifica cada token proposto, a saída sob decodificação gananciosa é idêntica bit a bit a executar o alvo sozinho — a frase da Liquid é “sem perdas por construção”, e é por isso que um rascunho é seguro para ser acoplado a um stack de produção. O LFM2.5-8B-A1B-DSpark é um rascunhador deliberadamente pequeno: cinco camadas apenas de atenção, um bloco de nove tokens propostos por passo e uma cabeça de Markov sobre o vocabulário de 128.000 tokens do alvo, treinado por 15 épocas em dados de chat, código e chamadas de função, com checkpoints escolhidos pela taxa de aceitação em vez da perda de validação.

Esse último detalhe não é trivialidade. O próprio texto da Liquid observa que, para os rascunhos maiores, a perda de validação “continua melhorando depois que a aceitação do benchmark que nos importa parou de se mover” — que é o tipo de frase que só aparece quando uma equipe está colocando isso em serving, em vez de publicar um artigo.

As duas pilhas, uma linha por dimensão

• O que é — LFM2.5-24B-A2B é um modelo de raciocínio implantável, texto de entrada e texto de saída. LFM2.5-8B-A1B-DSpark é um acelerador de decodificação especulativa e nada mais.

• Tamanho — 24,0B no total / 2,45B ativos por token, 64 especialistas com roteamento top-4 em 40 camadas, contra 327,7M de parâmetros de rascunho em cinco camadas apenas de atenção.

• Contexto — 131.072 tokens para o 24B, o dobro da geração anterior; o rascunho não tem contexto próprio, pois opera no fluxo do alvo.

• Raciocínio — o modelo de 24B sempre emite uma cadeia de pensamento explícita dentro de um bloco <think>. O modelo draft não emite nada que o usuário chegue a ver.

• Preço — $0,10 por milhão de tokens de entrada ($0,05 em cache) e $1,00 por milhão de saída no Console da Liquid, com $2 de crédito inicial, para o 24B. O rascunho não tem preço porque nenhum provedor de inferência o atende.

• Licença — lfm1.0 para ambos: gratuita para baixar, ajustar e implantar comercialmente até que uma empresa ultrapasse 10 milhões de dólares em receita anual, momento em que passa a aplicar-se uma licença comercial.

• Formatos publicados — GGUF de Q4_K_M com 14,5 GB até BF16 de 48 GB, um QAT QAD-Q4_0 com 13,6 GB, FP8, ONNX e MLX de 4/5/6/8 bits para o 24B; Safetensors e GGUF para o draft, com suporte a SGLang e llama.cpp desde o primeiro dia.

A dimensão que decide tudo é a última modificada pela quinta: uma delas tem um preço por token, e a outra é algo que você instala para tornar um modelo auto-hospedado mais barato por token. Elas nunca competem. Elas se acumulam.

Os números que importam, e aquele que deveria preocupar você

A Liquid mediu o draft do DSpark com tamanho de lote 1 e temperatura 0 em cinco conjuntos de dados — em uma H100 de 80 GB em BF16 no SGLang, e em um MacBook Pro M4 Max em FP16 GGUF no llama.cpp com kernels Metal experimentais. Cada ganho de velocidade é em relação ao mesmo modelo-alvo rodando sozinho no mesmo hardware. Tudo isso é informado pelo fornecedor e, passados três meses, ainda não foi reproduzido.

No H100, contra LFM2.5-8B-A1B:

• MATH500 — 3,18× (428 → 1.362 tokens/s, aceitação 8,27) — o número de destaque.

• MT-Bench — 3,02× (426 → 1.288 tokens/s, aceitação 8,52).

• MBPP — 2,64× (426 → 1.122) e HumanEval — 2,58× (426 → 1.100).

• GSM8K — 1,29× (385 → 496, aceitação 4,02) — o caso fraco, e note que é aquele em que o alvo já era mais rápido desde o início.

• Média — 2,54× (418 → 1.074 tokens/s).

No M4 Max, o mesmo draft em relação ao mesmo alvo é um produto diferente: MATH500 1,21× (93 → 112), GSM8K 1,44× (90 → 129), HumanEval 1,12× (91 → 101), MBPP 1,09× (89 → 97), MT-Bench 1,04× (87 → 90), média 1,18× (90 → 106).

Leia essas duas listas em conjunto e a conclusão é inevitável: o checkpoint de rascunho acelera o hardware para o qual o modelo não foi criado e quase não altera o hardware para o qual foi. Isso não é um bug na implementação da Liquid, é onde está o gargalo — a decodificação especulativa compensa quando você está com a computação ociosa e carente de memória, e um M4 Max rodando um MoE quantizado com 1,5B ativos já está perto do teto de largura de banda de memória. A própria Liquid publicou a metade ruim do resultado, e é por isso que o número de 3,18× tem sido citado isoladamente muito mais vezes do que o de 1,18× que a maioria de seus leitores realmente experimentaria.

Por que o emparelhamento 24B é uma questão genuinamente em aberto

Tudo sobre o próximo rascunho do LFM2.5-24B-A2B permanece sem anúncio, além das palavras “em breve” no cartão do modelo; portanto, o que segue é um raciocínio sobre a forma do problema, e não um relatório.

O valor do rascunho é regido pela taxa de aceitação, e a taxa de aceitação é regida por quão previsível é o alvo. Um modelo de raciocínio que sempre produz uma cadeia de pensamento explícita — LFM2.5-24B-A2B é exatamente isso, e a Liquid o disponibiliza com uma temperatura recomendada de 0,1 — emite longos trechos de texto localmente previsíveis. Esse é o solo ideal para um bloco de 9 tokens. Assim, o teto de um rascunho de 24B pode ser alto, e a nota de vocabulário do próprio card ajuda: o 24B usa o mesmo vocabulário de 128.000 tokens sobre o qual a cabeça de Markov do modelo de rascunho de 8B foi construída, então a cabeça de rascunho não precisa ser reconstruída a partir de um espaço de tokens diferente.

O contrapeso é o hardware. O resultado de edge declarado do modelo de 24B é de 184 tokens por segundo em um Apple M5 Max, e um alvo maior significa uma passagem de verificação maior mesmo quando o bloco é aceito na íntegra. Se o padrão do 8B se mantiver — grandes ganhos onde há computação de sobra, pequenos ganhos no laptop —, o draft de 24B pode acabar sendo uma ferramenta de datacenter acoplada a um modelo de edge, o que é um formato estranho para um produto. Quem citar "3.18×" na expectativa disso está citando um número medido em outro modelo, em outro hardware, com outro draft.

Custo, e o argumento a favor de não fazer auto-hospedagem de forma alguma

Uma ressalva honesta: toda a proposta de valor do DSpark é a vazão por token auto-hospedado, então seu argumento econômico é o custo por token do tempo da sua própria GPU. O modelo 24B, em contrapartida, tem um preço público — US$ 0,10 por milhão de tokens de entrada (US$ 0,05 em cache) e US$ 1,00 por milhão de saída — que é o que você paga se preferir não rodar de jeito nenhum um checkpoint quantizado de 14,5 GB no seu próprio laptop.

Para deixar claro o que oferecemos e o que não oferecemos: não servimos LFM2.5-24B-A2B nem LFM2.5-8B-A1B-DSpark no OrcaRouter. O que servimos são os modelos de pesos abertos com que esta decisão continua esbarrando — qwen/qwen3.6-35b-a3b, o modelo contra o qual a Liquid compara seu 24B, com cerca de cinquenta por cento mais parâmetros totais e ativos, além de google/gemma-4-26b-a4b-it, obsidian/gemma-4-26B-A4B e google/gemma-4-31b-it na mesma classe de modelos abertos esparsos. Se você está ponderando um download de 14 GB e uma pilha de decodificação especulativa contra chamar um modelo servido por trás de uma única chave com 0% de markup sobre o preço de tabela do provedor, essa é uma comparação que você pode fazer hoje à tarde do nosso lado e só pode estimar do lado deles.

O que fazer com os dois hoje

Se você quer um modelo para chamar, a resposta é o LFM2.5-24B-A2B, e o checkpoint DSpark é irrelevante para você — ele acelera um modelo 8B específico, e não há plataforma de terceiros servindo nenhum dos dois. Se você já faz self-hosting do LFM2.5-8B-A1B em uma GPU, o draft é um multiplicador gratuito de throughput que não muda nada nas suas saídas, e 2,54× como média é uma redução real no custo de serviço. Se você faz self-hosting dele em um Mac, a média é 1,18× e a leitura honesta é que o draft vale cerca de um décimo do que a manchete de lançamento sugere.

O que importa observar não é a data de chegada do draft de 24B, que ninguém publicou. É em qual dos dois regimes ele se encaixa. Se a Liquid publicar uma média acima de 2× em Apple silicon, a decodificação especulativa cruzou uma linha e a camada de edge se torna genuinamente mais barata de executar. Se ela publicar um número de pico sem uma média de laptop, o resultado do 8B terá sido a resposta desde o início: esta técnica compensa onde você tem computação ociosa, e uma máquina que roda uma mistura de especialistas de 24B na bateria não tem nenhuma de sobra.

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.